Forum du club des d�veloppeurs et IT Pro - Blogs - Haache

MACRO MORANTEST : Test d'autocorr�lation spatiale de Moran et de Geary sous SAS

Haache — Thu, 28 Jul 2016 18:02:24 GMT

Bonjour chers programmeurs.
Je vous propose dans ce blog une macro que je nomme morantest. Cette macro effectue les deux tests d'autocorr�lation spatiale les plus connus, notamment le test de Moran (1950) et celui de Geary (1954). Une th�orie sur ces tests est disponible ici ou ici.
La macro prend trois param�tres : Data o� on renseigne la table des donn�es, Var o� on indique le variable dont l'autocorr�lation spatiale sera test�e et Poids o� on indique la matrice de poids (une matrice carr�e qui mesure la proximit� entre les points, �a peut �tre une matrice de contigu�t� ou de distance). Voici le code de la macro :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
%macro MoranTest(Data= ,Var= , Poids=)/STORE Des="Tests pour d�tecter une autocorr�lation spatiale";options nonotes;
ods exclude all;
proc iml;
Title "Tests d'autocorr�lation spatiale de MORAN et de GEARY";
/******************************************* Lecture des donn�es dans une matrice******************************************************************/
use &Data; read all var {&Var} into Y;
/*****************************************Matrice de poids dans le m�me ordre que les Id**********************************************************/
use &Poids; read all into W;
/*Standardiser les lignes*/
W_row=W[,+];
do j=1 to nrow(W_row);
if W_row[j,1]=0 then W_row[j,1]=1;
end;
W=W/W_row;
 
 
N=nrow(Y);
Wcol=W[+,];
Wrow=W[,+];
K=(sum((Y-mean(Y))##4)/N)/((sum((Y-mean(Y))##2))/N)**2;
/******************************************* Calcul de la statistique*******************************************************************/
MORAN=(t(Y-mean(Y)) * W * (Y-mean(Y)))/(t((Y-mean(Y))) * (Y-mean(Y))); 
EMORAN=-1/(N-1);   /*Esp�rance de moran*/
S0=sum(W);
*S1=0.5*sum((W+t(W))##2);
S1=sum(W#W+W#t(W));
S2=sum((Wcol+t(Wrow))##2);
/*VMORAN=(N**2*S1-N*S2+3*S0**2)/((N-1)*(N+1)*S0**2)-(1/(N-1))**2; /*Variance de moran*/
VMORAN=(((N*((N**2-3*N+3)*S1-3*S2+3*S0**2))-(K*((N**2-3)*S1-2*N*S2+6*S0**2))))/((N-1)*(N-2)*(N-3)*S0**2)-EMORAN**2;
SMORAN=(VMORAN)**0.5;
RESULTAT=MORAN||EMORAN||VMORAN;
NAME={"Statistique","Esp�rance","Variance"};
OUT= nrow(Y);
OUTCN={"Nombre d'observations"};
OUT1={&VAR};
options notes;
ods select all;
print OUT1[label=" " colname={"Variable"}] OUT[label=" " colname=OUTCN] ;
print RESULTAT[label="Indice de Moran" colname=NAME  rowname=" "];
options nonotes;
ods exclude all;
MORANST=(MORAN-EMORAN)/SMORAN;
PROB1=CDF("normal",MORANST,0,1);   /*unilat�rale � gauche*/
PROB2=1-CDF("normal",MORANST,0,1);   /*unilat�rale � droite*/
PROB3=2-2*CDF("normal",abs(MORANST),0,1);   /*bilat�rale*/
RESULTAT=MORANST || PROB1 || PROB2 ||PROB3;
NAME={"Statistique standardis�e", "Prob unilat�rale � gauche H1: I<0", "Prob unilat�rale � droite H1: I>0", "Prob bilat�ral: Alternative g�n�rale"};
options notes;
ods select all;
print RESULTAT[label="Test de Moran" colname=NAME rowname=" " format=10.5];
options nonotes;
ods exclude all;
/********************************************************************GEARY INDEX*****************************************************/
Y2=Y##2;
Wcol=W[+,];
GEARY=(N-1)*(sum(Y2)-2*t(Y)*W*Y+Wcol*Y2)/(2*S0*sum((Y-mean(Y))##2));
EGEARY=1;
/*VGEARY=( (2*S1+S2) * (N-1) -4*S2 )/( 2*(N+1)*S0 );*/
/*VGEARY=S0/(2*S1+S2);*/
VGEARY=(((N-1)*S1*(N**2-3*N+3-(N-1)*K))-(0.25*((N-1)*S2*(N**2+3*N-6-(N**2-N+2)*K)))+(S0**2*(N**2-3-(N-1)**2*K)))/(N*(N-2)*(N-3)*S0**2);
SGEARY=VGEARY**0.5;
RESULTAT=GEARY||EGEARY||VGEARY;
NAME={"Statistique","Esp�rance","Variance"};
options notes;
ods select all;
print RESULTAT[label="Indice de Geary" colname=NAME  rowname=""];
options nonotes;
ods exclude all;
GEARYST=(GEARY-EGEARY)/SGEARY;
PROB1=CDF("normal",GEARYST,0,1);   /*unilat�rale � gauche*/
PROB2=1-CDF("normal",GEARYST,0,1);   /*unilat�rale � droite*/
PROB3=2-2*CDF("normal",abs(GEARYST),0,1);   /*bilat�rale*/
RESULTAT=GEARYST || PROB1 || PROB2 ||PROB3;
NAME={"Statistique standardis�e", "Prob unilat�rale � gauche H1: G<1", "Prob unilat�rale � droite H1: G>1", "Prob bilat�ral: Alternative g�n�rale"};
options notes;
ods select all;
print RESULTAT[label="Test de Geary" colname=NAME rowname=" " format=10.5];
quit;
title " ";
%put ***************************************************************************************;
%put *              MERCI D AVOIR UTILISE LES MACROS "REGRESSIONS SPATIALES"               *;                                                      
%put *                          DE Elys�e Aristide HOUNDETOUNGAN                           *;  
%put *                          Courriel :  ariel92and@gmail.com                           *; 
%put *                  N h�sitez pas � envoyer un mail en cas de besoin                   *; 
%put ***************************************************************************************;
 
 
%mend;

Comme exercice, supposons que nous disposons de la base de donn�es ci-contre : Pi�ce jointe 216684
Si vous d�compressez ce fichier, vous y trouverez deux bases SAS nomm�es Base et matrice. Base contient les donn�es sur les pays de l'Afrique d�crits par 5 variables : une variable pays qui indique le libell� du pays, l'identifiant des pays, le code des pays, la temp�rature moyenne et les taxes. Les donn�es sur la temp�rature et sur les taxes ne sont pas des donn�es r�elles.
Les sont simul�es de sorte que la temp�rature soit spatialement autocorr�l�e et les taxes non autocorr�l�es. Nous disposons �galement du shapefile des pays d'Afrique dans la librairie Maps de SAS (ceci vient par d�faut avec toutes les versions de SAS. La table s'appelle Maps.Africa). D�cidons d'abord de repr�senter les variables sur des cartes

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
pattern6 v=s c=green;pattern5 v=s c=cx55aa11;
pattern4 v=s c=cx229922;
pattern3 v=s c=yellow;
pattern2 v=s c=cxffaa00;
pattern1 v=s c=cxff5555;legend1 shape=bar(.15in,.15in) frame cshadow=graylabel=(position=middle height=3.5pct font="arial/bold")value=(height=3.5pct font="arial");proc gmap data=Base map=Maps.Africa;format Precipitation Taxe comma10.1;id ID;choro Temperature / coutline=cx888888 legend=legend1; choro Taxe/ coutline=cx888888 legend=legend1; run;

On soup�onne d�j� une autocorr�lation spatiale avec la temp�rature. Les valeurs les plus �lev�es sont au sud de l'Afrique. En Afrique de l'Ouest les valeurs sont plus faibles. Par ailleurs, les taxes ne r�v�lent pas une telle caract�ristiques (m�lange de valeurs; il n'y a pas a priori un ordre sur la carte). Pour en �tre s�r, nous allons utiliser notre fameuse macro pour tester l'autocorr�lation spatiale. A cette �tape nous aurons besoin de la seconde base (Matrice qui est la matrice de contigu�t�) des pays.

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
%Morantest(Data=Base, Var=Temperature, Poids=Matrice);
%Morantest(Data=Base, Var=Taxe, Poids=Matrice);

Pour la variable Taxe, ni les tests (unilat�ral � gauche, � droite et bilat�ral) de Moran et de Geary ne sont significatifs. Mais pour la variable temp�rature, le test unilat�ral � droite de Moran est significatif. Autrement dit, la temp�rature est � une autocorr�lation spatiale positive (I>0). Ce r�sultat est �galement confirm� par le test de Geary (G<1). Les pays proches ont tendance � avoir les m�mes temp�ratures.

En r�alit� la taxe peut r�v�ler une autocorr�lation spatiale locale mais pas globale. Un test d'autocorr�lation locale sera disponible dans quelques jours dans un autre blog.

Merci � tous et j'esp�re que ce blog vous a plu. N'h�sitez pas � m'�crire : ariel92and@gmail.com
Si vous �tes fans de la programmation, nous pouvons d�velopper beaucoup de macros.

D�fions nos limites et rendons tout possible avec le num�rique.

Bient�t disponible : test d'autocorr�lation spatiale locale et r�gressions spatiales avec SAS.

Imputation des donn�es manquantes par la m�thode des k voisins les plus proches

Haache — Sun, 27 Dec 2015 01:40:50 GMT

T�l�charger le fichier zipp�. Il contient les macro et un manuel d'utilisation

Fichiers attach�s

Bootstrap sur les estimateurs MCO d'un mod�le lin�aire

Haache — Sun, 27 Dec 2015 01:13:04 GMT

Nous faisons g�n�ralement r�f�rence � un �chantillon pour une analyse. Pour la plupart des cas, ces �chantillons contiennent des observations atypiques qui pourraient incliner fortement les r�sultats. Le statisticien devra rigoureusement �carter ces observations de son �tude au risque de biaiser son analyse. Ce probl�me se pose g�n�ralement en �conom�trie, o� une seule observation peut influencer significativement les coefficients estim�s. Plusieurs m�thodes existent pour contr�ler ses donn�es. Dans ce blog, nous proposons une m�thode de bootstrap sur les coefficient d'un mod�le lin�aire afin de tester la robustesse des estimateurs MCO (impl�mentation sous SAS mais si on comprend l'id�e, on peut impl�menter sous d'autres logiciels ais�ment).

L'id�e est quand m�me banale. Supposons qu'on dispose d'un �chantillon de taille n. A partir de cette population de r�f�rence, on veut estimer un mod�le lin�aire Y=a*X+u. Pour tester la robustesse de l'estimateur MCO du coefficient a, la m�thode que nous proposons est la suivante:

- Tirer un autre �chantillon de taille n1< - Reprendre le proc�d� un certain nombre de fois (tirer toujours n1 et estimer le mod�le et stocker les r�sultats).
- Comparer les diff�rentes valeurs des estimateurs

Si les estimateurs sont robustes et qu'il n'y a pas d'individus atypiques dans la base, on doit avoir sensiblement les m�mes valeurs � chaque it�ration. Pour un param�tre, les diff�rents estimateurs doivent suivre une loi normale de m�me moyenne (selon la th�orie). S�il y a une diff�rence significative entre les estimateurs c'est qu'ils ne sont pas robustes. Ce qui veut dire qu'il y a un ou des �l�ment(s) perturbateur(s) qui influence (nt) significativement les estimateurs. Raison pour laquelle les estimateurs sont perturb�s lorsque ces observations sont tir�es.

Or si les valeurs ne changent presque pas, c'est que tous les individus sont homog�nes (pas de valeurs atypiques). C'est pourquoi lorsqu'on tire un �chantillon (peu importe les observations tir�es), l'estimateur reste quasiment le m�me.

Le code suivant permet de faire cette simulation sous SAS

Code : S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
%macro iteml(Ite=100,n=30,Table=,Var=,List=,out=,Detail=0); options nonotes; ODS EXCLUDE ALL ; proc surveyselect data=&table n=&n method=srs out=test noprint; run; proc reg data=test outest=S noprint; model1: model &var=&list; run; quit; data S (drop=_DEPVAR_ _Type_ _RMSE_ &var); set S; Iteration=1; data &out; set S; run; %if &Detail=1 %then %do; proc sql; create table Detail as select 1 as Iteration, * from test; quit; %end; %if &Ite >1 %then %do; %do i=2 %to &Ite; proc surveyselect data=&table n=&n method=srs out=test noprint; run; proc reg data=test outest=S noprint; model&i: model &var=&List; run; quit; data S (drop= _DEPVAR_ _Type_ _RMSE_ &var); set S; Iteration=&i; data &out; set &out S; run; %if &Detail=1 %then %do; proc sql; create table Details as select &i as Iteration, * from test; quit; data Detail; set Detail Details; run; %end; %end; proc sql; drop Details; quit; %end; proc sql; drop table S, test; quit; options notes; ODS SELECT ALL ; %put **********************************************************************; %put * MACRO BOOTSTRAP SUR LES COEFFICIENTS D UN MODELE LINEAIRE *; %put * DEVELOPPEE PAR ELYSE ARISTIDE HOUNDETOUNGAN *; %put * ariel92and@gmail.com *; %put **********************************************************************; %mend;

Dans la variable Ite, on renseigne le nombre d�it�rations, c'est � dire le nombre de fois o� il faut tirer l'�chantillon. n est la taille de l'�chantillon � tirer. n doit �tre inf�rieur � la taille de votre �chantillon de d�part. Dans la variable table on renseigne la table qui continent les donn�es (�a peut �tre de type library.table si la table n'est pas dans la biblioth�que work). La variable Var prend le nom de la variable � mod�liser, list la liste des variables explicatives. Out prend le nom de la table sortie. Pour chaque it�ration, cette table donne les estimateurs MCO des coefficients. Detail est une variable binaire �gale � 0 ou 1. Par d�faut �gale � 0. Lorsqu'elle est �gale � 1, la macro cr�e dans la biblioth�que Work une table qui s'appelle Detail. Cette table fournit pour chaque it�ration, les individus qui sont tir�s. Cela permettra �ventuellement de d�tecter, si � une it�ration les valeurs sont tr�s diff�rents, les individus qui ont permis d'obtenir ces coefficients. Ces individus seraient atypiques car ils ont un comportement diff�rent des autres.

Dans le code suivant, on a fait 100 it�rations. Chaque fois on tire 80 individus. On r�gresse la variable Ispef sur les explicatives pibh pagr emco2 isf. Les sorties sont fournies dans la table work.sortie et les individus tir�s � chaque it�ration sont dans la table Work.Detail.

Code : S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
%iteml(Ite=100,n=80,table=local,var=ispef,list=pibh pagr emco2 isf,out=sortie,Detail=1);

Lorsqu'on compile le code, on peut d�j� utiliser la table Sortie pour tracer l'�volution des estimateurs suivant l'indice d'it�ration. On saura s'il y a un pic � une it�ration. On peut aussi faire des tests de normalit� sur la s�rie d'estimateurs pour un param�tre. Si on rejette l'hypoth�se de normalit� c'est qu'il y a un probl�me. Notre estimateur n'est donc pas convergent. Noter donc qu'on peut faire beaucoup d'analyses et de tests sur les sorties pour v�rifier la robustesse des estimateurs.

Amusez-vous bien et � tr�s bient�t pour un nouveau billet.
Vos commentaires et critiques seront les bienvenus

Test de stationnarit�: Diff�rence entre le test de Fisher et celui de student pour le choix du meilleur modele

Haache — Tue, 17 Nov 2015 01:18:59 GMT

Sas propose une proc�dure "ARIMA" pour effectuer un test de Dikey Fuller. La th�orie de ce test sugg�re d'abord de tester la pr�sence de racine unitaire pour chaque type de mod�le. Si la pr�sence de racine unitaire est rejet�e (si p.value < 5%, ou si rho diff�rent de 0) alors il faut tester la sp�cification du mod�le avant de conclure. Le probl�me dont il est question dans ce petit texte concerne la sp�cification du mod�le.

SAS ex�cute un test de Fisher pour tester la sp�cification. Or selon la th�orie il faut faire un test de Fisher lorsque la pr�sence de racine unitaire n'est pas rejet�e (p.value > 5%). Dans le cas contraire, le test convenable est en principe celui de student pour tester uniquement la significativit� de la tendance ou de la constante. Ce r�sultat n'est pas fourni par d�faut par SAS. Dans ces conditions, il est alors recommand� de construire le test avec une proc reg.

Je propose ici une macro pour impl�menter ce test. les r�sultats de cette macro, en plus de la proc arima son suffisants pour tester la stationnarit�. Pour bien comprendre la nuance entre le test de Fisher et Celui de Student dans le processus du test de stationnarit�, je vous invite � lire cette petite note en cliquant ici .

Pour ce qui concerne la macro, Data permet de renseigner la table contenant la variable, var la variable, p le nombre de retards qu'il faut prendre (� d�terminer sur le chorellogramme de la diff�rence premi�re). Pour cette derni�re variable macro, la valeur par d�faut est fix�e � 2. Si la variable macro dif=0 alors, le test est effectu� sur la variable � niveau, dif=1 veut dire qu'on veut tester le pr�sence de racine unitaire sur la variable diff�renci�e, et ainsi de suite

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
/*Test de stationnarit�*/Options sasmstore=Mmacro mstored;
%macro DFA(data= ,var= ,p=2 ,dif=0)/STORE DES="TEST DE DIVKEY FULLER AUGMENTE";
;
data _DFA_;
set &Data;
D1_&var=dif(&var);
run;
/*J'ai cr�� la l'odre d'int�gration de la variable � mod�liser*/
%if &dif >=1 %then %do;
	%let k=%sysevalf(&dif+1);
	%do i=2 %to &k;
		%let j=%sysevalf(&i-1);
		data _DFA_;
		set _DFA_;
		D&i._&var=dif(D&j._&var.);
		run;
	%end;
	/*le premier facteur de corr�lation*/
	%if &p>=1 %then %do;
		data _DFA_;
		set _DFA_;
		L1_D&k._&var=lag(D&k._&var.);
		label L1_D&k._&var="TETA 1";
		run;
	%end;
	/*J'ai cr�� le rho y t-1 selon le modele*/
	data _DFA_;
	set _DFA_;
	L1_D&dif._&var=lag(D&dif._&var);
	label L1_D&dif._&var="PHI";
	run;
%end;
%else %do;
	data _DFA_;
	set _DFA_;
	L1_&var=lag(&var);
	label L1_&var="PHI";
	run;
	%if &p>=1 %then %do;
	data _DFA_;
	set _DFA_;
	L1_D1_&var=lag(D1_&var.);
	label L1_D1_&var="TETA 1";
	run;
	%end;
%end;
/*Cr�er les facteur d'autocorr�lation*/
%if &p>=2 %then %do;
	%do i=2 %to &p;
		%let k=%sysevalf(&dif+1);
		%let j=%sysevalf(&i-1);
		data _DFA_;
		set _DFA_;
		L&i._D&k._&var=lag(L&j._D&k._&var);
		label L&i._D&k._&var="TETA &i";
		run;
	%end;
%end;


/*Prise en compte des var non manquantes*/
%if &dif=0 %then %do;
	data _DFA_;
	set _DFA_;
	if not missing(L1_&var);
	run;
%end;
%else %do;
	data _DFA_;
	set _DFA_;
	if not missing(L1_D&dif._&var);
	run;
%end;
%if &p>=1 %then %do;
	%let k=%sysevalf(&dif+1);
	data _DFA_;
	set _DFA_;
	if not missing(L&p._D&k._&Var);
	run;
%end;
data _DFA_;
set _DFA_;
_trend_=_n_;
_constante_=1;
label _trend_="TREND";
label _constante_="CONSTANTE";
run;


/*D�finition du vecteur de retard*/
%if &p=0 %then %do;
	%if &dif=0 %then %do;
		proc autoreg data=_DFA_ ;
		model D1_&var =L1_&var/ noint plots=none;
		model D1_&var = _constante_ L1_&var / noint plots=none;
		model D1_&var= _trend_ _constante_ L1_&var/ noint plots=none;
		run;
	%end;
	%else %do;
		%let k=%sysevalf(&dif+1);
		proc autoreg data=_DFA_ ;
		model D&k._&var =L1_D&dif._&var/ noint plots=none;
		model D&k._&var = _constante_ L1_D&dif._&var /noint plots=none;
		model D&k._&var= _trend_ _constante_ L1_D&dif._&var/ noint plots=none;
		run;
	%end;
%end;
%else %do;
	/*Construction de vesteur des p autocorr�lation*/
	%let k=%sysevalf(&dif+1);
	%let A=L1_D&k._&var;
	%if &p>=2 %then %do;
		%do i=2 %to &p;
			%let A=&A L&i._D&k._&var ;
		%end;
	%end;
	%if &dif=0 %then %do;
		proc autoreg data=_DFA_ ;
		model D1_&var =L1_&var &A/ noint plots=none;
		model D1_&var =_constante_ L1_&var &A/ noint plots=none;
		model D1_&var= _trend_ _constante_ L1_&var &A/ noint plots=none;
		run;
	%end;
	%else %do;
		%let k=%sysevalf(&dif+1);
		proc autoreg data=_DFA_ ;
	    model D&k._&var =L1_D&dif._&var &A/ noint plots=none;
		model D&k._&var = _constante_ L1_D&dif._&var &A / noint plots=none;
		model D&k._&var= _trend_ _constante_ L1_D&dif._&var &A/ noint plots=none;
		run;
	%end;
%end;
proc datasets nolist;
delete _dfa_;
run;
%put ***************************************************************************************;
%put MACRO CREEE PAR ARISTIDE HOUNDETOUNGAN, CONTRIBUER EN ENVOYANT VOS;
%put CRITIQUES: ariel92and@gmail.com;
%put ***************************************************************************************;
%mend;

Commentez. On peut aussi discuter en priv�. ariel92and@gmail.com

NUAGES D'UNE AFC et ACM: MACRO SAS

Haache — Wed, 15 Apr 2015 20:07:44 GMT

Je vous propose une macro qui permet de faire les diff�rents nuages de AFC, et ACM en un code.

Vous devez d'abord r�aliser votre AFC et ACM avec la commande Proc corresp et vous allez exporter les r�sultats dans une table avec l'option Out.
Voici le code de la macro qui fait les graphiques

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
%macro PLOTCOR(DATA= ,ID= ,AXEH= ,AXEV= ,COND= )/ DES="R�pr�sentation des individus et variable en AFC ou en ACM";
DATA _Graph_;
set &DATA;
%if %length(&COND)^=0 %then %do;
&COND;
%end;
run;


data CORANNOT;
length color $10.;
length text $10.;
length function $10.;
set _Graph_;
function="Label";
position="1";
when="B";
x=Dim&AXEH;
y=Dim&AXEV;
xsys='2';
ysys='2';
text=&ID;
if _TYPE_="OBS" then color="blue";
else if _TYPE_="VAR" then color="red";
else if _TYPE_="VARSUP" then color="green";
size=0.8;
Output;
function="Symbol";
position="5";
when="B";
x=Dim&AXEH;
y=Dim&AXEV;
xsys='2';
ysys='2';
text="triangle";
size=3*(SqCos&AXEH+SqCos&AXEV);
if _TYPE_="OBS" then color="blue";
else if _TYPE_="VAR" then color="red";
else if _TYPE_="SUPVAR" then color="green";
output;
run; 




goptions reset=all gunit=pct hsize=7 vsize= 7;
axis1 minor=none offset=(4,4) major=(h=0.1 w=1) label=("Axe&AXEH");
axis2  minor=none offset=(4,4) major=(h=0.1 w=1) label=("Axe&AXEV");
symbol v=none;
proc gplot data=CORANNOT;
plot y*x=1/frame cframe=white href=0 vref=0 overlay annotate=CORANNOT grid haxis=axis1 vaxis=axis2;
run;
quit;
proc datasets lib=work memtype=DATA  nolist;
delete _Graph_ CORANNOT;
run; 
%mend Plotcor;

Donc pour faire le graphique, vous allez mettre ceci:

%plotcor(Data= ,id= , axeh= , axev= , cond= );

Dans DATA, vous sp�cifiez le nom de la table sortie que vous avez mise dans la proc corresp (ce que vous avez mis dans Out=).
Axev prend le num�ro de l'axe que vous voulez mettre en vertical. soit 1, 2, 3 ....
Axeh prend le num�ro de l'axe que vous voulez mettre en horizontal
Cond: Cette macro variable est tr�s importante. Peut �tre que vous ne voulez pas afficher tous les points. Si vous voulez afficher les individus actifs seuls, vous allez mettre Cond= if _type_ in ("OBS"). Si c'est les variables suppl�mentaires seules, vous allez mettre Cond= if _type_ in ("SUPVAR"). Si c'est les individus actifs et suppl�mentaires, vous allez mettre Cond= if _type_ in ("OBS" "SUPOBS").... A vous de voir les valeurs prises par la variable _type_ qui est dans la sortie pour pouvoir mettre ce qui est convenable.

Je vous laisse le code pour que vous pussiez modifier. Jouer sur les couleurs des variables actives, suppl�mentaires, individus et autres.
Voici un graphique que j'ai sorti par la macro

Images attach�es

NUAGE DIRECT ET DUAL D'UNE ACP: MACRO SAS

Haache — Wed, 15 Apr 2015 19:42:57 GMT

Encore une macro que je vous propose !
Celle ci fait le nuage des individus et celle des variables, elle trace le cercle de corr�lation. Vous pouvez jouer sur les couleurs et tout! La macro est adapt�e � la sortie ACP de la macro de l'INSEE. En fait, l'INSEE a cr�� une MACRO qui permet de r�aliser l'ACP. Donc c'est la sortie des r�sultats que vous allez utiliser pour faire les nuages avec ma macro. Je vous sugg�re de t�l�charger la macro ACP de l'INSEE pour faire vos ACP. l'INSEE a aussi propos� une macro pour faire les nuages. Mais tester la mienne aussi pour voir.

La macro de l'INSEE qui permet de r�aliser l'ACP est est t�l�chargeable ici : http://www.insee.fr/fr/methodes/defa...il_analyse.htm

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
%macro Plotacp(DATA= ,AXEH= ,AXEV= ,COND= ,CERCLE=N,BAREA=N)/ DES="R�pr�sentation des individus et variable en ACP";/*Je dupplique la table dans une autre _Graph en supprimant les donn�es manquantes*/
DATA _Graph_;
set &DATA;
if not Missing(coord1);
run;
/*J'applique la condition. les observations et les variables que je veux afficher*/
DATA _Graph_;
SET _Graph_;
%if %length(&COND)^=0 %then %do;
&COND;
%end;
run;
/*Construction de la table Annotate*/
data ACPANNOT;
length function $10.;
set _Graph_;
function="Label";
run;
data ACPANNOT;
length color $10.;
length text $10.;
set ACPANNOT;
/*Les noms � �crire pour les observations et les variables dans le graphique*/
    text=_LABEL_;
    position="3";
    x=coord&AXEH;
    y=coord&AXEV;
    xsys='2';
    ysys='2';
    if _TYPE_="OBSACT" then color="purple";
    else if _TYPE_="OBSSUP" then color="black";
    else if _TYPE_="VARACT" then color="blue";
    else color="red";
    if _TYPE_="OBSSUP" then size=1.7;
    else size=0.9;
    Output;
/*Pour tracer les segments des variables. Les segments sont trac�es du centre du cercle vers les points*/
    if _TYPE_ IN ("VARACT","VARSUP") then do; 
    x=0;
    y=0;
    function="Move";
    if _TYPE_="OBSACT" then color="blue";
    else if _TYPE_="OBSSUP" then color="red";
    else if _TYPE_="VARACT" then color="blue";
    else color="red";
    size=0.8;
    when="B";
    end;
    output;


    if _TYPE_ IN ("VARACT","VARSUP") then do;
    x=coord&AXEH;
    y=coord&AXEV;
    function="Draw";
    if _TYPE_="OBSACT" then color="blue";
    else if _TYPE_="OBSSUP" then color="red";
    else if _TYPE_="VARACT" then color="blue";
    else color="red";
    size=0.8;
    when="A";
    end;
output;
/*Pour mettre les symboles*/
function="Symbol";
position="5";
when="B";
x=coord&AXEH;
y=coord&AXEV;
xsys='2';
ysys='2';
if _TYPE_="OBSACT" then text="triangle";
else if _TYPE_="OBSSUP" then text="dot";
else if _TYPE_="VARACT" then text="circle";
else text="circle";
if _TYPE_="OBSACT" then size=0.01*(co2_&AXEH+co2_&AXEV);
else if _TYPE_="OBSSUP" then size=0.03*(co2_&AXEH+co2_&AXEV);
else if _TYPE_="VARACT" then size=0.035*(co2_&AXEH+co2_&AXEV);
else size=0.035*(co2_&AXEH+co2_&AXEV);
if _TYPE_="OBSACT" then color="purple";
else if _TYPE_="OBSSUP" then color="yellow";
else if _TYPE_="VARACT" then color="blue";
else color="red";
output;
run; 


%if &CERCLE=O %then %do;
data ACPANNOT;
set ACPANNOT end=fin;
output ACPANNOT;
if fin then do;
    x=1;
    y=0;
    function="Move";
    color='black';
    size=0.2;
    when="A";
output;
do angle=0 to 44/7 by 0.01;
        x=cos(angle);
        y=sin(angle);
        function="Draw";
        When="A";
        color='black';    
    output;
end;
output;
    x=1;
    y=0;
    function="Draw";
    color='black';
    when="A";
output;
end;
run; 
%end; 
options nodate;    
goptions reset=all gunit=pct htext=2;
%if &BAREA=O %then %do;
goptions hsize=6 vsize= 6;
%end;
%else %do;
goptions hsize=6 vsize= 6;
%end;
axis1 minor=none offset=(4,4) major=(h=0.1 w=1) label=("Axe&AXEH");
axis2  minor=none offset=(4,4) major=(h=0.1 w=1) label=("Axe&AXEV");
symbol v=none;
proc gplot data=ACPANNOT;
plot y*x=1/frame cframe=white href=0 vref=0 overlay annotate=ACPANNOT grid haxis=axis1 vaxis=axis2;
run;
quit;
proc datasets lib=Work memtype=Data nolist;
%if &CERCLE=O %then %do;
delete Acpannot Acpannotm Acpannotn _graph_;
%end;
run;
%Put Fin de macro;
%put Ecris moi si tu rencontres de difficult�s: ariel92and@gmail.com;
%mend Plotacp;

Lorsque vous r�alis� votre ACP avec la macro de l'INSEE voici mon code pour faire le graphique.

%Plotacp(DATA= ,AXEH= ,AXEV= ,COND= ,CERCLE=,BAREA=)

Dans DATA, vous sp�cifiez le nom de la table sortie que vous avez mise dans la macro de l'insee (ce que vous avez mis dans Out=).
Axev prend le num�ro de l'axe que vous voulez mettre en vertical. soit 1, 2, 3 ....
Axeh prend le num�ro de l'axe que vous voulez mettre en horizontal
Cond: Cette macro variable est tr�s importante. Peut �tre que vous ne voulez pas afficher tous les points. Si vous voulez afficher les individus actifs seuls, vous allez mettre Cond= if _type_ in ("OBSACT"). Si c'est les variables suppl�mentaires seules, vous allez mettre Cond= if _type_ in ("VARSUP"). Si c'est les individus actifs et suppl�mentaires, vous allez mettre Cond= if _type_ in ("OBSACT" "OBSSUP").... A vous de voir les valeurs prises par la variable _type_ qui est dans la sortie pour pouvoir mettre ce qui est convenable
Dans la variable macro Cercle qui prend les valeurs O et N (O=OUI, N=NON), vous allez dire si vous voulez tracer le cercle de corr�lation ou non
Dans la variable macro BAREA vous allez mettre O si vous voulez que SAS affiche un grand graphique. N si non.

Je vous laisse le code pour que vous pussiez modifier. Jouer sur les couleurs des variables actives, suppl�mentaires, individus et autres.
Voici des graphiques que j'ai sortis par la macro

Images attach�es

Tableau Disjonctif Complet (TDC): Macro SAS

Haache — Tue, 14 Apr 2015 14:47:33 GMT

le code ci-dessous cr�e la macro Disjonctif. Cette macro a pour objectif de cr�er un tableau disjonctif complet � partir d'un paquet de variables qualitatives. Il s'agit juste de transformer les modalit�s des variables qualitatives en variables binaires: 1 si l'individu poss�de la caract�ristique et 0 sinon. Apr�s avoir compil� la macro, le code suivant permet de l'ex�cuter:

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
%Disjonctif(Data=Base, Var= assur age prof niv tm, out=Dich);
 /*Ce code transforme les modalit�s des variables assur age prof niv tm de la table Base en variables dichotomiques.
Il stocke le r�sultat dans Dich*/

Vous n'aurez qu'� mettre le nom de la table des donn�es, les variables qualitatives et la table de sortie.
Cette op�ration est un peu fr�quente dans les analyse multidimensionnelles comme ACM, �conom�trie des variables qualitatives etc.... D'o� l'importance d'avoir une macro pour l'ex�cuter en un clic!!! :lol:
Voici le code de la macro. Vous pouvez laisser vos contributions et critiques en commentaire.

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
%Macro Disjonctif(Data= ,Var= ,Out=_Dicotom_out)/STORE DES="Macro permettant de cr�er des variables dichotomiques � partir d'un 
 paquet de variables qualitatives";
 /* CREATION D'UN TABLEAU DISJONCTIF COMPLET*/
proc transpose data=&Data out=_Dicotom_tr;
var &var;
data _null_;
set _Dicotom_tr;
call symput (compress("Var"||_n_),_NAME_);
call symput ("Nvar",_n_);
run;
%let Listev= ;
%do i=1 %to &nvar;
%let Listev=&Listev &&Var&i.*;
%end;
%let Listev=%substr(&Listev,1,%length(&Listev)-1);
proc freq data=&Data noprint;
table &Listev/out=_Dicotom_ct;
run;
Data &out;
set &Data;
run;
%do i=1 %to &nvar;
proc sort data=_Dicotom_ct;
by &&var&i;
data _Null_;
set _Dicotom_ct;
by &&var&i;
retain __Ct 0;
if first.&&var&i then __Ct=__Ct+1;
if first.&&var&i then do;
call symput (compress("Var&i._"||__Ct),&&var&i );
call symput ("Nvar&i",__Ct);
end;
run;
Data &out;
set &out;
rename &&var&i=__&&var&i;
run;
%do j=1 %to &&Nvar&i;
Data &out;
set &out;
if __&&var&i="&&Var&i._&j" then Var&i._&j=1;
else Var&i._&j=0;
label Var&i._&j="&&Var&i._&j";
run;
%end;
Data &out;
set &out;
drop __&&var&i;
run;
%end;
proc datasets lib=work nolist;
delete _Dicotom_tr _Dicotom_ct;
run;


%put FIN DE MACRO. SI VOUS AVEZ RENCONTRE DE DIFFICULTES;
%PUT ECRIVEZ-MOI SUR: ariel92and@gmail.com;
%mend;

Conditionnement Inverse : plus d'attention dans l'analyse des proportions

Haache — Fri, 03 Apr 2015 16:31:40 GMT

Conditionnement Inverse : plus d'attention dans l'analyse des proportions.

Le document ci-joint parle de l'analyse des proportions et montre � travers quelques exemples les erreurs courantes qu'on peut commettre lorsqu'on compare les proportions dans deux populations diff�rentes. Utile pour les statisticiens et tous ceux qui analysent les donn�es. Ne quittez pas sans le t�l�charger, c'est juste deux pages.

Laissez vos commentaires.
Cordialement

Images attach�es