محاسبه رگرسیون ترتیبی (Ordinal) در نرم افزار SAS

رگرسیون ordinal در نرم افزار sas

به منظور بررسی و مطالعه در مورد متغیر های پیش بین موثر بر ابعاد یک متغیر گسسته از رگرسیون های ترتیبی استفاده می شود. این روش رگرسیونی مبتنی بر روش حداکثر درستنمایی است. این روش در مقابل روش هایی چون تحلیل تشخیصی که روشی صرفا کمّی است بسیار کامل بوده و امروزه در تمام حوزه هایی که شانس رخ داد تصادفی هر یک از ابعاد یک متغیر وابسته را بخواهند برآورد کنند مورد استفاده قرار می گیرد. به عنوان مثال یک شرکت بازار یابی می خواهد در مورد متغیر های پیش بین موثر بر میزان علاقه مندی افراد به محصولات یک شرکت تولید خودرو معادله رگرسیونی را براورد نماید. به این منظور با یک طیف لیکرت میزان علاقه مندی افراد را به محصولات این شرکت در قالب چهار گروه مورد بررسی قرار می دهد. یا میزان علاقه مندی افراد به سه اندازه تپلت ها تحت تاثیر چه متغیر هایی است؟ یا اینکه یک موسسه آموزشی علاقه مند است تا مطالعه کند متغیر های اصلی روی میزان علاقه مندی دانشجویان به ثبت نام در قالب سه طیف بسیار علاقه مند، علاقه مند و تا حدی چه متغیر هایی هستند. میزان تحصیلات والدین، دولتی یا خصوصی بودن موسسه قبلی و نمره معدل دوره قبلی فرد مورد توجه قرار گرفته و به عنوان متغیر مستقل مورد مطالعه قرار گرفتند. در ادامه با تعریف داده ای فرضی این مثال در نرم افزار SAS

ابتدا در محیط برنامه نویسی SAS دستور زیر را وارد می کنیم: proc freq data = "آدرس فایل داده"; tables apply; tables pared; tables public; run;

با این دستور می توان آماره توصیفی داده های وارد شده را مشاهده نمود. به عنوان مثال 220 نفر از افراد مورد مطالعه علاقه تا حدی داشته و 40 نفر بسیار مشتاق بوده اند. 337 نفر تحصیلات والدینشان غیر مرتبط با رشته فرد متقاضی و 63 نفر تحصیلات والدینشان مرتبط بوده است. 343 نفر قبلا در موسسه دولتی و 57 نفر در موسسه خصوصی دوره قبلی خود را طی کرده اند.

The FREQ Procedure Cumulative Cumulative APPLY Frequency Percent Frequency Percent ---------------------------------------------------------- 0 220 55.00 220 55.00 1 140 35.00 360 90.00 2 40 10.00 400 100.00 Cumulative Cumulative PARED Frequency Percent Frequency Percent ---------------------------------------------------------- 0 337 84.25 337 84.25 1 63 15.75 400 100.00 Cumulative Cumulative PUBLIC Frequency Percent Frequency Percent ----------------------------------------------------------- 0 343 85.75 343 85.75 1 57 14.25 400 100.00 در صورتیکه بخواهیم میانگین متغیر ها را نیز داشته باشیم دستور زیر را وارد می کنیم. proc means data = " آدرس فایل داده"; var gpa; run; نکته اصلی اینجا است که اجرای این مدل نیازمند این است که در هر سلول حداقل تعدادی از افراد قرار گیرند. به این منظور از دستور زیر استفاده می شود. proc freq data = " آدرس فایل داده "; tables apply*pared / nopercent norow nocol missprint; tables apply*public / nopercent norow nocol missprint; run; اگر در خروجی سلولی خالی نبوده و یا مقدار آن کوچک نباشد می توان این روش را اجر نمود. دستور اصلی برای اجرای این برنامه به شرح زیر است: proc logistic data = " آدرس فایل داده" desc; model نام متغیر وابسته= نام های متغیر های مستقل با یک فاصله بین; run; خروجی نرم افزار به شرح زیر خواهد بود: The LOGISTIC Procedure Number of Observations Read 400 Number of Observations Used 400 Response Profile Ordered Total Value APPLY Frequency 1 2 40 2 1 140 3 0 220 Score Test for the Proportional Odds Assumption Chi-Square DF Pr > ChiSq 4.8446 3 0.1835 Model Fit Statistics Intercept Intercept and Criterion Only Covariates AIC 745.205 727.025 SC 753.188 746.982 -2 Log L 741.205 717.025

جهت مقایسه بین مدل های مختلف این آماره ها مورد استفاده قرار می گیرند. به عبارت دیگر مقادیر این آماره ها در تست بین مدل ها و کارایی انها مورد استفاده قرار می گیرد.

Testing Global Null Hypothesis: BETA=0 Test Chi-Square DF Pr > ChiSq Likelihood Ratio 24.1804 3 <.0001 Score 23.4804 3 <.0001 Wald 24.3337 3 ChiSq Intercept 2 1 -4.2983 0.8092 28.2189 <.0001 Intercept 1 1 -2.2029 0.7844 7.8869 0.0050 PARED 1 1.0478 0.2684 15.2350 نرم افزار SAS بود.