différence AIC entre SAS et R

Bonjour,

je lance une régression logistique en SAS et en R (proc logistic et glm(..., family=binomial)).
Tous les coefficients sont identiques, les variances également, mêmes degrés de liberté... seulement l'AIC diffère entre SAS et R.

J'ai 34720 pour SAS et 34547 pour R... ce qui n'a rien à voir.

Evidemment, nous retrouvons la même différence sur le log Lik (17350 vs 17263)... mais je ne comprends pas ce qui peut expliquer cette différence?!

Si quelqu'un aurait déjà entendu parler de ce "problème"?

Merci

Ca fait une différence d'un demi pourcent, ce qui n'est pas énorme tout de même. Je pencherais sur des erreurs d'arrondi.

Une autre piste à explorer: glm(..., family=binomial)) n'estime pas de coefficient de dispersion. Qu'en est-il de proc logistic? Tu ne dis rien concernant le fait que le coefficient de dispersion ait été estimé ou pas. Dans les deux cas, les paramètres estimés restent identiques, mais la vraisemblance change, je pense.

Hormis ceci, je n'ai pas d'autres idées d'explication.

Eric.

Bonjour,
Je ne sais pas si c'est l'explication, mais dans R, la fonction logLik renvoie ce que SAS appelle ici la "full log likelihood":http://support.sas.com/documentation/cdl/en/statug/68162/HTML/default/viewer.htm#statug_genmod_details01.htm
mais il est possible que dans SAS, l'AIC soit calcule en utilisant la log-likelihood

Ayana

Pas de coefficients de dispersion pour SAS non plus.

Concernant le full log likelihood, je n'ai pas réussi à trouver un endroit qui me dit clairement si l'AIC est construit avec le full loglik ou pas pour la proc logistic... ça peut-être une partie de la réponse, mais pas que, puisque pour des modèles proches, le classement de ces modèles (vis-à-vis de l'AIC) n'est pas toujours le même entre SAS et R, donc je pencherais aussi sur des erreurs d'arrondi... les coefficients estimés des modèles étant eux toujours égaux, sur tous les modèles testés.

Merci à vous