biao_zhang_assignment2.1

代码

// elasticnet code snippet
proc glmselect data=BIAO.fitness plots=coefficients;
model Weight = Age Oxy Runtime RunPulse RstPulse MaxPulse      /selection = elasticnet(choose=AICC);
partition fraction(validate=0.3); /* Optionally partition data for validation */
run;

// lasso code snippet
proc glmselect data=BIAO.fitness plots=coefficients;
model Weight = Age Oxy Runtime RunPulse RstPulse MaxPulse      /selection = lasso(choose=AICC);
partition fraction(validate=0.3); /* Optionally partition data for validation */
run;

操作步骤及程序设定

1. 登录 SAS Studio 后，创建一个新文件夹 (例如截图中的 wei0908)

2. 选中你创建的新文件夹，并点击上传图标，上传你的数据文件

3. 在右侧，点击多点按钮，选择 “新建导入数据“

4. 将左侧的 wei0908 文件夹下的 Fitness.xlsx 文件拖到右侧的画布上。

5. 默认情况下，导入的数据集名为 “import”; 点击 “更改” 按钮，将数据集名称重命名为 Fitness。

6. 点击 “运行” 按钮。

这个时候你的数据集就是 WORK.Fitness

7. 创建 SAS 程序文件

8. 保存并运行该程序文件

软件窗口的截图

运行结果

结果分析

两个模型（Elastic Net 模型与 Lasso 模型）的异同点如下：

相同点：

1. 数据与目标变量

• 均使用数据集BIAO.FITNESS，以Weight（体重）为因变量。

• 涉及的效应数量（7 个）和参数数量（7 个）相同。

• 读取的观测值总数均为 31 个。

2. 模型选择与停止准则

• 均采用GLMSELECT过程，停止准则为SBC（ Schwarz Bayesian Criterion），选择准则为AICC（修正的 Akaike 信息准则）。

• 均未强制效应层级（Effect Hierarchy Enforced: None），且最终选择的模型均为仅包含截距项的Step 0模型（无其他自变量进入）。

3. 模型效果特征

• 选定模型的R-Square和Adj R-Sq均为 0.0000，说明模型无法解释因变量Weight的变异（仅用截距项预测）。

• 方差分析中，模型的自由度（DF）为 0，平方和（Sum of Squares）为 0，均方（Mean Square）和 F 值缺失，表明模型未纳入任何自变量。

不同点：

1. 选择方法

• Elastic Net 模型使用ELASTICNET（弹性网）方法，结合了 L1 正则化（Lasso）和 L2 正则化（Ridge）。

• Lasso 模型使用LASSO（套索）方法，仅采用 L1 正则化。

2. 训练与验证集划分

• Elastic Net 模型：25 个观测值用于训练，6 个用于验证。

• Lasso 模型：23 个观测值用于训练，8 个用于验证。

3. 关键指标数值

4. 停止细节

• Elastic Net 模型中，候选进入的变量为Age（年龄），其 SBC（107.1058）大于当前模型的 SBC（107.0263），故未进入。

• Lasso 模型中，候选进入的变量为Oxy（氧气摄入量相关指标），其 SBC（102.5447）大于当前模型的 SBC（99.8415），故未进入。

总结：

两个模型的核心差异源于正则化方法和数据划分，导致关键指标（如 ASE、AIC、SBC）数值不同，但最终均未纳入任何自变量，仅以截距项作为预测结果，说明在该数据集上，两种方法均认为没有自变量能显著改善对Weight的预测。