SAS分析法代码

SAS常用的过程过程步大全为区分过程名称的拼写，故意部分小写，以便识别和记忆基本SAS程序代码结构:PRO(MODEata=Arndata.moddat;/*命令的解释*/varyx1-x6;/*命令的解释*/正态性检验PROCUNIvariatePROCUNIvariatedata=Arndata.unidat;相关分析和回归分析PROCREG回归PROCREGdata=Arndata.regdat;varyx1-x6;selection=stepwise;/*modely=x1-x6/加入逐步回归选项*/printcli;/*加入输出预测结果部分，还可以输出acov,all,cli,clm,collin,collinoint,cookd,corrb.covb,dw（时序检验统计量）,i,influence,p,partial,pcorr1,pcorr2,r.scorr1,scorr2,seqb,spec,ss1,ss2,stb,tol,vif（异方差检验统计量）,xpx*/ploty*x2/conf95;/*做散点图*/run;DATAArndata.regdat;x2x2=x2*x2;x1x2=x1*x2;PROCREGdata=Arndata.regdat;varyx1x2x2x2x1x2;/*多项式回归，非线性回归*/modely=x1x2x2x2x1x2/selection=stepwise;/*加入逐步回归选项*/conf95;散点图*//*做run;PROCRSreg二次响应面回归PROCORTHOreg病态数据回归PROCNLIN非线性回归PROCTRANSreg变换回归PROCCALIS线性结构方程和路径分析PROCGLM一般线性模型/**命令的PROCGENmod广义线性模型modely=typ;/*可以看出此处是单因素方差分析（分类型自变量对数值型自变量的影响）*/run;PROCGLM多因素非均衡数据PROCGLMdata=Arndata.glmdat;/*命令的解释*/classtypeatypeb;modely=typeatypeb;/*可以看出此处是不考虑交互作用的多因素方差分析（分类型自变量对数值型自变量的影响）*/run;PROCGLMdata=Arndata.glmdat;*/classtypeatypeb;modely=typeatypebtypea*typeb;/*可以看出此处是考虑交互作用的多因素方差分析（分类型自变量对数值型自变量的影响）*/run;主成分分析PROCPRINcompPROCPRINcompdata=Arndata.pmdatn=4out=w1outstat=w2;varx1-x6;PROCprintdata=w1;PROCplotdata=w1vpct=80;/*一句话，其实print就是plot输出图形的文字形式而已*/plotprin1*prin2$districts='*7haxis=-3.5to3by0.5HREF=-2,0,2vaxis=-3to4.5by1.5HREF=-2,0,2;/*主成分的散点图，也就是载荷图*/run;因子分析PROCFACTORPROCFACTORdata=Arndata.factordatsimplecorr;varyx1-x6;title'18个财务指标的分析’；title2'主成分解'；run;PROCFACTORdata=Arndata.factordatn=4;/*选择4个公共因子*/PROCFACTORdata=Arndata.factordatn=4rotate=VARImaxREorder;/*因子旋转：方差最大因子法*/PROCSCOREPROCFACTORdata=Arndata.factordatn=4rotate=VARImaxREorderscoreout=score_Out;/*输出因子得分矩阵*/run;PROCprintdata=score_Out;vardistrictsfactorlfactor2factor3factor4;run;PROCplotdata=score_Out;plotfactor1*factor2$districts='*'/href=0Vref=0;/*因子的散点图，也就是载荷图*/典型相关分析PROCCANcorr基本SAS程序代码结构:DATAjt(TYPE=CORR);/*TYPE=CORR明数据类型为相关矩阵，而不是原始数据,type还可以是cov,ucov,factor,sscp,ucorr等*/inputnames$1-2(x1x2y1-y3)(6.);/*name$表示读取左侧的变量名，1-2表示变量名的字符落在第1,2列上*/y3PROCCANcorrdata=Arndata.cancorrdatedf=70redundancy;/*误差自由度的参考值，默认值是n=1000；redundancy表示输出冗余度分析的结果*/对应分析/*交叉表分析的拓展，寻找行和列的关系，一般行指代各种cases，而列代表各种visions*/PROCCORRespPROCCORRespdata=Arndata.correspdatout=result;varx1-x6;idType;optionsps=40;procplotdata=result;plotdim2*dim1="*"$Type/boxhaxis=-0.2to0.3by0.1Vaxis=-0.1to0.3by0.1聚类分析PROCCLUSTERPROCCLUSTERdata=Arndata.clusdatmethod=ave/*做聚类树proctreehorizontai;*/run;PROCFASTclusPROCFASTclusdata=Arndata.clusdatmaxclusters=3listout=clusdat_Out;varx1-x6;iddatid;run;PROCACEclusPROCVARCLUS/*系统默认使用主成分法PROC/ARclusdata=Arndata.clusdat;聚类*/varx1-x6;run;保证分析过PROCVARclushierarchydata=Arndata.clusdat;/*程中不同水平的谱系结构*/varx1-x6;run;PROCVARcluscentroiddata=Arndata.clusdatouttree=clusdat_out;/*使用重心法聚类*/varx1-x6;run;PROCTREEPROCTREEdata=Arndata.clusdathorizontal;/*使用TREE过程绘制聚类谱系图*/varx1-x6;run;判别分析PROCDISCRIMPROCDISCRIMdata=Arndata.discrimdatlistout=discrimdat_Outdistaneepool=yes;classTyp;/*指定分类变量*/varx1-x6;/*用于建立判别识别函数的变量*/ididdiscrim;/*标注样本的变量*/run;第二种方法，将需要判别的新样本放在testdata里:PROCDISCRIMdata=Arndata.discrimdat1testdata=Arndata.discrimdat2testlisttestout=discrimdat_Out;/*将原来的几个选项加注test标示*/classTyp;/*指定分类变量*/varx1-x6;/*用于建立判别识别函数的变量*/ididdiscrim;/*标注样本的变量*/run;PROCSTEPdisc:逐步判别分析过程PROCSTEPdiscmethod=stepwisedata=Arndata.discrimdatSLentry=O.1OSLstay=0.10;/*设定引入和剔除的显著性水平*/classTyp;/*指定分类varx1-x6;/*用于建立变量*/判别识别函数的变量*/run;PROCCANdisc:Fisher判别分析过程PROCCANdiscdata=Arndata.discrimdatout=discrimdat_Outdistaneesimple;classTyp;/*指定分类变量*/varx1-x6;/*用于建立判别识别函数的变量*/run;procprintdata=discrimdat_Out;run;方差分析PROCANOVA单因素均衡数据和非均衡数据PROCANOVAdata=Arndata.anovadat;解释*/classtyp;*命令的解释*/