示例 (LINEAR_LASSO 扩展命令)

LINEAR_LASSO y WITH x1 TO x5
  /ALPHA=.75.

• 在标准化版本的协变量列表 x1 TO x5上拟合了套索回归，其中包含变量 x1， x5以及活动数据集中 x1 和 x5之间的任何变量。
• 规则化强度参数 ALPHA 设置为 .75 ，这意味着规则化小于缺省值 1。
• 输入数据使用伪随机 70-30 分割进行分区。

LINEAR_LASSO y WITH x1 x2 z1 z2
  /PLOT RESIDUALS
  /SAVE PRED RESID.

• 在 x1， x2， z1和 z2的标准化版本上拟合了套索回归 y。
• alpha 规则化参数保留为缺省值 1。
• 将显示残差与预测值的散点图。
• 使用缺省名称保存预测值和残差。
• 输入数据使用伪随机 70-30 分割进行分区。

LINEAR_LASSO y WITH x1 x2 x3
  /MODE = TRACE
  /ALPHA VALUES = -3 TO 2 BY .25 METRIC = LG10
  /PARTITION TRAINING = 3 HOLDOUT = 1.

• 在标准化版本的 x1， x2和 x3上拟合了一系列套索回归模型。
• 将显示回归系数，均方误差 (MSE) 和 R² 相对于训练数据的 alpha 的图，而不是表格输出。
• Alpha 从 10^-3 开始，到 10²结束，中间值每 10^.25 个单位在这些值之间 (例如， 10^-2.75， 10^-2.5， ... ， 10^1.5， 10^1.75)。
• 训练数据包含大约 75% 的输入数据的伪随机选择。
• 由于未拟合单个模型或最终模型，因此未使用保留数据。

LINEAR_LASSO y BY group WITH x1 x2
  /MODE = CROSSVALID
  /ALPHA = .01 TO 2 BY .01
  /CRITERIA NFOLDS = 10 TIMER = 15
  /PARTITION TRAINING = 70 HOLDOUT = 30
  /PRINT COMPARE
  /SAVE PRED RESID.

• 拟合一系列套索回归模型，在表示观察到的组类别以及 x1 和 x2的指标的标准化版本上回归 y。
• 使用 200 个 alpha 值和 10 个交叉验证折，在选择 alpha 值时总共执行 2000 个拟合和评分循环。
• CRITERIA 子命令中的 TIMER 指定项允许整个过程使用 15 分钟。
• 大约 70% 的输入数据用于 alpha 选择过程，其余 30% 在 alpha 选择后，根据拟合到整个训练子集的模型进行评分。
• 每个模型估算 10 次，平均交叉验证 R² 用于评估模型准确性。
• 表格输出包含所有拟合模型的汇总结果，按交叉验证折上的平均 R² 降序排序，以及保留测试数据的评分结果。
• 将为所有个案 (训练和坚持) 保存基于所选 alpha 值的预测值和残差。