Question

我想计算一个线性模型，以便在类别Y变量和一些Q数字变量上调整一些X变量的均值。

有人告诉我，我可以很容易地用SAS获取它们，我使用了这段代码：

proc glm data=TABLE_R;
    class Q(ref="Q1");
    model Y = Q X2 X3 X4 / solution;
    lsmeans Q/ stderr pdiff cov out=adjmeans;
run;

但是对R更加友好，我想复制这个程序，经过一些研究后，我结束了这段代码：

m = glm(Y ~ Q + X2 + X3 + X4, data=db) #using lm() didn't change anything
emmeans::emmeans(m, "Q")

问题是，无论是否非常接近，模型系数都是不同的。以下是intercept和Q的两个级别的示例：

#in R
  (Intercept)                  Q2                  Q3         
-0.1790444126        0.0051160461       -0.0013756817
#in SAS
  (Intercept)                  Q2                  Q3         
-0.1767853086        0.0016709301       -0.0031477746

实际上，在SAS中，我有一条消息说系数需要额外的计算（遗憾的是我不明白，R glm()是否缺少这个？）：

注意：已经发现X'X矩阵是单数的，并且是广义的逆用于求解正规方程。其估算的条款接着是字母'B'并不是唯一可估计的。

我应该在这里添加哪个选项，以便我可以在SAS和R中找到相同的结果？

如果我不能，我该如何选择最合适的方法？

有用的帖子：Proc GLM (SAS) using R，X'X matrix found to be singular

编辑：这很奇怪，但SAS和R中的有效性不同：

#SAS
Observations read: 81733
Observations used: 9000
#R
16357 Residual
(88017 observations deleted due to missingness)

Answer 1

如果你第一次做

，你会得到相同的系数

options(contrasts=c(“contr.SAS”,”contr.poly”))

在拟合模型之前。这将导致R使用SAS使用的相同参数化。

然而，即使没有这种变化，R的拟合值也将与SAS的拟合值相同，R的EMM将与SAS的lsmeans相匹配。那是因为我们并没有真正改变模型，我们只是改变它的参数化方式。

将SAS GLM proc复制到R

1 个答案: