SAS与R模型使用标准误差度量STDI和STDP

Question

我试图对我的数据集中的一些变量进行非常简单的线性回归分析，并发现R和SAS为其模型拟合输出了非常不同的值。我试图退步

spending ~ tenure (in months)

在SAS中，我的代码看起来像

proc reg data=model_data;
model spending = tenure;
output out=&outfile r=resid stdi=stdi_metric;
title 'SAS model';
run; quit;

在R中，我使用以下代码：

modelobject <- lm(spending ~ tenure, data = df)
predictions <- predict(modelobject, interval = "prediction", se.fit = TRUE, level = 1 - alpha) 

然而，我看到的是R中的残差（因此拟合系数和截距项）与SAS。我不是把它们包括在这里，因为它是机密数据，但足以说它们不匹配。但是，当我将SAS代码更改为

时，它们会匹配

proc reg data=model_data;
model spending = tenure;
output out=&outfile r=resid stdp=stdp_metric; * <-- this is the only change!
title 'SAS model';
run; quit;

我在这里得到相同的残差和系数。为什么会这样？根据我的理解， stdp 和 stdi 是与置信度和预测间隔相关的标准误差（请参阅这些lecture notes）。但是，在置信区间和预测区间之间切换不应该在理论上改变您的模型拟合（在R中尤其如此，因为您将modelobject传递到{{1} {{1}功能）。

那么，当predict()指标切换为stdi时，为什么SAS残差会发生变化？此外，在一个项目的更广泛的背景下，我正在尝试将旧的SAS宏转换为R-这个问题。我如何复制适合R的相同模型（使用SAS stdp使用{{ 1}}）？

我还咨询了SAS manuals on definitions of these metrics and PROC REG，但在PROC REG更改为stdi时无法找到有关模型拟合实施更改的原因。

Answer 1

STDI是个人预测值的标准误差，而STDP是平均预测值的标准误差。

因此，为了解决此问题，您需要在se.fit=F函数中使用predict()，您应该获得与使用STDI选项的SAS代码完全相同的结果（目前在您的R代码中se.fit = TRUE所以它使用预测均值的标准误差，同时预测结果，相当于SAS中的STDP选项）。希望这有帮助！

如果它解决了您的问题，请不要忘记告诉我们：）

Answer 2

找出问题所在。实际上你必须在回归输出窗口中向下滚动，因为最新的结果是在窗口的下方。我学到了很好的经验法则 - 我总是检查是否有额外的输出，如果你正在查看最新的结果。这与我的宏参数中的语法错误导致我同时适应两个y目标这一事实相结合，导致了我的错误：