Niveau de difficulté
Débutant
Publié le :
Le Conseil de l'Expert
Même pour une simulation simple, l'activation d'ODS Graphics est cruciale. Elle génère des graphiques de diagnostic (Trace Plots et Autocorrélation) qui confirment si votre échantillon de 10 000 points couvre bien toute la distribution. Si vous observez une forte corrélation dans la chaîne, augmentez le paramètre thinning (amincissement) pour ne garder qu'une valeur sur dix et obtenir un échantillon plus indépendant.
Pourquoi utiliser la PROC MCMC ?
La procédure MCMC est l'outil phare de SAS pour l'inférence Bayésienne. Elle permet de simuler des distributions de probabilité complexes là où les méthodes analytiques classiques échouent. Dans votre script, l'échantillonnage de l'a priori (Prior) est une étape fondamentale : elle permet de vérifier que le comportement de votre modèle est cohérent avant même d'y injecter des données réelles.
Le script initialise une table vide, puis configure et exécute une simulation de Monte Carlo par chaînes de Markov (MCMC). Il échantillonne 10 000 valeurs pour un paramètre 'alpha' suivant une loi normale centrée réduite, sans utiliser de données observées pour influencer la distribution (échantillonnage de l'a priori).
Analyse des données
Type : CREATION_INTERNE
Une table 'x' est créée via une étape DATA vide juste avant l'appel à la procédure.
1 Bloc de code
DATA STEP Data
Explication :
Création d'une table SAS temporaire 'x' (vide, avec une observation implicite).
Création d'une table SAS temporaire 'x' (vide, avec une observation implicite).
Copié !
| 1 | DATA x; |
| 2 | RUN; |
2 Bloc de code
PROC MCMC
Explication :
Exécution de PROC MCMC avec 10 000 itérations (nmc=10000) et sans période de chauffe (nbi=0). Le modèle définit un paramètre 'alpha' avec un prior normal(0,1) et une vraisemblance constante (model general(0)), ce qui revient à simuler la distribution a priori.
Exécution de PROC MCMC avec 10 000 itérations (nmc=10000) et sans période de chauffe (nbi=0). Le modèle définit un paramètre 'alpha' avec un prior normal(0,1) et une vraisemblance constante (model general(0)), ce qui revient à simuler la distribution a priori.
Copié !
| 1 | ods graphics on; |
| 2 | PROC MCMC DATA=x outpost=simout seed=23 nmc=10000 maxtune=0 |
| 3 | nbi=0 statistics=(summary interval) diagnostics=none; |
| 4 | ods exclude nobs parameters samplinghistory; |
| 5 | parm alpha 0; |
| 6 | prior alpha ~ normal(0, sd=1); |
| 7 | model general(0); |
| 8 | RUN; |
| 9 | ods graphics off; |
L'Astuce Pro
Pour accelerer vos simulations avec PROC MCMC lorsque vous n utilisez pas de donnees (sampling from prior), l option MAXTUNE=0 est essentielle car elle desactive l algorithme d auto-ajustement du pas de recherche. Cependant, surveillez toujours l efficacite de la chaine dans la table 'Effective Sample Sizes'. Si vos valeurs alpha sont tres correlees entre elles (autocorrelation elevee), augmentez le parametre THIN=5 ou 10 pour ne garder qu une observation sur dix et obtenir une distribution finale beaucoup plus fidele a la loi normale cible.
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.