sas数据分析结果.docx

sas数据分析结果.docx

《sas数据分析结果.docx》由会员分享，可在线阅读，更多相关《sas数据分析结果.docx（15页珍藏版）》请在冰豆网上搜索。

sas数据分析结果

SAS结课论文

SAS是在1960年代末期由两位北卡州立大学（NorthCarolinaStateUniversity）统计系的教授开发．第一版的SAS只含一般线性模型的分析法，而且只适用于IBM的主机；1976年成立SAS公司负责软件的发展、维护并提供相关服务．PC版本的SAS于1987年推出（V6.02），1989年推出SAS/PC（V6.04）版本；1997年下半年推出适用于多种操作系统的V6.12版本（Windows版）；2000年2月又推出SAS系统V8版本，2001年推出SAS系统V8.2版本；目前SAS最新版本为V9.01．

在众多的统计软件中，SAS以运行稳定、功能强大而著称。

近20年来，SAS一直占据着统计软件的高端市场，用户遍及金融、医药卫生、生产、运输、通讯、政府和教育科研等领域。

在数据处理和统计分析领域，SAS系统被誉为国际上的标准软件，堪称统计软件界的巨无霸。

在国际学术界有条不成文的规定，凡是用SAS统计分析的结果，在国际学术交流中可以不必说明算法，由此可见其权威性和信誉度。

SAS的功能模块:

SAS系统由三十几个模块组成，其分析功能散布在几乎所有的模块之中，较为集中的具有统计分析功能的是SAS/BASE、SAS/STAT、SAS/QC、SAS/INSIGHT、SAS/ETS等一些模块，通过编程可以调用各种分析功能。

对于常用的一些统计分析方法，SAS系统中的如下三种方法可以达到同样的目的：

●INSIGHT（“交互式数据分析”）

●Analyst（“分析家”）

●直接编程

方法一：

区间分析

1.点估计和区间估计

参数的估计方法主要有两种：

点估计和区间估计。

点估计是用样本的观测值估计总体未知参数的值。

由于样本的随机性，不同样本观测值计算得出的参数的估计值间存在着差异，因此常用一个区间估计总体的参数，并把具有一定可靠性和精度的估计区间称为置信区间。

利用构造的统计量及样本观测值，计算得出参数的置信区间的方法称为参数的区间估计。

2.参数的置信区间

在区间估计中，对于总体的未知参数θ，需要求出两个统计量θ1（X1，X2，...，Xn）和θ2（X1，X2，...，Xn）来分别估计总体参数θ的上限和下限，使得总体参数在区间（θ1，θ2）内的概率为

P{θ1<θ<θ2}=1–α

其中1–α称为置信水平，而（θ1，θ2）称为θ的置信区间，θ1,θ2分别称为置信下限和置信上限。

置信水平为1–α的含义是随机区间（θ1，θ2）以1–α的概率包含了参数θ。

3.正态总体均值和方差的置信区间

参数的区间估计大多是对正态总体的参数进行估计，如对单总体均值、方差的估计、两总体均值差的估计和两总体方差比的估计等。

4.总体比例与比例差的置信区间

实际应用中经常需要对总体比例进行估计，如产品的合格率、大学生的就业率和手机的普及率等。

记π和P分别表示总体比例和样本比例，则当样本容量n很大时（一般当nP和n（1–P）均大于5时，就可以认为样本容量足够大），样本比例P的抽样分布可用正态分布近似。

分析步骤如下：

1.对成交量做一个线图趋势统计：

选择菜单“Analyze（分析）”→“LinePlot（YX）（分布）”，打开“LinePlot（YX）”对话框。

在数据集sryzc的变量列表中，选择DATA变量，单击“X”按钮，DATA变量被选定为X轴，然后选择RQMCL变量，单击“Y”按钮，如图左所示。

单击“OK”按钮，即可得到线图如图所示。

有线图可以看出成交量和成交额的关系

2.成交量直方图：

首先在INSIGHT中打开数据集Mylib.sryzc

选择菜单“Analyze（分析）”→“Histogram/BarChart（Y）（直方图/条形图）”，打开“Histogram/BarChart（Y）”对话框。

在数据集的变量列表中，选择Income变量，然后单击“Y”按钮。

成交额的统计量

这是一个（成对匹配）双样本均值检验问题，若μ1和μ2分别表示两套试卷的平均成绩，则检验的是：

H0：

μ1–μ2=0，H1：

μ1–μ20；

1）在“分析家”中打开数据集Mylib.sjdf；

2）选择菜单“Statistics（统计）”→“HypothesisTests（假设检验）”→“TwoSamplePairedt-TestforMeans（均值的成对双样本t-检验）”；

3）在打开的“TwoSamplePairedt-TestforMeans”对话框中，并设置双样本均值检验，然后单击Plotsan按钮，在打开的对话框中选中tdistributionplot。

两次单击“OK”按钮，得到结果如下图所示

结果显示，无论两总体的方差是否相等，t统计量的p值=0.0005<0.05，所以在95%的置信水平下，拒绝原假设，两总体的均值有显著差异。

结果表明可以95%的把握认为股票中最新和昨收有显著差异。

方法二：

回归分析

1.回归模型

变量Y与其他有关变量X1，X2，…，Xk的关系Y=f（X1，X2，…，Xk）+ε称为“回归模型”，其中ε为均值为0的随机变量。

当f为线性函数时，回归模型：

Y=0+1X1+2X2+…+kXk+ε称为线性回归模型，本章主要讨论线性回归模型。

特别地，当k=1时称为一元线性回归模型。

2.回归分析的内容与目的

●建立变量Y与X1，X2，…，Xk的经验公式（回归方程，预测公式），即从一组样本数据出发，确定出变量之间近似的数学关系式；

●对经验公式的可信度进行检验；

●判断每个自变量Xi（i=1，2，…，k）对Y的影响是否显著；

●对经验公式进行回归诊断（诊断经验公式是否适合这组数据）；

●利用合适的经验公式，根据自变量的取值对因变量的取值进行预测。

3.线性回归模型（LineRegressionmodel）

线性回归模型的一般形式为：

Y=0+1X1+…+kXk+其中0，1，…k，是未知的参数，是不可观测的随机变量，称为误差项，假定N（0，2）。

如果有n次独立的观测数据（xi1，xi2，…，xik；yi）i=1，2，…，n，则线性回归模型可以表示成如下形式：

其中1，2，…，n相互独立且服从N（0，2）分布。

上式可以简写成如下矩阵形式：

Y=Xβ+ε其中

（1）分析步骤

选择主菜单“Statistics”→“Regression”→“Linear”，打开“LinearRegression（线性回归）”对话框，按顺序进行多元线性回归分析；

此时显示的分析结果表明模型的作用是显著的（F统计量的值为1.072E7，p值<0.0001<0.05=α）。

参数估计部分表明拟合的回归方程为：

Chengjiaoe=-216182+86064194chengjiaoliang+28998maiyijia1-3865.91895maiyijia2+0.14257maiyiliang1-0.09443maiyiliang2

（2）逐步回归

“分析家”中选择变量的方法很多，在上述步骤的“LinearRegression”对话框中，单击Model按钮，打开“LinearRegression：

Model”对话框。

在“Method”选项卡中包含多种变量的选择方法，选择其中一种，例如选择“Backwardelimination.

此时显示的分析结果为：

参数估计部分表明拟合的回归方程为：

Chengjiaoe=-216182+86064194chengjiaoliang+28998maiyijia1-3865.91895maiyijia2+0.14257maiyiliang1-0.09443maiyiliang2

模型的R2为1.0000，C（p）值较小（仅为6.0000）；方差分析中模型的作用也是显著的（F统计量的值为1.072E7，p值<0.0001<0.05=α）。

chengjiaoe

chengjiaoliang

maiyijia1

maiyijia2

maiyiliang1

maiyiliang2

1027280

101916

8.61

8.62

110

756

18080

63038

8.61

8.62

241

756

234240

94203

8.61

8.62

268

707

48216

126569

8.61

8.62

238

707

149856

135937

8.61

8.62

163

695

465256

12457

8.61

8.62

17

375

211016

51117

8.61

8.62

228

290

117104

44243

8.61

8.62

142

289

294784

189999

8.62

8.63

714

1388

65520

125290

8.62

8.63

643

1383

112920

87157

8.62

8.63

533

1382

8624

58210

8.62

8.63

595

1384

53448

52667

8.62

8.63

781

1390

333984

169973

8.62

8.63

781

1003

650048

116984

8.62

8.63

208

919

1366336

28494

8.61

8.62

1708

26

70704

47163

8.61

8.62

1610

13

109584

108684

8.61

8.62

1610

163

62032

150994

8.61

8.62

1569

122

215624

129095

8.61

8.62

1594

116

63744

647167

8.61

8.62

1576

93

58584

249362

8.61

8.62

1545

356

473272

62935

8.62

8.63

25

1101

23288

82003

8.62

8.63

25

1124

148320

79294

8.61

8.62

1531

1

7760

126967

8.62

8.63

96

1221

137096

81437

8.62

8.63

106

1182

306640

12727

8.61

8.63

1409

1226

206752

96832

8.62

8.63

33

1457

451288

58462

8.62

8.63

20

1053

138000

70170

8.61

8.62

1570

36

99208

28762

8.62

8.63

8

1007

199896

1264977

8.61

8.62

1490

24

60336

90716

8.61

8.62

1480

114

112936

48807

8.61

8.63

1490

992

84480

39277

8.62

8.63

101

992

132768

144511

8.62

8.63

8

994

34480

47951

8.61

8.62

1500

49

259456

29121

8.61

8.62

1497

1008

88776

21644

8.61

8.62

1525

949

193952

211877

8.61

8.62

1505

892

35344

298421

8.61

8.62

1505

1000

320536

36848

8.61

8.62

1388

1034

81824

7216

8.61

8.62

1327

1275

48216

64617

8.61

8.62

1272

1286

94752

5703

8.61

8.62

1207

1634

43104

26163

8.61

8.62

1210

1611

234408

19405

8.61

8.62

1152

1441

105112

23384

8.61

8.62

1104

1528

105056

28279

8.61

8.62

1112

1541

43944

234573

8.61

8.62

1091

1517

94736

21672

8.61

8.62

1024

1571

55968

33852

8.61

8.62

1019

1568

112000

28968

8.61

8.62

1041

1571

85312

8106

8.61

8.62

1012

1519

734968

42747

8.61

8.62

791

987

27552

16653

8.61

8.62

759

1006

235096

46414

8.61

8.62

1145

984

282664

80954

8.61

8.62

1134

656

145552

336241

8.61

8.62

1036

631

228376

12060

8.61

8.62

979

426

63720

54764

8.61

8.62

951

460

120616

12189

8.61

8.62

892

361

510680

191408

8.61

8.62

532

315

181792

23840

8.61

8.62

502

218

126576

10060

8.61

8.62

405

377

125824

29625

8.61

8.62

382

262

150728

49643

8.61

8.62

298

285

566264

6182

8.6

8.62

1522

273

72344

22238

8.6

8.61

1522

35

1720

9350

8.6

8.61

1520

105

171320

87656

8.6

8.61

1505

154

45632

73395

8.6

8.61

1505

134

55944

65923

8.6

8.61

1459

208

49040

7623

8.6

8.61

1435

224

281536

62139

8.6

8.61

1434

24

106720

10262

8.61

8.62

17

1005

88744

20345

8.61

8.62

61

952

101592

200364

8.6

8.61

1406

57

188376

23340

8.6

8.61

1332

115

189208

20201

8.6

8.61

1128

118

177352

8463

8.6

8.62

1112

982

229184

158816

8.61

8.62

1

778

912520

18361

8.6

8.61

269

86

17200

10562

8.6

8.61

252

202

487144

12787

8.6

8.61

95

118

222848

136465

8.59

8.6

1376

35

346112

49608

8.6

8.61

23

10

97232

8141

8.6

8.61

14

120

71424

10212

8.6

8.61

324

178

37024

12869

8.6

8.61

463

350

178920

67164

8.6

8.61

446

312

59352

28232

8.6

8.61

487

302

383056

67249

8.61

8.62

217

1672

86160

22893

8.61

8.62

256

1610

215288

112944

8.61

8.62

159

1572

174816

2283

8.61

8.62

6

1536

227968

69495

8.6

8.61

631

139

209888

86792

8.6

8.61

481

1598

11184

10417

8.6

8.61

478

2623

123112

220660

8.6

8.61

444

2857

513432

11088

8.59

8.6

1212

674

166840

106678

8.59

8.6

1222

1070

146200

13189

8.59

8.6

1222

1036

125560

13396

8.59

8.6

1244

1346

53320

5981

8.59

8.6

1259

1301

55904

86955

8.59

8.6

1476

1250

176296

10261

8.59

8.6

1476

1059

1266744

21618

8.6

8.61

1074

3796

20640

22216

8.6

8.61

1306

3796

58496

114992

8.6

8.61

1383

3802

1209160

25643

8.6

8.61

28

3797

91200

10238

8.59

8.6

1452

41

451088

65869

8.6

8.61

104

3554

320608

207517

8.59

8.6

879

395

8600

38520

8.59

8.6

879

397

112640

7030

8.59

8.6

863

703

18920

13745

8.59

8.6

863

742

109224

47015

8.59

8.6

865

675

43000

17502

8.59

8.6

865

1071

104856

9042

8.59

8.6

920

1075

10320

27948

8.59

8.6

934

1372

50736

23691

8.59

8.6

1470

1404

41248

9310

8.59

8.6

1652

1435

179280

27155

8.59

8.6

1741

1292

418376

9339

8.59

8.6

1321

1470

320640

244465

8.59

8.6

1189

1478

180416

49810

8.59

8.6

1094

1522

119424

12981

8.59

8.6

995

1879

512872

6395

8.59

8.6

449

1842

207168

63829

8.59

8.6

370

1739

181336

10510

8.59

8.6

247

1658

1128832

2825

8.58

8.59

1068

185

54120

53056

8.58

8.59

1105

194

210032

15665

8.59

8.6

546

1330

8592

20894

8.59

8.6

566

1150

144400

177143

8.59

8.6

622

1071

187456

27408

8.59

8.6

1162

874

61072

12189

8.59

8.6

1390

868

180472

42506

8.59

8.6

1575

782

487144

75190

8.61

8.61

228

756

222848

23037

8.61

8.61

142

707

346112

19298

8.61

8.62

714

707

97232

118869

8.61

8.62

643

695

71424

214492

8.61

8.61

533

375

37024

47365

8.61

8.61

595

290

178920

11655

8.62

8.61

781

1384

59352

8083

8.62

8.62

1610

1390

383056

36614

8.62

8.62

1610

1003

86160

15176

8.62

8.61

1569

919

215288

18702

8.62

8.61

1594

26

174816

31900

8.62

8.61

1576

13

227968

9823

8.62

8.6

1545

163

207168

2836

8.61

8.61

25

93

181336

26440

8.61

8.61

25

356

1128832

18805

8.61

8.61

1531

1101

54120

62220

8.61

8.62

96

1124

210032

15151

8.61

8.62

106

1

8592

82790

8.61

8.62

8

1221

144400

30364

8.61

8.62

1490

1182

187456

45927

8.62

8.62

1480

1226

61072

2978

8.62

8.62

1490

1457

180472

76968

8.61

8.62

101

1053

487144

12275

8.62

8.63

8

1008

222848

4119

8.62

8.63

1500

949

346112

21860

8.61

8.63

1497

892

650048

189876

8.62

8.63

1525

1000

1366336

10858

8.62

8.63

1505

1034

70704

35438

8.61

8.63

1505

1275

109584

26801

8.62

8.63

1388

1286

62032

30900

8.61

8.62

1327

1634

215624

23248

8.61

8.62

1112

1611

63744

32119

8.61

8.62

1091

1441

58584

14166

8.62

8.62

1