温馨提示！由于新浪微博认证机制调整，您的新浪微博帐号绑定已过期，请重新绑定！&&|&&
LOFTER精选
网易考拉推荐
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
阅读(613)|
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
历史上的今天
在LOFTER的更多文章
loftPermalink:'',
id:'fks_',
blogTitle:'简单线性回归与SAS应用1',
blogAbstract:'线性回归分析是统计学和计量经济学中最简单也是最常用的一种方法，在这里就通过举例来简单介绍一下如何用SAS来编程实现简单的线性回归分析，至于SAS菜单操作的实现方法，这里就不做介绍。\r\n例：给出了中国名义GDP的季度数据(9.2)。\r\n&& 估计回归模型：GDP=b0+b1*t（其中t是各季度转化为时间序列后的数据）\r\n&&& 数据：\r\n&\r\n\r\n\r\n\r\n\r\n \r\n',
blogTag:'',
blogUrl:'blog/static/',
isPublished:1,
istop:false,
modifyTime:0,
publishTime:6,
permalink:'blog/static/',
commentCount:0,
mainCommentCount:0,
recommendCount:0,
bsrk:-100,
publisherId:0,
recomBlogHome:false,
currentRecomBlog:false,
attachmentsFileIds:[],
groupInfo:{},
friendstatus:'none',
followstatus:'unFollow',
pubSucc:'',
visitorProvince:'',
visitorCity:'',
visitorNewUser:false,
postAddInfo:{},
mset:'000',
remindgoodnightblog:false,
isBlackVisitor:false,
isShowYodaoAd:false,
hostIntro:'',
hmcon:'0',
selfRecomBlogCount:'0',
lofter_single:''
{list a as x}
{if x.moveFrom=='wap'}
{elseif x.moveFrom=='iphone'}
{elseif x.moveFrom=='android'}
{elseif x.moveFrom=='mobile'}
${a.selfIntro|escape}{if great260}${suplement}{/if}
{list a as x}
推荐过这篇日志的人：
{list a as x}
{if !!b&&b.length>0}
他们还推荐了：
{list b as y}
转载记录：
{list d as x}
{list a as x}
{list a as x}
{list a as x}
{list a as x}
{if x_index>4}{break}{/if}
${fn2(x.publishTime,'yyyy-MM-dd HH:mm:ss')}
{list a as x}
{if !!(blogDetail.preBlogPermalink)}
{if !!(blogDetail.nextBlogPermalink)}
{list a as x}
{if defined('newslist')&&newslist.length>0}
{list newslist as x}
{if x_index>7}{break}{/if}
{list a as x}
{var first_option =}
{list x.voteDetailList as voteToOption}
{if voteToOption==1}
{if first_option==false},{/if}&&“${b[voteToOption_index]}”&&
{if (x.role!="-1") },“我是${c[x.role]}”&&{/if}
&&&&&&&&${fn1(x.voteTime)}
{if x.userName==''}{/if}
网易公司版权所有&&
{list x.l as y}
{if defined('wl')}
{list wl as x}{/list}苹果/安卓/wp
积分 19, 距离下一级还需 5 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 wanghaidong918 于
00:53 编辑
我想建一个逐步回归与非线性回归怎么编程
方程大概是：
bd=a0+a1*Exp(a2*dbh)+a3*h+a4*Log10(dinc)+a5*t
bd=a0+a1*dbh+a2*h+a3*dinc+a4*t+b1*Exp(c1*dbh)+b2*Exp(c2*h)+b3*Exp(c3*dinc)+b4*Exp(c4*t)+d1*lg(e1*dbh)+d2*lg(e2*h)+d3*lg(e3*dinc)+d4*lg(e4*t)
哪位朋友能告诉怎么弄啊？谢谢！
载入中......
proc nlin data=
model bd=a0+a1*dbh+a2*h+a3*dinc+a4*t+b1*Exp(c1*dbh)
& && && &+b2*Exp(c2*h)+b3*Exp(c3*dinc)+b4*Exp(c4*t)
& && && &+d1*lg(e1*dbh)+d2*lg(e2*h)+d3*lg(e3*dinc)+d4*lg(e4*t);
parameters ……………………………………；
复制代码
省略号表示参数，根据需要自己设定初始值
自助者，天助之！
guo.bailing
怎么快！谢谢！太感谢了！
逐步回归proc reg data=
model bd=a0+a1*Exp(a2*dbh)+a3*h+a4*Log10(dinc)+a5*t/
& && &selection=
复制代码
自助者，天助之！
guo.bailing
老师，方程里的变量不是都要的，我想像用逐步回归那样把不好的变量淘汰掉，但是还有变量大多都是非线性的，老师那怎么弄啊？
guo.bailing
老师，我刚看见，我这还没算出来，您能加我qq么我还这还有点不明白？qq： 麻烦你了老师！
bd=a0+a1*Exp(a2*dbh)+a3*h+a4*Log10(dinc)+a5*t
这个方程你是怎么推出来的？
初级热心勋章
初级热心勋章
中级热心勋章
中级热心勋章
初级信用勋章
初级信用勋章
初级学术勋章
初级学术勋章
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师京 东 价：
[定价：￥]
PLUS会员专享价
支　　持：
重　　量：
搭配赠品：
服务支持：
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
统计分析教材：非线性回归分析与SAS智能化实现
商品介绍加载中...
扫一扫，精彩好书免费看
京东商城向您保证所售商品均为正品行货，京东自营商品开具机打发票或电子发票。
凭质保证书及京东商城发票，可享受全国联保服务（奢侈品、钟表除外；奢侈品、钟表由京东联系保修，享受法定三包售后服务），与您亲临商场选购的商品享受相同的质量保证。京东商城还为您提供具有竞争力的商品价格和，请您放心购买！
注：因厂家会在没有任何提前通知的情况下更改产品包装、产地或者一些附件，本司不能确保客户收到的货物与商城图片、产地、附件说明完全一致。只能确保为原厂正货！并且保证与当时市场上同样主流新品一致。若本商城没有及时更新，请大家谅解！
权利声明：京东上的所有商品信息、客户评价、商品咨询、网友讨论等内容，是京东重要的经营资源，未经许可，禁止非法转载使用。
注：本站商品信息均来自于合作方，其真实性、准确性和合法性由信息拥有者（合作方）负责。本站不提供任何保证，并不承担任何法律责任。
印刷版次不同，印刷时间和版次以实物为准。
价格说明：
京东价：京东价为商品的销售价，是您最终决定是否购买商品的依据。
划线价：商品展示的划横线价格为参考价，该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品在京东平台上曾经展示过的销售价；由于地区、时间的差异性和市场行情波动，品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：如无特殊说明，折扣指销售商在原价、或划线价（如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价）等某一价格基础上计算出的优惠比例或优惠金额；如有疑问，您可在购买前联系销售商进行咨询。
异常问题：商品促销信息以商品详情页“促销”栏中的信息为准；商品的具体售价以订单结算页价格为准；如您发现活动商品售价或促销信息有异常，建议购买前先联系销售商咨询。
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
浏览了该商品的用户还浏览了
加载中，请稍候...
七日畅销榜
新书热卖榜
iframe(src='///ns.html?id=GTM-T947SH', height='0', width='0', style='display: visibility:')关注今日：2 | 主题：88453
微信扫一扫
扫一扫，下载丁香园 App
即送15丁当
[求助]如何用SAS进行多元非线性回归
页码直达：
这个帖子发布于13年零16天前，其中的信息可能已发生改变或有所发展。
由于课题需要，需对星点设计（central
design）的结果进行分析，最常用的软件是Stastistica和SAS，以Stastistica最佳。但目前手上只有SAS8.0， 由于以前没有使用过这个功能，望各位能赐教！主要希望能用SAS作如下统计：
80.970.081
82.370.029
89.250.081
81.780.029
78.880.081
89.730.029
84.570.081
70.910.055
77.590.055
74.420.055
86.590.055
75.840.055
78.170.055
77.330.055
76.490.055
72.480.055
81.930.055
76.63希望能用SAS进行多元非线性回归，用二项式：Y=b0+b1X1+b2X2+b3X3+b4X1^2+b5X2^2+b6X3^2+b7X1X2+b8X1X3+b9X2X3进行拟合。
不知道邀请谁？试试他们
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
用PROC RSREG比较适合，model y=x1 x2 x3;结果见附件。
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
fyzzz edited on
谢谢fyzzz战友的热情相助，但还有一些问题我不太明白，希望能解答！1.
拟合的二项式中的9个系数b0-b9是否就是Estimate项下的那些数（60.437337....317.250413）？ 2.
通过t检验在P小于0.05水平上拒绝某些系数，有时为了防止意外丢失某些项，可与p小于0.1或更高水平拒绝某些系数。删除这些项后，再进行非线性估计，可达到模型简化的目的。请问如何在拒绝这些系数后再拟合？
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
皮皮 谢谢fyzzz战友的热情相助，但还有一些问题我不太明白，希望能解答！1.
拟合的二项式中的9个系数b0-b9是否就是Estimate项下的那些数（60.437337....317.250413）？ 是的。同一部分输出的最后一列 “Parameter estimate from coded data” 指的是根据转换后的数据（转换成从 -1 到 1 的数据）进行拟合而得到的参数估计。2.
通过t检验在P小于0.05水平上拒绝某些系数，有时为了防止意外丢失某些项，可与p小于0.1或更高水平拒绝某些系数。删除这些项后，再进行非线性估计，可达到模型简化的目的。请问如何在拒绝这些系数后再拟合？从拟合优度看来，似乎没有必要剔除变量，因为数据拟合的较好。当然您也可以剔除x1,x2,x3中的一个（有时候要结合实际情况），再行拟合，看拟合优度如何。拟合优度检验用model后面的lackfit选项。注意，这个曲面是马鞍形的。可以用ridge analysis 看一下可能的最优条件组合。程序如下：model y = x1 x2 x3/
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
再次感谢fyzzz战友，另再次请教！1.
从拟合优度看来，似乎没有必要剔除变量，因为数据拟合的较好。
R-Square这一数值能否说明拟合的好坏，和拟合优度有什么区别？2.
当然您也可以剔除x1,x2,x3中的一个（有时候要结合实际情况），再行拟合，看拟合优度如何。
如果某些项不符合要求，在剔除这些项以后，如何再进行拟合？3.
注意，这个曲面是马鞍形的。可以用ridge analysis 看一下可能的最优条件组合。
ridge analysis这一程序如何操作？4.
可否用SAS程序画出下面的这种三维曲面图？
望再次指点！
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
皮皮 再次感谢fyzzz战友，另再次请教！R-Square这一数值能否说明拟合的好坏，和拟合优度有什么区别？这里的R-sq和直线回归中的一个意思。在直线回归中R-sq可以部分说明数据拟合的好坏。但单用R-sq作为拟合优度的判定是不够的。这里的lackfit检验是通过将残差分为 “纯“随机误差 和 “偏移”误差 来确定拟合优度的。 “偏移”误差过大，则数据拟合就不理想。2.
如果某些项不符合要求，在剔除这些项以后，如何再进行拟合？在RSREG中作不到只去除某些特殊项（比方：交叉项x1x2）而不动及 X1 或者 X2 在模型中的单独存在。您要么剔除某一项（如X1），则与其相关的项（X1X2，X1X3，和X1^2）都全部从模型中剔除。要么就不动。当然，您可以尝试其他模型（如用SAS中的PROC NLIN，PROC GLM），选用需要的项，进行拟合。然后比较不同模型拟合数据的好坏，决定取舍。3.
ridge analysis这一程序如何操作？和您要得到的结果有关。ridge后面的选项有：max，min等等。max求最大反应，min求最小反应。具体参考SAS帮助文件吧。4.
可否用SAS程序画出下面的这种三维曲面图？
如果你不想写程序(比较麻烦)的话，可以尝试用SAS/insight 或者SAS/QC中的ADX菜单去作这个三维图。
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
fyzzz edited on
不好意思，今天刚从深圳回来，未及时回复。再次表示感谢！
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
关于丁香园