/*
MACRO PAR DENIS TALBOT B.Sc.
denis.talbot3.1415@gmail.com

Dernière mise-à-jour 16 octobre 2009, SAS v9.2

Appeller la macro par
omega(data=,var=,out=);
Où var doit être une liste de variable sans raccourci (e.g. -, –).
Out est le nom SAS pour le fichier de sortie

RÉFÉRENCES:

Pour ne pas utiliser la alpha de Cronbach:

Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of Cronbach’s alpha. Psychometrika, 74(1), 107-120.

Huysamen, G.K. (2006). Coefficient alpha: Unnecessarily ambiguous, unduly ubiquitous. SA Journal of Industrial Psychology, 32(4), 34-40.

Sur l’Omega total:

*Revelle, W., & Zinbarg, R.E. (2009). Coefficients alpha, beta, omega and the glb: comments on Sijtsma. Psychometrika. doi:10.1007/s11336-008-9102-z.

McDonald, R.P. (1999). Test theory: A unified treatment. Hillsdale: Erlbaum.

*Référence principale. La macro SAS présentée ici est inspirée du programme R du package psych
mentionnée dans cet article.
*/

%MACRO omega(data=,var=, out=);
%let _i=1;
%do %while (%scan(&var,&_i) ne %str() );
%let arg&_i=%scan(&var,&_i);
%let _i=%eval(&_i+1);
%end;
%let nvar=%eval(&_i-1);

PROC CALIS DATA = &data OUTEST = _cfa_ METHOD = ML NOPRINT;
VAR &var;
LINEQS
%DO _i=1 %TO (&nvar – 1);
&&arg&_i = f1 + e&_i,
%END;
&&arg&nvar =f1 + e&nvar;
std
f1 = 1,
e1 – e&nvar = ee:;
RUN;

DATA _cfa_;
SET _cfa_;
IF _TYPE_ = ‘PARMS’;
s_uniq = sum(of ee1-ee&nvar);
KEEP s_uniq;
RUN;
ODS LISTING CLOSE;
ODS OUTPUT PearsonCorr=PearsonCorr;
PROC CORR DATA = &data; VAR &var; RUN;
ODS LISTING;
DATA PearsonCorr;
SET PearsonCorr;
VT = sum(of &arg1–&&arg&nvar);
KEEP VT;
RUN;

PROC MEANS DATA = PearsonCorr NOPRINT; Var VT; OUTPUT OUT = PearsonCorr SUM=VT; RUN;

DATA &out; MERGE _cfa_ PearsonCorr; Omega = 1 – s_uniq/VT; KEEP Omega; RUN;

PROC PRINT DATA = &out; RUN;

%MEND;

Denis

%macro D_COHEN(fichier=, var_class= , var= );

ods output ttests=ttest_proc(drop=method) statistics=stat_desc1 equality=equal1(drop=method);

proc ttest data= &fichier;

class &var_class;

var &var;

run;

proc sort data=ttest_proc;

by variable;

run;

proc sort data=equal1;

by variable;

run;

data d_cohen;

merge ttest_proc equal1;

by variable;

if Probf LT 0.05 then do;

if variances=’Equal’ then delete;

end;

if Probf GE 0.05 then do;

if variances=’Unequal’ then delete;

end;

D_COHEN=tvalue*(numdf+dendf+2)/(sqrt(DF)*sqrt((numdf+1)*dendf+1));

run;

proc print data=d_cohen;

var variable probt d_cohen;

run;

%mend;

Par Simon Olivier

Les résidus ajustés se veulent un outils pour déterminer les liens d’associations dans un tableau de fréquence. Sous l’hypothèse d’indépendance entre les variables du tableau de fréquence IxJ, les résidus suivent une loi normale de moyenne zéro et de variance 1. Des résidus positifs élevés dans un cellule démontrent que les catégories ont tendance à avoir lieu ensemble alors que des résidus négatifs élevés montrent une tendance à ce que les catégories n’aient pas lieu simulaténament.

Les catégories doivent être représentés par des numéros.

Fichier = fichier de données

mingrp1 = plus petite catégorie de la première variable

maxgrp1 = plus grande catégorie de la première variable

var1 = nom de la première variable

%macro residus_ajustes(fichier=, mingrp1=, maxgrp1=, mingrp2=, maxgrp2=, var1=, var2=);

ods output CrossTabFreqs=res_aju;

proc freq data=&fichier;

tables &var1*&var2;

run;

data max;

set res_aju;

id_group=compress(&var1||&var2);

id_num=input(id_group,3.);

run;

/*GROUP I */

proc means data=res_aju noprint;

where _TYPE_=’10′;

by &var1;

var frequency;

output out=max_i(drop=_TYPE_) max=max_i;

run;

/*GROUP J */

proc means data=res_aju noprint;

where _TYPE_=’01′;

by &var2;

var frequency;

output out=max_j(drop=_TYPE_) max=max_j;

run;

/*TOTAL*/

proc means data=res_aju noprint;

var frequency;

output out=maximum max=maximum;

run;

data _null_;

set maximum;

call symput(‘total’,maximum);

run;

%put &total;

data residus_adjus;

set res_aju;

Groupe1=&var1;

Groupe2=&var2;

if &var1=. then delete;

if &var2=. then delete;

id_group=compress(&var1||&var2);

id_num=input(id_group,3.);

run;

data merg_i;

merge max_i residus_adjus;

by &var1;

keep id_num max_i;

run;

proc sort data=residus_adjus;

by &var2;

run;

data merg_j;

merge max_j residus_adjus;

by &var2;

keep id_num max_j;

run;

proc sort data=merg_j;

by id_num;

run;

proc sort data=residus_adjus;

by id_num;

run;

data residus_adjus2;

merge merg_i merg_j residus_adjus;

by id_num;

pi=max_i/&total;

pj=max_j/&total;

do group=&mingrp1 to &maxgrp1;

do group2=&mingrp2 to &maxgrp2;

espere=max_i*max_j/&total;

RA=(frequency-espere)/sqrt(espere*(1-pi)*(1-pj));

end;

end;

run;

proc print data=residus_adjus2;

where &var1 ne . and ra ne . or groupe2 ne . and ra ne .;

var groupe1 groupe2 ra;

run;

%mend;

Entre autres, on y trouve une façon simple de transformer des données de type caractère vers des données de type numérique (et vice-versa).

http://www4.ncsu.edu/~fisik/SAS_Data_Handling.htm#d3

Merci à Simon Olivier Fournier pour l’information!

PROC TRAJ  DATA = OUT =/*Fichier de sortie avec les probabilités prédites que l’individu appartienne à chaque trajectoire*/

OUTPLOT =/*Fichier de sortie qui servira à tracer les graphiques*/

OUTSTAT =/*Fichier de sortie qui contient les équations des trajectoires*/

OUTEST =/*Fichier de sortie avec les paramètres des trajectoires et les statistiques d’ajustement du modèle*/

ITDETAIL/*Pour obtenir les détails sur les itérations*/

CI95M/*Option à mettre pour pouvoir obtenir des intervals de confiance autour des trajectoires*/

OUTPLOT2 = OUTSTAT2 =/*Même fichiers, mais pour effectuer de l’analyse duale, c’est-à-dire pour coupler les trajectoires de deux phénomènes, par exemple la motivation et la pérception de compétence*/;

MODEL cnorm/zip/logit/*Définition de la variable réponse :CNORM : Normal censurée, c’est le cas des études en psychologie où les individus doivent répondre selon une échelle bien définie, par exemple allant de 0 à 5.

ZIP : Zero inflated Poisson, c’est le cas lorsque la variable réponse est un dénombrement, avec possibilité que zéro (0) soit une valeur plus probable qu’avec la loi de Poisson standard.

Logit: La variable réponse est dichotomique.*/;

VAR /*Toutes les variables réponses pour chaque temps, s’il y a 5 temps de mesure, les 5 temps doivent être dans une variable différente, par exemple

id temps1 temps2 temps3 temps4 temps5 mot1 mot2 mot3 mot4 mot5

1    1             2           3         4             5       1.5   3.47  1.25   4.25  5.24

Alors on doit inscrire : VAR mot1-mot5*/;

TCOV /*Toutes les covariables variant dans le temps. Chacune doivent être écrites pour chacun des temps, comme pour la variable réponse.Par exemple : age1-age5 sexe1-sexe5 (bien que le sexe ne varie pas dans le temps, on peut mettre le sexe comme une TCOV*/;

RISK /*Les variables qui sont des facteurs de risque d’appartenir à une trajectoire plutôt qu’une autre. Les facteurs de risque ne sont mesurée qu’à un temps*/

INDEP /*Toutes les variables qui représente les temps de mesure, dans l’exemple précédent : temps1-temps5*/;

MIN/*À inscrire si la variable réponse est CNORM, il s’agit de la plus petite valeur possible pour la variable réponse*/;

MAX/*À inscrire si la variable réponse est CNORM, il s’agit de la plus grande valeur possible pour la variable réponse*/;

ORDER/*L’ordre de chacune des trajectoires, s’il y a trois trajectoires, une constante, une linéaire, une quadratique, il faut inscrire : 0 1 2*/;

NGROUPS /*Le nombre de trajectoires à modéliser*/;  

ID /*Variable indiquant le numéro d’idendification de l’observation*/; 

/*Pour de l’analyse duale*/

MODEL2; 

VAR2; 

INDEP2 /*Il faut inscrire un nom différent de variables que pour indep1, même si les deux phénomènes ont lieu en même temps*/; 

MIN2; 

MAX2; 

ORDER2; 

NGROUPS2 ; 

TCOV2 ; 

RISK2 ;

RUN;

%TRAJPLOT(/*Fichier Outplot*/, /*Fichier outstat*/, /*Titre 1*/, /*Titre 2*/, /*Titre Axe des Y*/, /*Titre Axe des X*/);

/*Graphiques des trajectoires, en ligne pleine la trajectoire observée. La trajectoire prédite est en ligne pointillée */

%TRAJPLOTNEW(/*Fichier Outplot*/, /*Fichier outstat*/, /*Titre 1*/, /*Titre 2*/, /*Titre Axe des Y*/, /*Titre Axe des X*/);

/*En ligne pleine, la trajectoire prédites, autour l’intervalle de confiance*/

Denis

Prenons un exemple concret, pour notre projet de fin d’études, Simon Olivier et moi tentions de modéliser le niveau de motivation scolaire des élèves du secondaires. Le niveau de motivation des élèves augmentait dans le temps, ce qui est contraire à ce qui a été observé dans la population en général. De plus, les élèves ayant de moins bons résultats scolaires au début de l’étude tendaient à connaître davantage une hausse de motivation que ceux qui avaient de moins bons résultats. Une hypothèse qui a été soulevée pour expliquer ce phénomène était que peut-être que la plupart des élèves avaient une motivation relativement stable, mais qu’un certain nombre des élèves qui avaient de mauvais résultats au départ ont redoublés d’effort, ont connus une hausse de leurs résultats et de leur motivation scolaire.

Pour vérifier cette hypothèse, j’ai utiliser un modèle d’analyse des trajectoires. Ce type de modèle permet de déterminer combien de trajectoires différentes sont suivies par les individus de notre échantillon, de déterminer la forme des trajectoires suivies par les individus (linéaire, quadratique, cubique…), de déterminer les facteurs de risque qui font qu’un individu suit une trajectoire plutôt qu’une autre et de déterminer des covariables variant dans le temps et qui font que l’individu subit une déviation par rapport à la moyenne de la trajectoire qu’il suit. Pour télécharger la procédure, pour connaître plus d’information, pour lire des articles qui expliquent le fonctionnement de base de la procédure et ses possibilités plus avancées, vous pouvez consulter : http://www.andrew.cmu.edu/user/bjones/ .

Nalgin a également écrit un livre sur l’analyse des trajectoires, qui est assez intéressant, bien qu’il ne parle pas de la procédure qu’il a implanté en SAS pour effectuer l’analyse. Principalement, il donne des lignes directrices pour effectuer l’analyse. Voici quelques conseils:

1. Prenez un phénomène que vous désirez étudier. Supposez d’abord qu’il y a une trajectoire d’un ordre donné (par exemple 2) et aucune covariable ni facteurs de risque, puis 2 trajectoires, puis 3, et ainsi de suite. Notez la valeur du critère BIC. La plus grande valeur (ou la plus petite valeur en valeur absolue) vous indique le bon nombre de trajectoire à utiliser.

2. Déterminer successivement l’ordre de chacune des trajectoires. Trajectoire par trajectoire, changez son ordre et notez le critère BIC. Même critère de décision qu’en 1.

3. Ajoutez des facteurs de risque, des covariables ou effectuez une analyse de trajectoire duale en utilisant comme valeur de départ de votre algorithme les valeurs des paramètres donnés dans le log de votre programme en 2.

L’analyse des trajectoires est certainement quelque chose d’assez complexe. Si vous avez des questions, n’hésitez pas à poster.

Denis 

P.S.: Je vais surement refaire un post éventuellement pour axer davantage sur la programmation SAS de la procédure, car je ne trouve pas les indications du site hyper hyper claires. Ça m’a pris pratiquement une semaine à temps plein à ne me concentrer que cette procédure avant de commencer à être capable de l’utiliser.

Cette fois çi, elle porte sur le MAD (Median absolute deviation), qui est une mesure robuste de la variation des données similaire à l’écart-type.
Certains d’entre nous ont programmé à la main des programmes pour calculer le MAD, cependant, SAS est capable de le faire pour nous avec la procédure UNIVARIATE et l’option ROBUSTSCALE.

Exemple:

PROC UNIVARIATE DATA = perm.transition2 ROBUSTSCALE; VAR AMI BMI CMI AIDEN BIDEN CIDEN AINTRO BINTRO CINTRO BREGE CREGE AAMO BAMO CAMO; RUN;

Bonne journée!

Denis

J’ai appris une nouvelle façon de faire des if, mais c’est beaucoup plus compact comme méthode. Voici un exemple :

SELECT(toto);
        WHEN (“valeur de toto” : ex. : 2) x = 3; (Cela veut dire que if toto = 2 then x = 3.)
        WHEN (“valeur de toto” : ex. : 4) x = 5;
        … (Autant qu’on en veut.)
        OTHERWISE x = .; (Optionnel, on peut s’arrêter avec un when.)
END;

Ou

SELECT;
        WHEN (toto < 2) x = 2;
        WHEN (2 <= toto < 6) x = 4;
        …
        OTHERWISE x = .;
END;

Dans un programme, ça fait pas mal plus beau qu’un paquet de if et de then.

Aussi, j’ai découvert une nouvelle procédure : PROC GLIMMIX. Par contre, elle doit être downloadé sur le site de SAS.
http://www.sas.com/apps/demosdownloads/sasstatglimmix_PROD__sysdep.jsp?packageID=000353&jmpflag=N
Elle fait sensiblement la même chose que GENMOD et s’écrit vraiment presque pareil. Elle permet cependant d’ajouter des effets aléatoires comparativement à GENMOD où on peut seulement lui ajouter un paramètre de dispersion (scale = d ou p avec l’option aggregate = ).

C’est tout pour ma chronique le saviez-vous. J’espère que vous avez appris des choses nouvelles.

Marie