GLM von JMP, GenReg von JMP Pro und SAS Proc GLMEinige von Ihnen haben mich nach GLMP von JMP, GenReg von JMP Pro und SAS Proc GLM gefragt. Damit mehr SEs die Bedürfnisse Ihrer Kunden besser einschätzen können, teile ich meine Antworten mit.
JMPs GLM gibt es schon seit vielen Jahren. Bevor GenReg hinzugefügt wurde, war GLM die einzige Modellierungspersönlichkeit, die das Anpassen von auf Poisson-Verteilung basierenden Zähldatenmodellen (z. B. Anzahl der Fehler) unterstützt. Wenn Sie ein Probit-Modell anstelle eines logistischen Regressionsmodells anpassen möchten, ist GLM der richtige Ort für Sie. Weitere wichtige Optionen, die nur in GLM verfügbar sind, sind die Firth-angepassten Schätzungen und Überdispersions-Tests. Weitere Informationen zu den Firth-Schätzwerten bei der Modellierung seltener Ereignisse finden Sie in diesem Blogbeitrag https://statisticalhorizons.com/logistic-regression-for-rare-events . Der Autor, Prof. Paul Allison hat mehrere weithin beliebte SAS-Bücher geschrieben, darunter Logistische Regression mit SAS .
Heute können Sie mit GenReg Zähldatenmodelle sowie viele andere nicht normalverteilungsbasierte Modelle anpassen. GenReg bietet auch viele äußerst nützliche Methoden zur Auswahl von Variablen. Wenn jedoch jemand Firth-Bias-Anpassungen oder Probit-Modelle wünscht, ist GLM der richtige Ort für Sie.
SAS PROC GLM unterscheidet sich stark von JMPs GLM oder JMP Pro GenReg. Es passt nur kontinuierliche Antwortvariablen. Und es bietet keine variablen Auswahlmöglichkeiten wie LASSO usw. Eine relativ neue SAS-Prozedur namens Proc GLMSELECT führt eine Variablenauswahl aus. In der Abbildung unten sind die wichtigsten Funktionen von Proc GLM aufgeführt:
