请高手指点一下，genmod过程跑出来的结果该怎么看!

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

下面是sas的genmod过程跑出来的结果，这个结果该怎么解释呢？请高手指点一下！

Criteria For Assessing Goodness Of Fit
Criterion	DF	Value	Value/DF
Deviance	1.80E+05	1.14E+09	6301.212
Scaled Deviance	1.80E+05	27559.22	0.1528
Pearson Chi-Square	1.80E+05	7.44E+09	41233.64
Scaled Pearson X2	1.80E+05	180341	1
Log Likelihood		-13779.6

Analysis Of Parameter Estimates
Parameter		DF	Estimate	Standard Error	Wald 95% Confidence Limits		Chi-Square	Pr > ChiSq
Intercept		1	-5.2168	0.0451	-5.3053	-5.1284	13362.7	<.0001
region	地区1	1	0.1903	0.0581	0.0764	0.3042	10.71	0.0011
region	地区2	1	-0.1526	0.0808	-0.311	0.0058	3.56	0.059

tonband1	B2-10吨	1	-0.039	0.0521	-0.1412	0.0632	0.56	0.4545
tonband1	D10吨以上	1	0.1044	0.0712	-0.0351	0.244	2.15	0.1424

The scale parameter was estimated by the square root of Pearson's Chi-Square/DOF.
LR Statistics For Type 1 Analysis
Source	Deviance	Num DF	Den DF	F Value	Pr > F	Chi-Square	Pr > ChiSq
Intercept	1.2E+09
region	1.19E+09	9	180341	37.72	<.0001	339.51	<.0001

tonband1

1.15E+09

2

180341

7.97

0.0003

15.95

0.0003

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：genmod 高手指点 Mod Likelihood confidence 结果 高手 指点 genmod

请问楼主该问题解决了吗？我也想知道如何看genmod结果好坏

我只说我知道的，其他的等待大牛解答。
Goodness Of Fit是看模型fit数据的好坏，这个值看单个模型没什么意义，要不同模型之间对比才能比出好坏。如果是越小越好的criterier，后面应该还有个（smaller is better），所以lz的这个应该是越大越好。
Analysis Of Parameter Estimates就是你的模型右边，每个自变量前的参数。如果以p<0.05来衡量，tonband1这个变量所示的两个level都是non-significant的。
LR Statistics For Type 1 Analysis。SAS官网上对这个的解释是“each entry in the deviance column represents the deviance for the model containing the effect for that row and all effects preceding it in the table”。可以看出如果加了tonband1这个变量降低了模型的significance。

童话牧场 发表于 2013-4-22 00:00
请问楼主该问题解决了吗？我也想知道如何看genmod结果好坏

More words about the model:

Assumed from Poisson model (it is very likely). A large Pearson Chi-Sq may indicate an over-disperson in the data, which is one of the most typical phenomenons from count data. To remedy this problem, the model uses SCALE=PEARSON (not shown here) to account for that, such as, an over-inflated error and thus shrinking the test statistic and inflating the p value, because scaled chi-sq is one unit.
Using scale is kind of an old-fashion way in such case (as I think). People may tend to look at the over-dispersion mechanism and adopt specific measures on that, such as using different distributions.

Some comments from here.

Jingju

看AIC值