sas logistic回归案例

好的，以下是一个 SAS Logistic 回归分析的案例：

假设我们有一个医疗数据集，其中包含了患者的一些基本信息和是否患有糖尿病的标记。我们希望使用 Logistic 回归来预测患糖尿病的概率。

首先，我们需要导入数据。假设数据集的文件名为 diabetes.csv，其中第一列为标记（1表示患糖尿病，0表示不患糖尿病），后面的列为各种患病相关的特征，如年龄、体重等。

data diabetes;
  infile 'diabetes.csv' delimiter=',' dsd;
  input label age weight bp cholesterol;
run;

接下来，我们可以使用 PROC LOGISTIC 进行回归分析。假设我们使用所有特征进行分析。

proc logistic data=diabetes;
  model label = age weight bp cholesterol / selection=stepwise;
run;

在这个例子中，我们使用了 stepwise 参数进行变量选择。这个参数会自动选择最优的特征组合。运行完毕后，我们可以查看模型的参数估计值和显著性检验结果。

此外，我们还可以使用 ROC 曲线和 AUC 值来评估模型的性能。可以使用以下代码来生成 ROC 曲线和计算 AUC 值：

proc logistic data=diabetes;
  model label = age weight bp cholesterol / selection=stepwise;
  roc 'ROC Curve' / plot=roc;
  roc 'AUC' / summarize;
run;

最后，我们可以使用这个模型来预测新的患病概率。假设我们有一个新的患者，他的年龄为 50 岁，体重为 80 公斤，血压为 140 mmHg，胆固醇为 200 mg/dL。我们可以使用以下代码来预测他患糖尿病的概率：

data new_patient;
  input age weight bp cholesterol;
cards;
50 80 140 200
;
run;

proc logistic data=new_patient;
  score data=diabetes out=prediction;
run;

proc print data=prediction;
  var _all_;
run;

这个代码会将新的患者数据输入到模型中，然后根据模型计算出他患病的概率。最后的输出结果会显示出这个患者的预测概率。