Le Punchline MANOVA ou un modèle mixte d'apprentissage SAS Poste
Fit déstructurées Statistiques
-Res 2 Log de vraisemblance 2585,6
AIC (plus petit est mieux) 2597,6
AICC (plus petit est mieux) 2597,8
BIC (plus petit est mieux) 2615,4
CS Statistiques Fit
-Res 2 Log de vraisemblance 2851,2
AIC (plus petit est mieux) 2855,2
AICC (plus petit est mieux) 2855,2
BIC (plus petit est mieux) 2861,1
En plus de changer la structure de covariance, il y a les autres avantages qui balise avec l'aide d'un modèle mixte: une gestion plus efficace des données manquantes, faciles à manipuler covariables, plusieurs niveaux d'imbrication est facile à adapter (mesures au sein des sujets dans les territoires de vente au sein de votre imaginings les plus fous), un composant de temps est facile à modéliser, des modèles de groupes hétérogènes, pour ne citer que quelques-uns.
contraste « effet de promotion dans PROC GLM »
promotion 1 -1 promotion * Réponse 1 0 0 -1, / ** réponse 1 ** /
promotion 1 -1 promotion de la réponse * 0 1 0 0 -1, / ** 2 ** réponse /
promotion 1 -1 promotion de la réponse * 0 0 1 0 0 -1; / ** réponse 3 ** /
contraste « effet de cashback dans PROC GLM »
retrait d'argent 1 -1 * cashback réponse 1 0 0 -1, / *** réponse 1, caskback 1-2 *** /
cashback 1 0 -1 cashback * Réponse 1 0 0 0 0 0 -1, / *** réponse 1, caskback 1-3 *** /
retrait d'argent 1 -1 * cashback réponse 0 1 0 0 -1, / *** réponse 2, caskback 1-2 *** /
cashback 1 0 -1 cashback * Réponse 0 1 0 0 0 0 0 -1, / *** réponse 2, caskback 1-3 *** /
retrait d'argent 1 -1 * cashback réponse 0 0 1 0 0 -1, / *** réponse 3, caskback 1-2 *** /
cashback 1 0 -1 * cashback réponse 0 0 1 0 0 0 0 0 -1; / *** réponse 3, caskback 1-3 *** /
(Remarquez la colonne avec le nom de distribution pour chaque variable) alors je pourrais adapter le modèle comme suit:
proc GLIMMIX data = blog.promouni;
la promotion de la classe minbal;
modèle valeur1 = distrib | promotion | minbal / NOINT dist = byobs (distrib);
interception / subject = objet aléatoire;
courir;
Ou comme celui-ci, au lieu:
proc GLIMMIX data = blog.promouni;
la promotion de la classe minbal;
modèle valeur1 = distrib | promotion | minbal / NOINT dist = byobs (distrib);
_residual_ aléatoire / subject = objet type = non;
courir;
Ces deux modèles ne sont pas équivalents, et ils utilisent à la fois l'estimation de pseudo vraisemblance, vous utiliserez probablement ce genre de modèle dans des circonstances où rien d'autre fera le travail. Pourtant, il est tout à fait un peu plus que ce qui pourrait être fait même il y a quelques années.
Je sais que je vous garder accroché pour cette punchline. Alors là, vous êtes (avec mes plus sincères excuses) ...
Trois réponses corrélées à pied dans un bar.
On se demande un Pilsner. La seconde demande une bière.
Le troisième dit le barman: « Je suis tout simplement pas se sentir normale aujourd'hui. Mieux gamma quelque chose mixte « .
A propos Auteur
