Modélisation Logit Généralisée Multinomiale avec PROC BGLIMM

Le script crée un jeu de données 'school' contenant des préférences d'apprentissage. Il utilise ensuite la procédure BGLIMM (Bayesian Generalized Linear Mixed Models) pour ajuster des modèles statistiques sur une variable réponse nominale ('Style') avec une distribution multinomiale et une fonction de lien logit généralisée (glogit). Deux modèles sont testés : l'un avec interaction et l'autre sans interaction avec des estimations de contrastes spécifiques.

Analyse des données

Type : CREATION_INTERNE

Les données sont définies directement dans le script via un DATA Step utilisant DATALINES (jeu de données 'school').

1 Bloc de code

DATA STEP Data

Explication :
Création du jeu de données 'school'. L'instruction INPUT utilise le symbole '@@' (double trailing @) pour lire plusieurs observations par ligne de données.

Copié !

1	DATA school;
2	LENGTH Program $ 9;
3	INPUT School Program $ Style $ Count @@;
4	DATALINES;
5	1 regular self 10 1 regular team 17 1 regular class 26
6	1 afternoon self 5 1 afternoon team 12 1 afternoon class 50
7	2 regular self 21 2 regular team 17 2 regular class 26
8	2 afternoon self 16 2 afternoon team 12 2 afternoon class 36
9	3 regular self 15 3 regular team 15 3 regular class 16
10	3 afternoon self 12 3 afternoon team 12 3 afternoon class 20
11	;

2 Bloc de code

PROC BGLIMM

Explication :
Exécution de la procédure BGLIMM pour ajuster un modèle incluant les effets principaux 'School', 'Program' et leur interaction 'School*Program'. La variable 'Count' est utilisée comme variable de fréquence.

Copié !

1	PROC BGLIMM DATA=school seed=123 dic;
2	freq Count;
3	class School Program;
4	model Style(ref="class")=School Program School*Program / dist=multinomial
5	link=glogit;
6	RUN;

3 Bloc de code

PROC BGLIMM

Explication :
Seconde exécution de PROC BGLIMM sur un modèle sans interaction. Des instructions ESTIMATE sont ajoutées pour calculer et tester des contrastes spécifiques (comparaisons entre écoles et entre programmes) avec l'option 'exp' pour exponentier les résultats (odds ratios) et 'bycat' pour des estimations par catégorie de réponse.

Copié !

1	PROC BGLIMM DATA=school seed=123 dic;
2	freq Count;
3	class School Program;
4	model Style(ref="class")= School Program / dist=multinomial
5	link=glogit;
6	estimate 'School 1 vs 3' School 1 0 -1 / exp bycat;
7	estimate 'School 2 vs 3' School 0 1 -1 / exp bycat;
8	estimate 'Afternoon vs Regular' Program 1 -1 / exp bycat;
9	RUN;

Ce matériel est fourni "tel quel" par We Are Cas. Il n'y a aucune garantie, expresse ou implicite, quant à la qualité marchande ou à l'adéquation à un usage particulier concernant le matériel ou le code contenu dans les présentes. We Are Cas n'est pas responsable des erreurs dans ce matériel tel qu'il existe maintenant ou existera, et We Are Cas ne fournit pas de support technique pour celui-ci.

Retour à la liste