Proc logistic : calcul des effets marginaux [Résolu]

[Felizzy]

Bonjour,

J'ai réalisé une régression logistique polytomique ordonnée sur SAS à partir de la PROC LOGISTIC.

En fait, j'ai deux questions :
1. Le test de l'égalité des pentes. Selon mes sources d'informations, le sens donné au test n'est pas le même... Pour que les pentes soient considérées égales, le test doit-il être significatif sur SAS ou pas? (d'après moi, non... mais je commence à en douter...). Le sauriez-vous?

2. Dans le tableau qui présentera les résultats trouvés, je souhaite insérer les betas et les résultats des tests de significativité. On m'a conseillé de rajouter les effets marginaux (moyens).
Le problème : je ne sais pas comment m'y prendre. Existe-t-il un moyen de calculer les effets marginaux par individu à travers la PROC LOGISTIC (à partir d'un OUTPUT OUT) puis passer par une PROC MEANS? Ou une autre solution?
A moins que le calcul des effets marginaux soient au final une mauvaise idée...

En vous remerciant par avance de vos réponses,
Claudine

[olivier.decourt]

Bonjour.
Test d'égalité des pentes : H0 = les pentes sont égales. Donc p-value élevée = hypothèse non rejetée et régression polytomique ordonnée valable. Sinon, l'ordre des modalités ne peut être exploité pour simplifier le modèle.
Attention, comme toujours avec les tests, de forts effectifs font baisser mécaniquement les p-values. On peut donc considérer en général avec p>0.15 qu'on a égalité des pentes et un modèle crédible.

"Effets marginaux" : je ne sais pas bien de quoi on parle. Mais au hasard, avec les éléments que tu fournis, je pencherais pour des LSMEANS dans la proc GENMOD.

Bon courage.
Olivier

PS : ce topic aurait été plus à sa place dans le forum SAS/STAT que dans SAS/BASE.

[Felizzy]

Bonjour,
Merci pour votre réponse.

1. Pour le test de l'égalité des pentes. Je travaille sur un échantillon de 5337 personnes. Ma p-value est proche de 0 ; donc je rejette H0. Mes craintes sont donc fondées ; ma variable-réponse n'est pas considérée comme étant ordonnée.
En fait, cela me questionne un peu car à la base, ma variable-réponse est une variable quantitative (nb de déplacements) que j'ai transformée en variable qualitative (type de voyageurs selon le nb de déplacements => 5 classes de "non partant" à "très grand voyageur"). Donc je n'arrive pas à saisir pourquoi H0 est rejetée.
Du coup, je vais essayer une régression de poisson (en travaillant donc à partir de ma variable initiale : le nb de déplacements) ou sinon opter pour une régression logistique pour variable réponse nominale.

2. Concernant les effets marginaux. Il ne s'agit que de pouvoir quantifier comment les variables explicatives affectent la variable-réponse. Je n'ai pas encore essayé ce que vous m'avez indiqué. A faire...

En tout cas merci pour les détails donnés,
Claudine

[MEGAMIND2]

Bonjour,
SAS fournit en sortie les odds-ratio qui represente l'effet de variation des variables explicatives sur la réponse.

[Manoutz]

Je pencherais en effet vers une régression de poisson qui convient bien pour modéliser une variable de comptage (idéalement, les comptages doivent être faible).

La proc genmod convient très bien à ce contexte.

[olivier.decourt]

Attention Claudine.
Si l'hypothèse des pentes proportionnelles est rejetée, ça ne veut pas dire que la variable Y n'est pas considérée comme ordonnée. Ca veut juste dire qu'on ne peut pas utiliser son ordre comme un facteur de simplification du modèle, parce qu'au moins une des variables explicatives du modèle a une influence différente selon le niveau considéré.
La volumétrie peut expliquer une partie de la p-value. La complexité du modèle est une autre source de soucis : plus il y a de coefficients dans le modèle, plus H0 est une hypothèse lourde et difficile à satisfaire. Idem avec le nombre de niveaux de Y.

Alternatives : modéliser Y comme non ordinale, regrouper les niveaux de Y, simplifier le modèle, ou modéliser Y comme un comptage sans faire de tranches, comme le suggère Manoutz.

[Felizzy]

Effectivement, les variables explicatives que j'intègre dans le modèle sont nombreuses : quelques variables socio-démographiques auxquelles je rajoute des variables concernant le lieu de résidence et des variables comportementales. Je vais simplifier le modèle (surtout que certaines variables sont corrélées entre elles). Je trouve l'arbitrage difficile entre un modèle complet, le nb de variables, l'ajustement...

Je vais, finalement, faire à la fois une régression logistique en simplifiant le modèle et une régression de poisson. Cela me permettra de comparer les résultats.

... je comprends mieux pourquoi lorsque je lançais la PROC LOGISTIC avec l'option FORWARD, au fur et à mesure, que la procédure progressait incluant de nouvelles variables, la p-value se rapprochait de 0. Merci Olivier!

En tout cas, merci pour vos réponses,
et bonne après-midi,
Claudine

[Manoutz]

okay.

Pour info, de la doc sas sur la régression de poisson. Convient parfaitement pour les variable de comptage

http://beta.kalidao.com/clientzone/l...%20Poisson.pdf

[Felizzy]

Merci pour le doc!