FAQ SASConsultez toutes les FAQ

Ce n'est pas prévu dans la procédure GLM. La solution consiste à passer par la procédure MIXED, avec une instruction MAKE.

Il suffit d'utiliser l'option 'hovtest' dans l'instruction 'means' : MEANS effects / HOVTEST; Plusieurs tests sont disponibles : Keyword = Bartlett, BF, Levene, Obrien. Par défaut, c'est le test de Levene qui est effectué.

Les procédures suivantes GLM, MIXED et VARCOMP réalisent des comparaisons multiples, toutefois elles sont optimisées pour les caractéristiques suivantes :

• GLM : cas des effets majoritairement fixes ;
• MIXED : combinaison d'effets fixes et aléatoires ;
• VARCOMP : cas des effets majoritairement aléatoires.
  

Il existe deux différences majeures entre les procédures MIXED et GLM :

• MIXED propose uniquement des tests pour les effets fixes qui sont basés sur l'erreur de type 3, tandis que GLM offre des tests basés sur les erreurs de type 1,2, 3 et 4 ;
• GLM utilise la méthode des moments pour estimer les composantes de la variance tandis que MIXED utilise le maximum de vraisemblance.
  

Par défaut dans la procédure MIXED, le nombre maximum d'itérations est de 150. L'option MAXFUNC permet à partir de la version 6.08 d'augmenter ce nombre d'itérations.

L'instruction PARMS permet quant à elle de changer la valeur initiale des estimateurs des paramètres à évaluer. Enfin, l'option METHOD paramètre le type de méthode de lissage à utiliser.

Il existe dans le Système SAS® deux procédures qui permettent de reconnaître l'hétéroscédasticité du signal :

• MODEL module SAS/ETS®
  

• REG module SAS/STAT®.
  

Il n'existe pas comme dans la procédure REG d'option offrant la possibilité d'obtenir une estimation directe d'intervalle de confiance sur les valeurs individuelles de la table SAS d'entrée.

Pour les procédures MIXED et GLM, il faut passer par l'option SOLUTION qui donne l'estimation des paramètres du modèle linéaire ajusté ainsi que la précision associée. Ensuite, il ne reste plus qu'à calculer la valeur estimée pour chacune des données d'entrée ainsi que l'intervalle de confiance associé.

Ces deux options calculent des intervalles de confiance de valeurs prédites moyennes et non pas de valeurs prédites individuelles. L'option PREDMEANS calcule des intervalles de confiance sans tenir compte des effets aléatoires tandis que l'option PREDICTED permet de tenir compte des effets aléatoires définis dans l'instruction RANDOM.

L'option PREDMEANS ne présente donc un intérêt uniquement si vous avez un effet aléatoire dans le modèle ajusté. Elle permet ainsi la comparaison avec et sans effet aléatoire.

S'ils sont nuls, c'est que l'on est en présence d'une matrice XX' singulière. Cela ne signifie nullement que l'estimation est mauvaise mais simplement qu'il existe une infinité de solutions au modèle à ajuster. Alors, afin de fournir au moins une solution parmi toutes celles possibles, la procédure ajoute une condition supplémentaire lors de la résolution du problème inverse. À savoir, elle impose la nullité de la dernière modalité de chaque variable.

Il n'y a pas d'options permettant de modifier le nombre de décimales des résultats.

Cependant, un contournement existe. Il s'agit de sauvegarder les résultats dans une table SAS, grâce à l'ODS OUTPUT, et d'appliquer ensuite le format à la variable concernée, comme dans l'exemple ci-dessous :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
Data Neural; 
input Treat $ Sex $ Age Dur Pain $ @@; 
datalines; 
P F 68 1 No B M 74 16 No P F 67 30 No 
P M 66 26 Yes B F 67 28 No B F 77 16 No 
A F 71 12 No B F 72 50 No B F 76 9 Yes 
A M 71 17 Yes A F 63 27 No A F 69 18 Yes 
B F 66 12 No A M 62 42 No P F 64 1 Yes 
A F 64 17 No P M 74 4 No A F 72 25 No 
P M 70 1 Yes B M 66 19 No B M 59 29 No 
A F 64 30 No A M 70 28 No A M 69 1 No 
B F 78 1 No P M 83 1 Yes B F 69 42 No 
B M 75 30 Yes P M 77 29 Yes P F 79 20 Yes 
A M 70 12 No A F 69 12 No B F 65 14 No 
B M 70 1 No B M 67 23 No A M 76 25 Yes 
P M 78 12 Yes B M 77 1 Yes B F 69 24 No 
P M 66 4 Yes P F 65 29 No P M 60 26 Yes 
A M 78 15 Yes B M 75 21 Yes A F 67 11 No 
P F 72 27 No P F 70 13 Yes A M 75 6 Yes 
B F 65 7 No P F 68 27 Yes P M 68 11 Yes 
P M 67 17 Yes B M 70 22 No A M 65 15 No 
P F 67 1 Yes A M 67 10 No P F 72 11 Yes 
A F 74 1 No B M 80 21 Yes A F 69 3 No 
; 
  
ods output parameterestimates=parms; /* création de la table parms */ 
  
proc genmod data=Neural; 
  class Treat Sex; 
  model Pain= Treat Sex Treat*Sex Age Dur/d=bin link=logit; 
run; 
  
data parms; 
 set parms; 
 format estimate 12.6; /* application d'un format */ 
run; 
  
proc print; 
run;

Le R² ajusté n'est pas fourni en standard.
Vous pouvez l'obtenir, à partir des résultats de la procédure GLM en utilisant l'ODS et une étape data comme dans l'exemple suivant :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
data iron; 
input fe loss @@; 
datalines; 
0.01 127.6 0.48 124.0 0.71 110.8 0.95 103.9 
1.19 101.5 0.01 130.1 0.48 122.0 1.44 92.3 
0.71 113.1 1.96 83.7 0.01 128.0 1.44 91.4 
1.96 86.2 
; 
  
ods output fitstatistics=fit_ds(keep=dependent rsquare) /*création de la table fit_ds */ 
     overallanova=anova(where=(source='Model')) /* création de la table anova */ 
     nobs=nobs(keep=nvalue1); /* création de la table nobs */ 
  
proc glm data=iron; 
 model loss=fe; 
run; 
  
data rsq; 
 merge fit_ds anova nobs; 
 m=df+1; 
 adj_rsq=1-(1-rsquare)*((nvalue1-1)/(nvalue1-m)); /* calcul du R2 ajusté */ 
 keep dependent rsquare adj_rsq; 
proc print; 
run;