SAS常用程序(4)
2012-04-17 生物谷 不详
2.5 常用实验设计方差分析的SAS程序 在这本教材中我们只介绍了完全随机化实验设计和交叉分组实验设计的方差分析。除这两种实验设计外，还有很多实验设计需要用方差分析的方法处理数据。如随机化完全区组设计、拉丁方设计、裂区设计、套设计、正交设计等。这些实验设计方法在很多教材中都可以找到，限于篇幅在这里就不做更多的介绍了，只给出线性统计模型、均方期望和检验统计量。完全随机化
2.5 常用实验设计方差分析的SAS程序
在这本教材中我们只介绍了完全随机化实验设计和交叉分组实验设计的方差分析。除这两种实验设计外，还有很多实验设计需要用方差分析的方法处理数据。如随机化完全区组设计、拉丁方设计、裂区设计、套设计、正交设计等。这些实验设计方法在很多教材中都可以找到，限于篇幅在这里就不做更多的介绍了，只给出线性统计模型、均方期望和检验统计量。完全随机化实验设计的SAS程序在§ 2.4中已经做过介绍，这一节将给出其它一些实验设计方差分析的SAS程序。在阅读以下内容之前，请先阅读第一章“SAS软件基本操作”。
2.5.1 三因素交叉分组实验的方差分析
在课本9.5.3中已经给出了一个混合模型（A、C固定，B随机）三因素交叉分组实验设计的均方期望及检验统计量。下面以一个一般化的三因素交叉分组实验为例说明方差分析的SAS程序。
例 2.10 由A、B、C三个因素构成一个三因素交叉分组实验，其中A、C固定，B随机。A因素有三个水平，记为A1－A3；B因素有四个水平，记为B1－B4；C因素有五个水平，记为C1－C5，实验重复两次。记录了R1和R2两个因变量（即实验结果，如作物的株高、穗长，人的血压、血黏度等），原始数据不再给出。按每一观测的A、B、C、R1、R2的顺序建立外部数据文件，路径和文件名为a:\2-6data.dat。
1 1 1 18.0 24.1 1 1 2 19.6 24.7 1 1 3 17.5 24.7 1 1 4 17.9 25.8
1 1 5 19.1 25.2 1 2 1 23.4 33.4 1 2 2 23.0 33.2 1 2 3 23.9 32.9
1 2 4 23.2 34.3 1 2 5 27.0 35.0 1 3 1 24.5 29.6 1 3 2 23.7 30.8
1 3 3 23.5 31.7 1 3 4 21.2 32.2 1 3 5 25.7 31.9 1 4 1 19.4 27.6
1 4 2 17.3 27.8 1 4 3 18.1 28.0 1 4 4 18.8 28.7 1 4 5 18.8 28.4
2 1 1 18.8 28.7 2 1 2 19.6 28.6 2 1 3 18.6 29.8 2 1 4 18.2 30.1
2 1 5 20.8 31.0 2 2 1 24.2 38.2 2 2 2 24.4 37.9 2 2 3 25.3 38.3
2 2 4 24.0 38.6 2 2 5 27.3 33.7 2 3 1 25.9 35.1 2 3 2 23.6 34.4
2 3 3 23.8 36.1 2 3 4 21.1 35.9 2 3 5 26.4 36.4 2 4 1 18.9 34.2
2 4 2 21.9 31.9 2 4 3 23.5 32.3 2 4 4 20.0 33.0 2 4 5 20.4 33.3
3 1 1 19.2 31.2 3 1 2 19.6 30.6 3 1 3 19.2 32.5 3 1 4 18.9 33.1
3 1 5 20.0 32.3 3 2 1 22.6 38.7 3 2 2 23.4 39.4 3 2 3 25.5 41.0
3 2 4 24.2 41.2 3 2 5 28.3 42.4 3 3 1 25.3 36.3 3 3 2 23.9 37.2
3 3 3 23.8 36.9 3 3 4 21.2 38.4 3 3 5 25.4 37.4 3 4 1 17.2 30.9
3 4 2 17.9 32.0 3 4 3 20.8 31.8 3 4 4 18.2 33.1 3 4 5 16.4 31.5
1 1 1 18.3 24.4 1 1 2 19.2 24.2 1 1 3 18.4 25.5 1 1 4 18.1 26.3
1 1 5 19.2 25.3 1 2 1 23.3 33.2 1 2 2 23.0 32.9 1 2 3 25.1 34.2
1 2 4 24.6 35.6 1 2 5 26.0 34.0 1 3 1 24.5 29.5 1 3 2 23.1 30.0
1 3 3 23.0 31.1 1 3 4 20.3 31.3 1 3 5 25.5 31.4 1 4 1 19.6 27.4
1 4 2 19.8 25.9 1 4 3 22.2 27.3 1 4 4 19.5 28.5 1 4 5 19.6 28.1
2 1 1 18.0 28.0 2 1 2 19.6 28.4 2 1 3 19.3 30.6 2 1 4 18.0 30.0
2 1 5 20.1 30.3 2 2 1 24.0 38.8 2 2 2 23.8 37.4 2 2 3 24.2 36.9
2 2 4 24.2 38.9 2 2 5 27.8 37.0 2 3 1 25.6 34.7 2 3 2 23.4 34.0
2 3 3 23.7 35.7 2 3 4 20.6 35.3 2 3 5 26.1 35.9 2 4 1 20.4 32.3
2 4 2 24.6 34.6 2 4 3 23.9 32.8 2 4 4 21.1 34.1 2 4 5 20.0 33.0
3 1 1 18.3 30.1 3 1 2 19.8 31.0 3 1 3 17.6 30.6 3 1 4 17.9 31.9
3 1 5 20.8 32.8 3 2 1 23.4 39.8 3 2 2 23.4 39.4 3 2 3 26.5 41.7
3 2 4 24.4 41.6 3 2 5 27.1 41.3 3 3 1 25.6 36.6 3 3 2 23.5 37.0
3 3 3 23.7 37.9 3 3 4 21.4 38.4 3 3 5 25.5 37.5 3 4 1 17.5 31.5
3 4 2 19.5 31.6 3 4 3 21.7 32.4 3 4 4 18.4 33.4 3 4 5 16.5 31.5
解：SAS程序如下：
options linesize=76;
data example;
infile ‘a:\2-6data.dat’;
input a b c r1 r2 @@;
run;
proc anova;
class a b c;
model r1 r2 = a b c a*b a*c b*c a*b*c;
test h = a e = a*b;
test h = c e = b*c;
test h = a*c e = a*b*c;
means a / duncan e = a*b alpha = 0.01;
means c / lsd e = b*c alpha = 0.01;
run;
与单因素方差分析的SAS程序相比，大同小异。在这里由于因素由1个变为3个，因此分类变量相应变为3个。在MODEL语句中r1 r2 = a b c a*b a*c b*c a*b*c; 的含义是，需要分析a、b、c三个主效应，两两交互作用及三重交互作用对因变量r1和r2的贡献。实际上，这里是两次方差分析，得到两个方差分析表，一个是对r1进行的方差分析，一个是对r2进行的方差分析。当然也可以只计算其中的一部分，如r1 r2 = a b c b*c或r2 = a b c a*b a*b*c 等。
TEST语句中h = a e = a*b 的含义是用A´B交互作用检验A因素效应，即FA ＝MSA / MSAB，另外两个TEST语句含义为FC＝MSC / MSBC，FAC＝MSAC / MSABC。在没有特别说明时，因素的效应都是用MSe检验的（见课本9.5.3）。当然，随着模型的改变，检验统计量会相应改变，这里的TEST语句也要改变。
MEANS语句中选项e = a*b是指明在做DUNCAN检验时，应使用MSAB作为误差均方检验因素A的效应，否则将使用MSe做检验。
实验结果中，若有缺失数据，缺失的数据在方差分析中将被忽略掉，因此实验结果中的数据应完整。
执行上述程序，输出的结果见表2－14。
表2－14 例2.10方差分析输出的结果
The SAS System
Analysis of Variance Procedure
Class Level Information
|
Class |
Levels |
Values |
|
A |
3 |
1 2 3 |
|
B |
4 |
1 2 3 4 |
|
C |
5 |
1 2 3 4 5 |
Number of observations in data set = 120
The SAS System
Analysis of Variance Procedure
Dependent Variable: R1
|
|
|
Sum of |
Mean |
|
|
|
Source |
DF |
Squares |
Square |
F Value |
Pr > F |
|
|
|
|
|
|
第九章 直线回归、直线相关与logistic回归（下）
§8.4 多元线性回归
REG过程不仅可以完成只有一个自变量的简单直线回归，还可以作含有多个自变量的多元线性回归。作多元线性回归时REG过程的语法格式与简单直线回归的语法几乎完全相同，只要把要分析的多个自变量名放在MODEL语句中应变量后即可。因为多元线性回归时一般要作自变量的筛选，涉及到MODEL语句的选项，现将多元线性回 2.1 利用SAS软件描述样本数据
用SAS可以对样本数据进行全面描述，得出样本的各种特征数以及频数分布图。在阅读以下内容之前请先阅读第一章“SAS软件基本操作”。
2.1.1 用MEANS语句描述数据
例 2.1 计算课本上习题1.2的平均数和标准差。
解 2.4 单因素方差分析的SAS程序
在阅读以下内容之前，请先阅读第一章"SAS软件基本操作"。
单因素实验设计又称为完全随机化实验设计。该实验设计要求实验条件或实验环境的同质性很高。例如，比较a个作物品种的产量，每一品种设置n个重复，全部实验共有an次。根据完全随机化实验设计的要求，试验田中的an个试验小区的土质、肥力、含水量、小气候、田间管理等条件 第八章 直线回归、直线相关与logistic回归（上）
直线回归与相关是联系非常紧密的两种统计分析方法，事实上SAS用于回归分析的程序步REG也可提供相关分析的结果，但进一步的深入分析仍应采用相应的程序步－－CORR才能实现。本章前三节主要介绍两个常用的用于直线回归和相关分析的程序步――REG过程和CORR过程。后两节则介绍多元线性回归和Logistic回归的方法和所用的过程。
§8.1 第十章 非参数检验
非参数统计是统计分析的重要组成部分。可是与之很不相称的是它的理论发展远远不及参数检验完善，因而比较完善的可供使用的方法也不多。在SAS中，非参数统计主要由UNIVARIATE过程、MEANS过程和NPAR1WAY过程来实现，前两者在前面的章节中已经介绍，它们可以进行配对设计差值的符号秩和检验（WILCOXON配对法）；后者是一个单因素的非参数方差分析过程，可进 2.2 统计假设检验的SAS程序
在阅读以下内容之前，请先阅读第一章“SAS软件基本操作”。
2.2.1 单个样本的t检验
对于课本5.1.4所介绍的单个样本t检验，可以使用PROC MEANS过程计算。PROC MEANS过程在2.1.1
|
#SAS#
81