sas数据分析结果.doc

SAS结课论文 SAS是在1960年代末期由两位北卡州立大学(North Carolina State University)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，需要求出两个统计量1(X1，X2，.，Xn)和2(X1，X2，.，Xn)来分别估计总体参数的上限和下限，使得总体参数在区间（1，2）内的概率为P1 < <2 = 1 其中1 称为置信水平，而(1，2)称为的置信区间，1,2分别称为置信下限和置信上限。置信水平为1 的含义是随机区间(1，2)以1 的概率包含了参数。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）”“Line Plot (Y X)（分布）”，打开“Line Plot (Y X)”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/Bar Chart (Y)（直方图/条形图）”，打开“Histogram/Bar Chart (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1和2分别表示两套试卷的平均成绩，则检验的是： H0：1 2 = 0，H1：1 2 ¹ 0；1) 在“分析家”中打开数据集Mylib.sjdf；2) 选择菜单“Statistics（统计）”“Hypothesis Tests（假设检验）”“Two Sample Paired t - Test for Means（均值的成对双样本t - 检验）”；3) 在打开的“Two Sample Paired t - Test for Means”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 t distribution plot。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) + 称为“回归模型”，其中为均值为0的随机变量。当f为线性函数时，回归模型：Y = 0 + 1X1 + 2X2+ kXk+ 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(Line Regression model)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 = X + 其中(1) 分析步骤选择主菜单“Statistics” “Regression” “Linear”，打开“Linear Regression（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 = ）。参数估计部分表明拟合的回归方程为：Chengjiaoe=-+chengjiaoliang+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“Linear Regression”对话框中，单击Model按钮，打开“Linear Regression：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“Backward elimination. 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=-+chengjiaoliang+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 = ）。chengjiaoechengjiaoliangmaiyijia1maiyijia2maiyiliang1maiyiliang28.618.6211075618080630388.618.62241756942038.618.62268707482168.618.622387078.618.62163695124578.618.6217375511178.618.62228290442438.618.621422898.628.637141388655208.628.636431383871578.628.6353313828624582108.628.63595138453448526678.628.6378113908.628.6378110038.628.63208919284948.618.6217082670704471638.618.621610138.618.621610163620328.618.6215691228.618.621594116637448.618.62157693585848.618.621545356629358.628.6325110123288820038.628.63251124792948.618.621531177608.628.63961221814378.628.631061182127278.618.6314091226968328.628.63331457584628.628.63201053701708.618.6215703699208287628.628.63810078.618.6214902460336907168.618.621480114488078.618.63149099284480392778.628.631019928.628.63899434480479518.618.62150049291218.618.621497100888776216448.618.6215259498.618.621505892353448.618.6215051000368488.618.62138810348182472168.618.621327127548216646178.618.62127212869475257038.618.621207163443104261638.618.6212101611194058.618.6211521441233848.618.6211041528282798.618.6211121541439448.618.621091151794736216728.618.621024157155968338528.618.6210191568289688.618.62104115718531281068.618.6210121519427478.618.6279198727552166538.618.627591006464148.618.621145984809548.618.6211346568.618.621036631120608.618.6297942663720547648.618.62951460121898.618.628923618.618.62532315238408.618.62502218100608.618.62405377296258.618.62382262496438.618.6229828561828.68.62152227372344222388.68.61152235172093508.68.611520105876568.68.61150515445632733958.68.61150513455944659238.68.6114592084904076238.68.611435224621398.68.61143424102628.618.6217100588744203458.618.62619528.68.61140657233408.68.611332115202018.68.61112811884638.68.6211129828.618.621778183618.68.612698617200105628.68.61252202127878.68.61951188.598.6137635496088.68.6123109723281418.68.611412071424102128.68.6132417837024128698.68.61463350671648.68.6144631259352282328.68.61487302672498.618.62217167286160228938.618.6225616108.618.62159157222838.618.6261536694958.68.61631139867928.68.61481159811184104178.68.6147826238.68.614442857110888.598.612126748.598.612221070131898.598.612221036133968.598.6124413465332059818.598.61259130155904869558.598.614761250102618.598.614761059216188.68.611074379620640222168.68.6113063796584968.68.6113833802256438.68.6128379791200102388.598.6145241658698.68.6110435548.598.68793958600385208.598.687939770308.598.686370318920137458.598.6863742470158.598.686567543000175028.598.6865107190428.598.6920107510320279488.598.6934137250736236918.598.6147014044124893108.598.616521435271558.598.61741129293398.598.6132114708.598.611891478498108.598.610941522129818.598.6995187963958.598.64491842638298.598.63701739105108.598.6247165828258.588.59106818554120530568.588.591105194156658.598.654613308592208948.598.656611508.598.66221071274088.598.6116287461072121898.598.61390868425068.598.61575782751908.618.61228756230378.618.61142707192988.618.62714707972328.618.62643695714248.618.6153337537024473658.618.61595290116558.628.6178113845935280838.628.6216101390366148.628.621610100386160151768.628.611569919187028.628.61159426319008.628.6115761398238.628.6154516328368.618.612593264408.618.6125356188058.618.611531110154120622208.618.62961124151518.618.6210618592827908.618.6281221303648.618.6214901182459278.628.62148012266107229788.628.6214901457769688.618.621011053122758.628.638100841198.628.631500949218608.618.6314978928.628.6315251000108588.628.631505103470704354388.618.6315051275268018.628.631388128662032309008.618.6213271634232488.618.621112161163744321198.618.621091144158584141668.628.6210241568771958.628.6210191571232888.618.62104115198.618.6210129877760113208.618.637911006179038.618.63759984261688.618.621145656181638.618.6311346318.618.631036426330678.618.639794609920835668.618.63951361102558.618.638923560336108158.618.62532105457578.598.6350215484480125358.598.621520134292968.598.62150520834480168228.598.63150522436318.598.6314592488776195268.588.6314351005152888.588.6214349523534461628.598.631757655948.598.636111558584374128.598.631406118360048.598.631332118232888.598.63112835269208.598.62111210