Régression de Poisson Zero-Inflated avec PROC HPFMM

Ce script démontre plusieurs facettes de PROC HPFMM. Il commence par créer une table de données 'catch' contenant des variables démographiques et une variable de comptage 'count'. Ensuite, il applique progressivement des modèles plus complexes : un modèle de Poisson de base, un modèle de mélange de Poisson 'zero-inflated' pour tenir compte d'un surplus de zéros, et enfin une analyse bayésienne de ce dernier modèle. Le script montre également comment optimiser l'exécution (nthreads) et générer des graphiques spécifiques (ODS Graphics).

Analyse des données

Type : CREATION_INTERNE

Les données sont entièrement générées et contenues dans le script via une étape DATA avec une instruction DATALINES.

1 Bloc de code

DATA STEP Data

Explication :
Ce bloc crée la table 'catch' à partir de données internes. L'instruction 'input' lit les variables 'gender', 'age' et 'count'. Le double 'at' (@@) indique à SAS de lire plusieurs observations à partir de la même ligne de données.

Copié !

1	DATA catch;
2	INPUT gender $ age count @@;
3	DATALINES;
4	F 54 18 M 37 0 F 48 12 M 27 0
5	M 55 0 M 32 0 F 49 12 F 45 11
6	M 39 0 F 34 1 F 50 0 M 52 4
7	M 33 0 M 32 0 F 23 1 F 17 0
8	F 44 5 M 44 0 F 26 0 F 30 0
9	F 38 0 F 38 0 F 52 18 M 23 1
10	F 23 0 M 32 0 F 33 3 M 26 0
11	F 46 8 M 45 5 M 51 10 F 48 5
12	F 31 2 F 25 1 M 22 0 M 41 0
13	M 19 0 M 23 0 M 31 1 M 17 0
14	F 21 0 F 44 7 M 28 0 M 47 3
15	M 23 0 F 29 3 F 24 0 M 34 1
16	F 19 0 F 35 2 M 39 0 M 43 6
17	;

2 Bloc de code

PROC HPFMM

Explication :
Ce bloc exécute un premier modèle de régression de Poisson simple. La variable 'count' est modélisée en fonction de l'interaction entre 'gender' et 'age'.

Copié !

1	PROC HPFMM DATA=catch;
2	class gender;
3	model count = gender*age / dist=Poisson;
4	RUN;

3 Bloc de code

PROC HPFMM

Explication :
Ce bloc ajuste un modèle de mélange à deux composantes, connu sous le nom de modèle de Poisson 'zero-inflated' (ZI). La première instruction MODEL spécifie la composante de Poisson, et la seconde MODEL avec 'dist=Constant' ajoute une composante qui modélise l'excès de zéros.

Copié !

1	PROC HPFMM DATA=catch;
2	class gender;
3	model count = gender*age / dist=Poisson ;
4	model + / dist=Constant;
5	RUN;

4 Bloc de code

PROC HPFMM

Explication :
Ce bloc effectue une analyse bayésienne du modèle de Poisson 'zero-inflated'. L'instruction 'BAYES' demande l'inférence bayésienne pour les paramètres du modèle. 'PERFORMANCE NTHREADS=2' est utilisé pour accélérer le calcul en utilisant deux threads.

Copié !

1	PROC HPFMM DATA=catch seed=12345;
2	class gender;
3	model count = gender*age / dist=Poisson;
4	model + / dist=constant;
5	performance nthreads=2;
6	bayes;
7	RUN;

5 Bloc de code

PROC HPFMM

Explication :
Ce dernier bloc ré-exécute l'analyse bayésienne, mais en activant la génération de graphiques via 'ODS GRAPHICS ON'. 'ODS SELECT TADPanel' filtre la sortie pour n'afficher que le panneau de graphiques de diagnostic bayésien (Trace, Autocorrelation, Density).

Copié !

1	ods graphics on;
2	ods select TADPanel;
3	PROC HPFMM DATA=catch seed=12345;
4	class gender;
5	model count = gender*age / dist=Poisson;
6	model + / dist=constant;
7	performance nthreads=2;
8	bayes;
9	RUN;
10	ods graphics off;

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.

Informations de Copyright : S A S S A M P L E L I B R A R Y

Retour à la liste