我尽力在网上搜索我的问题的答案，但一直找不到。也许我不是以正确的方式提问，或者我的问题可能无法解决......好吧，这里什么都没有！
在SAS中运行回归时，可以进行向后或向前选择，从而消除所有无关紧要的变量，这很好，但仅仅因为变量的p值≤0.05，这并不一定意味着结果是对的。
例如，我在SAS中进行回归，因变量是由于疾病导致的死亡人数，而自变量是医生的数量。结果显着，p≤0.05，但系数表明，随着医生数量的增加，死亡人数也会增加。这可能是虚假回归的结果，但因果关系是错误的，但SAS只是一台计算机，并且不知道哪种方式会导致因果关系。 （当然也可能是这样，更多的医生=由于其他一些因素造成的死亡人数更多，但现在让我们忽略这一点。）
我的问题是：是否有可能进行回归然后告诉SAS它必须进行向后/向前消除，但根据我设定的一些规则，它还必须排除不符合这些规则的变量？例如。如果死亡人数增加，随着医生人数的增加，排除可变数量的医生？那是什么
我真的希望，有人可以帮助我，因为我使用超过50个变量运行了多年的回归，如果我不必自己完成所有结果，那就太棒了。
谢谢：）
答案 0 :(得分：0)
我不认为这是可能的或推荐的。如前所述，SAS是一台计算机，无法知道哪些回归结果是虚假的。如果更多的医生=更多的医疗程序=更多死亡怎么办？显然，您需要对每种情况应用专家意见，但上述情况同样合理。
你还提到了文档的份额＆＃39;如果我正确的话，这不是实际的数字吗？因此，它也可能是如何计算该度量的工件。
如果您想要排除一组特定的规则，那么这些规则是可能的。但是你必须首先定义所有这些规则并对它们有一定程度的确定性。
答案 1 :(得分：0)
如果您需要指定不寻常的参数选择标准，您可以随时通过强力推动自己的机器学习：对数据进行分区，在宏循环中的所有分区上运行不同的回归模型，并使用类似AIC的内容选择最好的模型。
但是，除非您是机器学习专家，否则最好从proc glmselect开始。
SAS可以在glmselect程序中进行前向选择和后向消除，例如：
proc gmlselect data=...;
model ... / select=forward;
...
也可以将两种方法结合起来 - 即在宏循环中运行多次proc glmselect迭代，每次迭代都有不同的模型规范，然后选择最佳结果。