sas数据分析结果

1、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，而且只适用于旧M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。

2、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/BASESAS/STATSAS/QCSAS/INSIGHTSAS/ET涛一些模块， 通过编程可以调用各种分析功能。对于常

3、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0,需要求出两个统计量01（X1,X2,.,Xn）和02（X

4、1,X2,.,Xn）来分别估计总体参数0的上限和下限，使得总体参数在区间（01,02）内的概率为P010t-17.93d198.0001结果显示，无论两总体的方差是否相等，t统计量的p值=0.00050.05,所以在95%勺置信水平下，拒绝原假设，两总体的均值有显著差异。结果表明可以95%勺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meiiyijlaiMlyljIa2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

5、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

6、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：1=p0+P1X11+P2X12+.+PkX1k+SIy2=凫+P1X21+P2X22+十0kX2k+%I.yn=B,-1Xn1=Xn2 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(3+其中(1)分析步骤选择主菜单“StatisticsRegression”“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0.0001FModelEr

7、rorCorrectedIdial5193 侬2.078762El111J6S997E131J8I7S4E1341575236952S031070S3990.690.6321RootMSEDependentCoeffV&rMMFI246582208782117.82650R-SquareAdjR-Sq0.0176-O.OD79ParfirweterEslimatesVariableLtibellParameter*EstfiwateStandardError(V&luePrlt|InterceptIntarcapl1-537E22416211462-B.33CHBREJii&a

8、mp;a1iBHEctienEjiftc1i&jn&1-0.088960J2957-0.B90.4184ma.iyijialmaayiJial113490132157931D.630.6328Miyi屈it&iyiji 般1-7000562264336-D.310.7585naiyi1tanglmalyi1langl1-M.3529032.73272M.440.6615被 tiyi1Ian 算Italy)1Iani2130 邢 5 词24.223481.270,2066(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

9、，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：TheREGPnocedureModal:MD0EL1DependentVeiri&ble：cbengjiaaechtnejieioeBackwardElimination：&UP0AlIVariablesEntered：R-Square=D.0175andC(p)=6.0000-ialvsisofVarianc

10、eSourceDFSumofSquaresMeanSquareFValuePrFModel52.0787C2E11415752368520.690.6321Error1931.163397E1880810706389CorrectedTotti1981.184784E13BackwardElimination：Step1参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.

11、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0.0001FIntercept-53762416211楣26304626660.110.7406chencJ1ao1iang-0.0899512857290621700720.450.43S4值*iyijEl13490132157331F35695第3310.390.5326ilyljI&2-700066225433658169836180.100.7565ikai/i1iangl-14.3529032,78272115860351710.190.6B15nai/i1i电n

12、g?30,6855924.22348968441411031.610.20GGBoundsoncoriditionlumber：1.7523,83.086chengjiaoechengjiaoliangmaiyijia1maiyijia2maiyiliang1maiyiliang210272801019168.618.6211075618080630388.618.62241756234240942038.618.62268707482161265698.618.622387071498561359378.618.62163695465256124578.618.621737521101651

13、1178.618.62228290117104442438.618.621422892947841899998.628.637141388655201252908.628.636431383112920871578.628.6353313828624582108.628.63595138453448526678.628.6378113903339841699738.628.6378110036500481169848.628.632089191366336284948.618.6217082670704471638.618.621610131095841086848.618.621610163

14、620321509948.618.6215691222156241290958.618.621594116637446471678.618.62157693585842493628.618.621545356473272629358.628.6325110123288820038.628.63251124148320792948.618.621531177601269678.628.63961221137096814378.628.631061182306640127278.618.6314091226206752968328.628.63331457451288584628.628.6320

15、1053138000701708.618.6215703699208287628.628.638100719989612649778.618.6214902460336907168.618.621480114112936488078.618.63149099284480392778.628.631019921327681445118.628.63899434480479518.618.62150049259456291218.618.621497100888776216448.618.6215259491939522118778.618.621505892353442984218.618.62

16、15051000320536368488.618.62138810348182472168.618.621327127548216646178.618.62127212869475257038.618.621207163443104261638.618.6212101611234408194058.618.6211521441105112233848.618.6211041528105056282798.618.6211121541439442345738.618.621091151794736216728.618.621024157155968338528.618.6210191568112

17、000289688.618.62104115718531281068.618.6210121519734968427478.618.6279198727552166538.618.627591006235096464148.618.621145984282664809548.618.6211346561455523362418.618.621036631228376120608.618.6297942663720547648.618.62951460120616121898.618.628923615106801914088.618.62532315181792238408.618.62502

18、218126576100608.618.62405377125824296258.618.62382262150728496438.618.6229828556626461828.68.62152227372344222388.68.61152235172093508.68.611520105171320876568.68.61150515445632733958.68.61150513455944659238.68.6114592084904076238.68.611435224281536621398.68.61143424106720102628.618.6217100588744203

19、458.618.62619521015922003648.68.61140657188376233408.68.611332115189208202018.68.61112811817735284638.68.6211129822291841588168.618.621778912520183618.68.612698617200105628.68.61252202487144127878.68.61951182228481364658.598.6137635346112496088.68.6123109723281418.68.611412071424102128.68.6132417837

20、024128698.68.61463350178920671648.68.6144631259352282328.68.61487302383056672498.618.62217167286160228938.618.6225616102152881129448.618.62159157217481622838.618.6261536227968694958.68.61631139209888867928.68.61481159811184104178.68.6147826231231122206608.68.614442857513432110888.598.612126741668401

21、066788.598.612221070146200131898.598.612221036125560133968.598.6124413465332059818.598.61259130155904869558.598.614761250176296102618.598.6147610591266744216188.68.611074379620640222168.68.6113063796584961149928.68.61138338021209160256438.68.6128379791200102388.598.6145241451088658698.68.61104355432

22、06082075178.598.68793958600385208.598.687939711264070308.598.686370318920137458.598.6863742109224470158.598.686567543000175028.598.6865107110485690428.598.6920107510320279488.598.6934137250736236918.598.6147014044124893108.598.616521435179280271558.598.61741129241837693398.598.6132114703206402444658

23、.598.611891478180416498108.598.610941522119424129818.598.6995187951287263958.598.64491842207168638298.598.63701739181336105108.598.62471658112883228258.588.59106818554120530568.588.591105194210032156658.598.654613308592208948.598.656611501444001771438.598.66221071187456274088.598.6116287461072121898

24、.598.61390868180472425068.598.61575782487144751908.618.61228756222848230378.618.61142707346112192988.618.62714707972321188698.618.62643695714242144928.618.6153337537024473658.618.61595290178920116558.628.6178113845935280838.628.6216101390383056366148.628.621610100386160151768.628.6115699192152881870

25、28.628.61159426174816319008.628.6115761322796898238.628.6154516320716828368.618.612593181336264408.618.61253561128832188058.618.611531110154120622208.618.62961124210032151518.618.6210618592827908.618.6281221144400303648.618.6214901182187456459278.628.62148012266107229788.628.6214901457180472769688.618.621011053487144122758.628.638100822284841198.628.631500949346112218608.618.631497892