TP SAS 6 : Régression logistique binomiale - Lsta

Régression logistique de Satellite01 par le poids et la couleur
13. Définir formellement le modèle de régression logistique qui explique la présence d’un satellite
par les variables poids et dark.
14. Utilisez le code ci-dessous pour ajuster ce modèle de régression logistique sur les données. Y-at-il
un ≪ effet carapace foncée ≫ Comparez graphiquement les probabilités a posteriori pour les
carapaces foncées et claires.
proc logistic data = RegLog.Limule plots(only) = (roc oddsratio effect);
title ’Régression logistique avec poids et dark’;
class dark;
model satellite01(event = ’1’ ) = poids dark / expb ctable pprob= 0.5;
oddsratio dark;
oddsratio poids;
run;
Régression logistique et sélection de variable
15. Discutez les sorties fournies par la code ci-dessous :
proc logistic data = RegLog.Limule plots(only) = (roc oddsratio effect);
title ’Régression logistique avec les quatre variables’;
class epine dark;
model satellite01 = poids largeur epine dark / ctable pprob= 0.5;
oddsratio dark;
oddsratio poids;
oddsratio largeur;
oddsratio epine;
effectplot slicefit(sliceby=epine plotby=dark);
run;
16. Effectuez une sélection de variable par un algorithme backward pour identifier un modèle de
régression logistique parcimonieux en utilisant l’option selection = stepwise dans l’instruction
model :
proc logistic data = RegLog.Limule plots(only) = (roc oddsratio effect);
title ’Régression logistique et sélection de variable’;
class epine dark;
model satellite01 = poids largeur epine dark / ctable pprob= 0.5
selection = backward ;
run;
4