SAS备课笔记_第三部分_描述统计分析

1、SAS备课笔记 描述统计分析目 录一、描述性分析的分类2（一）数据分类2（二）定量数据的描述性分析3（三）定性数据的描述性分析4（四）例题的数据说明4二、SAS实现-程序5（一）means过程5（二）summary过程7（三）univariate过程9（四）tabulat过程13（五）四个过程的比较14（六）freq过程14（七）capability过程16（八）gchart过程18（九）gplot过程20三、SAS实现-图形界面21（一）SAS/ASSIST21（二）SAS/ANALYST（分析家）22（三）SAS/INSIGHT（交互式数据分析）23（四）三种方法比较23第三部分 数据的描

2、述性分析描述性统计分析（Descriptive Statistics ）是基础统计分析（Elementary Statistics），是综合统计分析（Summary Statistics）。描述统计是把观测数据本身包含的信息加以总结概括、整理简化。例如频数表、频率分布直方图及描述统计量的计算都属于描述性统计。一、描述性分析的分类（一）数据分类一、本次旅游你去了什么地方？1. 溧阳天目湖 2. 溧水天生桥 3. 六合金牛湖 4. 袁巷九寨沟二、本次旅游你对旅行社的服务感到 _。1. 很满意 2. 满意 3. 不满意 4.很不满意三、你所到的地方当天最高气温是：_。四、本次旅游你总的花费是： _。

3、分类数据（categorical data），分类数据是对事物进行分类的结果，数据的主要特征是采用文字、数字的代码和其他符号对事物进行简单的分类和分组。比如，对人口按性别、民族、行政区划和婚姻状况等做归类统计，对企业按照经济性质进行分类。在实际中，为便于计算机识别和信息传输，对于分类性质的统计数据，人们往往给每一个类别赋予数字代码。例如，男性用1表示，女性用0表示。顺序数据（rank data），也可称为等级数据，是对事物进行分类的结果，只是这些分类在语义上表现出明显的等级或顺序关系，例如，学生的成绩可以分为优秀、良好、中等、及格和不及格；产品的质量可以分为优等品、合格品和不合格品；用户的满意

4、程度可以分为很满意、满意、不满意和很不满意。顺序数据和分类数据一样都属于定性数据，但顺序数据比分类数据含有的信息量更多，能够进行差别和好坏的比较。分类数据和顺序数据都说明的是事物的品质特征，通常用文字来表述，其结果均表现为类别，因此也把它们统称为定性数据。数值型数据（metric data），数值型数据是使用自然或度量衡单位对事物进行测量的结果，其结果表现为具体数值。它说明的是现象的数量特征，通常是用数值来表现，因此也称为定量数据，例如考试成绩用百分制来表示；人的年龄用周岁来表示；产品的产量用件、箱和吨等来表示；各个数据之间不仅可以对比大小反映差别，还可以计算各种平均数。数值型数据还可以分为：

5、离散型数据和连续型数据（二）定量数据的描述性分析1. 图形描述-直方图、茎叶图、PP图、QQ图PP图、QQ图用以检验数据是否服从正态分布。在实际中遇到的许多随机现象都服从或近似服从正态分布。正态分布在统计学中是最基本、最重要的一种分布。正态分布的特征：服从正态分布的变量的频数分布由、完全决定。是正态分布的位置参数，描述正态分布的集中趋势位置。正态分布以x=为对称轴，左右完全对称。正态分布的均数、中位数、众数相同，均等于。描述正态分布资料数据分布的离散程度，越大，数据分布越分散，越小，数据分布越集中。也称为正态分布的形状参数，越大，曲线越扁平，反之，越小，曲线越瘦高。标准正态分布是一种特殊的正态

6、分布，标准正态分布的=0，=1，通常记为：u（z） N（0,1）。标准化变换是：2. 次数分布：频数表（Frequency Counts）3. 集中趋势描述总和（Sum）、观察例数（N，Number of Observations）、缺失值例数（N Miss，Number of Missing values）、校正平方和（Correted SS，Corrected Sum of Squares）、未校正平方和（USS，Uncorrected Sum of Squares）均数（Mean）、中位数（Median）、分位数（Quantiles）4. 离散程度描述标准差（Std Dev. Stand

7、ard Deviation）、标准误差（Std Error，Standard Error）、方差（Variance）、最小值（Minimum）、最大值（Maximum）、极差（Range）、变异系数（Coeff of Variation，Coefficient of Variation）、极端观察值（Extreme Observations）5. 分布特征-峰度和偏度描述分布形态的指标是偏度系数（skewness）和峰度系数（kurtosis）偏度的计算公式为： 或 SAS的计算公式： 偏度是度量分布是否偏向某一侧的指标。对于对称的分布，偏度为0。若数据分布在右侧更为扩展，偏度为正。若数据分布

8、在左侧更为扩展，偏度为负。峰度的计算公式为： 或 SAS的计算公式： 峰度是度量分布向两侧分散趋势的指标。它正态分布为标准。正态分布的峰度为0。从分布密度的图形来看，若数据中有许多极端数值分布在较广范围称之为粗尾的。若两侧极端数据较少，尾部较细长，则称之为细尾的。尾部较正态分布更粗，则峰度为正。尾部较正态分布更细，则峰度为负。另外还有：学生氏t统计量（t Values，Students t）、t的概率值（Probability of t）（三）定性数据的描述性分析1. 图形描述-条形图、饼图2. 次数分布3. 相对数-比率、构成比、相对比等。（四）例题的数据说明data03_01：40对数据（

9、name, age，gender-男 女，height，weight）是按age排序的（又名：class.sas7bdat）data03_02：110名7岁男童的身高（cm）资料（仅一个变量a）（又名：boys.sas7bdat）data03_03：100名学生的考试成绩（x是组中值，f是次数，w是权数）（又名：students.sas7bdat）二、SAS实现-程序描述性统计指标的计算可以用四个不同的过程来实现，它们分别是means过程、summary过程、univariate过程以及tabulate过程。（一）means过程means 过程的一般格式proc means 选项列表；by 变

10、量名称（分组变量）；class 变量名称（分组变量）；freq变量名称（数值变量，用以表示相应记录出现的频数）weight变量名称（数值变量，用以表示相应记录的权重系数）var 变量名称（待分析的数值变量）；run；proc means 语句后的选项主要用来指定所要计算的统计量，默认情况下，Means过程会给出频数、均数、标准差、最大值和最小值等，其余统计量的计算均需要在选项中指定。class语句所指定的分组变量用来进行分组，而by语句所指定的分组变量是用来将数据分为若干个更小的样本，以便分别在各小样本内进行各自独立的处理。freq语句和weight语句分别引导代表记录出现频数和权重系数的数值

11、变量。var语句引导所要进行分析的所有变量的列表。【例题】40对数据的描述统计分析（数据集：data03_01）proc means data=sasuser.data03_01; var height weight;run;proc means median p1 p95 q1 q3 data=sasuser.data03_01; var height weight;run;proc means median p1 p95 q1 q3 data=sasuser.data03_01; var height weight; by age;run;（输出结果是按age分类的，by 可以用class

12、 替代）（特别注意：By语句指出分组变量，按变量名列分组统计，要求数据集已按变量名列排序）proc sort data=sasuser.data03_01; by sex;run;proc means median p1 p95 q1 q3 data=sasuser.data03_01; var height weight; by sex;run;（此处如果用class 替代by，则可以省去proc sort）proc means data=sasuser.data03_01 mean var max range maxdec=2 fw=8; var height weight; class

13、sex;run;(maxdec=2表示结果只含2位小数；fw=8表示统计量显示8位)（二）summary过程summary 过程的一般格式proc summary 选项列表；  by 变量名称（分组变量）；  class 变量名称（分组变量）；  freq变量名称（数值变量，用以表示相应记录出现的频数）  weight变量名称（数值变量，用以表示相应记录的权重系数）  output <out=数据集名> <统计量关键字=自定义变量名>  var 变量名称（待分析的数值变量）；run；summary过程的格式和m

14、eans过程完全相同的，各条语句和选项的含义也相同，包括在means过程中未列出的output语句也可以应用于means过程，只是此语句在summary过程应用较多。它将需要显示的统计量以自定义变量的形式存储在自命名的输出数据文件中，但不能自动在结果中显示，需要使用print过程将输出数据文件显示出来。output语句用来对分析结果输出为数据文件进行控制，其后的选项可有可无，若无则SAS按照默认方式进行。“out=数据集名”用来定义输出数据文件的文件名称，文件名的格式和数据步中数据文件名相同。“统计量关键字=自定义变量名”用来自定义输出数据文件中各种统计量的变量名称，前者是系统定义的（和pro

15、c语句后选项中的统计量关键字完全相同），必须正确无误，后者可自行定义。默认状态下输出统计量只有频数、均数、标准差、最大值和最小值，在默认状态不能满足需要时这一选项则是必需的。【例题】40对数据的描述统计分析（数据集：data03_01）proc summary data=sasuser.data03_01; var height weight; output out=temp mean=m median=me p1=pt1;proc print data=temp;run;（三）univariate过程univariate过程和means过程的操作程序差不太多，但univariate过程在默认

16、状态下给出几乎全部的描述性统计量，并显示样本位置假设检验的t统计量及其对应的双侧概率值。univariate 过程的一般格式proc univariate 选项列表；  by 变量名称（分组变量）；  class 变量名称（分组变量）；  freq变量名称（数值变量，用以表示相应记录出现的频数）  weight变量名称（数值变量，用以表示相应记录的权重系数）  histogram 变量名称/选项列表  output <out=数据集名> <统计量关键字=自定义变量名>  var 变量名称（待分析的数值

17、变量）；run；univariate过程和以上两个过程的格式非常相似，相同的语句和选项其含义也相同，所不同的是某些统计量只能在univariate过程中计算，如众数，以及univariate过程中所具有的绘图功能。histogram语句即用来指示SAS对其后所指定的变量绘制直方图，其后的选项用来指示SAS添加不同类型的拟合图形（如正态分布的分布密度曲线）。【例题】40对数据的描述统计分析（数据集：data03_01）proc univariate data=sasuser.data03_01; var height weight;run;(如果没有var，则对数据集中所有数值型变量进行描述统计

18、分析)proc univariate data=sasuser.data03_01 normal plot; var height weight;run;选项“normal”的结果：选项“plot”的结果：proc univariate data=sasuser.data03_01; histogram height; probplot height; qqplot height; var height;run;“histogram”的结果：“ probplot”的结果：“qqplot”的结果：proc univariate data=sasuser.data03_01; var height

19、 weight; id name;run;(增加id后输出中用姓名来表示极值点)proc univariate data=sasuser.data03_01 noprint; var height; output out=result mean=om std=ostd q1=oq1 range=or;proc print data=result;run;（四）tabulat过程tabulate 过程的一般格式proc tabulate 选项列表；  by 变量名称（分组变量）；  class 变量名称（分组变量）；  freq变量名称（数值变量，用以表示相应记录出

20、现的频数）；  weight变量名称（数值变量，用以表示相应记录的权重系数）；  table <<页变量表达式>，<行变量表达式>，<列变量表达式>></表格选项>；  var 变量名称（待分析的数值变量，统计量列入相应的表单元格）；run；tabulate过程和上述几个过程的格式也基本相似，相同的语句和选项也代表相同的含义。最大的不同也是tabulate过程中最为重要的是table语句，它用来定义表格的具体格式以及表格中所要包括的统计量。【例题】40对数据的描述统计分析（数据集：data03_01）pr

21、oc tabulate data=sasuser.data03_01; var height weight; table height weight;run;proc tabulate data=sasuser.data03_01; var height weight; class sex; table height*sex weight*sex;run;（五）四个过程的比较相同点：均可计算出均数、标准差、方差、标准误、总和、加权值的总和、最大值、最小值、全距、校正的和未校正的离差平方和、变异系数、样本分布位置的t检验统计量、遗漏数据和有效数据个数等，均可应用by语句将样本分割为若干更小的样本

22、进行分析。不同点：（1）means过程、summary过程、univariate过程可以计算样本的偏度（skewness）和峰度（kurtosis），而tabulate过程不计算这些统计量；（2）univariate过程可以计算出样本的众数（mode），其它三个过程不计算众数；（3）summary过程执行后不会自动给出分析的结果，须引用output语句和print过程来显示分析结果，而其它三个过程则会自动显示分析的结果；（4）univariate过程具有统计制图的功能，其它三个过程则没有；（5）tabulate过程不产生输出资料文件（存储各种输出数据的文件），其它三个均产生输出资料文件。（六）

23、freq过程【例题】40对数据的次数分布（数据集：data03_01）proc freq data=sasuser.data03_01; tables sex age;run;proc freq data=sasuser.data03_01; tables age/nopercent;run;(nocum-不要累计的频数和百分数; nopercent-不要百分数和累计百分数)proc freq data=sasuser.data03_01 order=freq; tables age;run;order = internal/ freq/ data/ formattedinternal按变量的

24、值排序，为缺省值；freq按频数降序排列；data按数据集中值的出现次序排列；formatted按变量格式化的值排列proc format; value zj low-<32='24-32'32-<40='32-40'40-<48='40-48'48-<56='48-56'56-<64='56-64'64-<72='64-72'72-high='72-80'proc freq data=sasuser.data03_01; tables weigh

25、t; format weight zj.;run;data tmp; set sasuser.data03_01; gweight=int(weight-16)/8); label gweight='体重分组值'run;proc freq data=tmp; tables gweight;run;（七）capability过程【例题】40对数据的图形绘制（数据集：data03_01）proc capability data=sasuser.data03_01 graphics noprint;histogram weight;title f=fsongu h=2 Histogr

26、am;run;proc capability data=sasuser.data03_01 graphics noprint;histogram weight/midpoints=30 to 78 by 6vscale=count cfill=cyan;title f=fsongu h=2 Histogram;run;proc capability data=sasuser.data03_01 graphics noprint;histogram weight/midpoints=30 to 78 by 6normal(noprint L=2 w=2 color=orange)cfill=cy

27、an;inset n mean(4.1) std(4.2);title f=fsongu h=2 Histogram;run;proc capability data=sasuser.data03_01 graphics noprint;histogram weight/normal(noprint mu=45 sigma=8 fillL=2 w=2 color=orange) cfill=cyan;inset n mean=avg(4,1) std=Std Dev(4,2)/header=Summary font=swissb;title f=fsongu h=2 Histogram;run

28、;proc capability data=sasuser.data03_01 graphics noprint;histogram weight/lognormal(noprint L=2 w=2 color=orange) cfill=cyan;inset n mean=avg(4,1) std=Std Dev(4,2)/header=Summary font=swissb;title f=fsongu h=2 Histogram;run;proc capability data=sasuser.data03_01 graphics noprint;cdfplot weight/norma

29、l(w=2 color=orange);title f=fsongu h=2 fit normal distribution;run;proc capability data=sasuser.data03_01 graphics noprint;qqplot weight/square vaxis=axis1 normal(mu=estsigma=est l=1 color=orange w=2);run;比较：wight 和freqproc means data=sasuser.data2_4; var x;run;proc means data=sasuser.data2_4; var x

30、; freq f;run;proc means data=sasuser.data2_4; var x; weight w;run;比较：class 和byproc means data=sasuser.class; var height weight; class age; run;proc means data=sasuser.class; var height weight; by age; run;（执行by之前需先对变量值进行排序）proc means data=sasuser.data2_4; var x; weight w;run;（八）gchart过程统计制图过程实现对样本分布

31、特征的图形表示。常用的过程是：chart过程、plot过程、gchart过程和gplot过程。前两个和后两个只有一个字母“g”（代表graph）的差别，它们统计描述功能是相同的，区别仅在于绘制出的图形的复杂和美观程度。chart过程和plot过程绘制的图形类似于我们用文本字符堆积起来的图形，只能概括地反映出资料分布的大体形状；gchart过程和gplot过程可以绘制真正意义上的图形，用很多的语句和选项来控制图形的各方面的性质和特征。gchart过程的一般格式proc gchart 选项列表；  图形关键词 变量名称/选项列表run；此过程格式简单，复杂的地方在于图形关键字（每个图形关

32、键字对应一种图形类型）所引导的语句，这里是控制图形类型及图形要素的地方，涉及到众多的关键字和选项。gchart过程的图形关键字及绘制的图形类型图形关键字绘制的图形类型图形关键字绘制的图形类型block方块图pie圆图hbar水平的条形图pie3d三维圆图hbar3d水平的三维条形图donut环形图vbar竖立的条形图star星形图vbar3d竖立的三维条形图图形关键字后的变量名用以指定图形描述时的分组变量，可以是数值型的或字符型的。其后的选项比较重要的有：（1）type=统计量关键字，表示以图形对变量（sumvar所指定的变量）的哪一种统计量进行描述，比如频数（freq）、均数（mean）、总

33、计（sum）、频数百分比（pctn）等；（2）subgroup=变量名（分组变量），指定要进行分组的变量；（3）sumvar=变量名（数值变量），指定要进行统计计算的变量，也就是“type=统计量关键字”选项中统计量的计算所依据的变量。【例题】proc chart data=sasuser.data03_01; pie age;run;proc gchart data=sasuser.data03_01; pie age;run;（九）gplot过程gplot过程的一般格式proc gplot 选项列表；  bubble 散点图表达式  bubble2 散点图表达式

34、0; plot散点图表达式  plot2散点图表达式run；从gplot过程的一般格式中我们就可看出，此过程只能绘制两种类型的图形，bubble语句指示SAS绘制泡状散点图，plot语句指示SAS绘制点状散点图。bubble2语句和plot2语句指示SAS在同一区域内（bubble2和bubble在同一区域，plot2和plot在同一区域）绘制第二个图形，两者的横坐标相同（同一变量），纵坐标分别位于左右两侧（可以是同一变量，也可以是两个不同的变量）。散点图表达式的一般形式为：（1）bubble和bubble2语句：纵坐标变量名*横坐标变量名=泡尺寸变量名（变量值以泡的大小表示），三者

35、均应为数值变量；（2）plot和plot2语句：纵坐标变量名*横坐标变量名<=n/分类变量名>，此处等号及其后的部分可以省略，此时SAS以默认的散点类型绘制散点图；若等号后为n（n为正整数，是散点类型的编号），SAS则以指定的编号对应的散点类型绘制散点图；若等号后为分类变量名（可为字符型或数值型，为数值型时作为离散型变量处理，每一个值将被当作一个类别），此变量的具体值（或与每个具体值对应的图形）将被作为散点用来绘制散点图。chart过程和plot过程的一般格式及各选项使用方法分别与gchart过程和gplot过程是基本相同的，不同之处仅在于后两者中涉及到有关三维和图形元素（颜色等）的语句和选项在前两者中是无效的。例如vbar3d语句在chart过程中无效，bubble语句在plot过程中无效。三、SAS实现-图形界面【例题】4