GLM de JMP, GenReg de JMP Pro et SAS Proc GLMCertains d'entre vous m'ont posé des questions sur GLM de JMP, GenReg de JMP Pro et SAS Proc GLM. Pour aider davantage de PME à mieux évaluer les besoins de vos clients, je partage mes réponses.
Le GLM de JMP existe depuis de nombreuses années. Avant l’ajout de GenReg, GLM était la seule personnalité de modélisation prenant en charge l’adaptation de modèles de données de comptage basés sur une distribution de Poisson (nombre de défauts, par exemple). En outre, si vous souhaitez adapter un modèle Probit à un modèle de régression logistique, GLM est la solution. Les autres options importantes qui ne sont encore disponibles que dans GLM sont les estimations corrigées du biais de Firth et les tests de dispersion excessive. Pour en savoir plus sur les estimations corrigées du biais de Firth dans la modélisation d'événements rares, veuillez consulter ce blog. https://statisticalhorizons.com/logistic-regression-for-rare-events . L'auteur, Prof. Paul Allison, a écrit plusieurs livres SAS très populaires, notamment Régression logistique à l'aide de SAS .
Aujourd'hui, vous pouvez ajuster des modèles de données de comptage ainsi que de nombreux autres modèles basés sur une distribution non normale à l'aide de GenReg. GenReg fournit également de nombreuses méthodes de sélection de variables extrêmement utiles. Cependant, si quelqu'un souhaite des ajustements de biais de Firth ou des modèles Probit, GLM est l'endroit où aller.
SAS PROC GLM est très différent de GLM de JMP ou de JMP Pro GenReg. Il s’adapte uniquement aux variables de réponse continue. Et il ne fournit pas d’options de sélection variables comme LASSO, etc. Une procédure SAS relativement nouvelle, appelée Proc GLMSELECT, effectue des sélections de variables. La capture d'écran ci-dessous répertorie les fonctionnalités clés de Proc GLM:
