方差分析的SAS操作

1、方差分析常用于方差分析的主要过程有ANOVA和GLM（广义线性模型），对于平衡数据资料（各水平下等重复，数据没有丢失），一般用ANOVA过程，对于非平衡数据，应采用GLM过程.1、ANOVA过程格式及使用说明过程格式：PROCANOVA选项;CLASS处理因素；MODEL因变量=效应表/选择项;MEANS效应表/选择项;过程说明： PROCANOVA语句的选项主要有：口人丁人=数据集名指明要分析的SAS数据集，缺省时SAS将使用最近建立的数据集.OUTSTAT=输出数据集指定分析计算结果输出的数据集名. CLASS语句指明分类变量，是ANOVA过程的必需语句，并且必须出现在MODEL语句之前.

2、分类变量可以为数值型或字符型，分类变量的个数表示方差分析的因素个数. MODEL语句定义分析所用的效应模型，即方差分析的因变量和效应变量.在方差分析过程中，关键在于定义线性数学模型，常用的模型定义语句有：MODELy=a单因素一元方差分析MODELy=ab双因素无交互作用一元方差分析MODELy=aba*b双因素有交互作用一元方差分析 MEANS(格式：因素/选择项)语句用来计算该语句所列的每个效应所对应的因变量均值，其选项用于设定多重比较的方法以及方差齐性检验。可以选择的检验方法有：(1) T/LSD法：对means语句中出现的所有因素的各水平进行两两T检验，当每一水平的观测数相等时，T检验

3、变成Fisher的最小显著差检验。(2) BON法：对MEANS语句中出现的所有因素的各水平均值之差进行Bonferroni的T检验。(3) TUKEY法：对MEANS语句中出现的所有因素的各水平均值进行TUKEY的学生化极差检验。(4) DUNCAN法：对MEANS语句中出现的所有因素的各水平均值进行DUNCAN的极差检验。(5) REGWF法：对MEANS语句中出现的所有因素的各水平均值进行多重极差检验。(6) HOVTEST:进行方差齐性检验。2、GLM即广义线性模型(GeneralLinerModel)过程，它使用最小二乘法对数据拟合广义线性模型.该过程功能强大，可用于多种不同的统计分

4、析中.GLM过程用于方差分析时，主要语句和使用格式与上述ANOVA过程类似，详见例3.一、单因素方差分析1 .单因素等重复方差分析（ANOVA过程）应用举例：编写程序如下:Dataexam;/*建立数据集*/Dotrt=1to3;/*3个水平（trt）分别为1、2、3*/DoI=1to5;/*每个水平下5次重复*/Inputx;Output;End;End;Cards;404638424426343028323940434850JProcsort;Bytrt;Run;Procunivariatenormal;Varx;Bytrt;Run;Procanova;/*调用方差分析过程*/Classt

5、rt;/*定义处理为分类变量*/Modelx=trt;/*定义效应模型*/Meanstrt/thovtestbon;/*要求计算每一水平下的均值，进行方差齐性检验，多重比较T检验和BON检验*/Run;Title方差分析;Run;补充：试验错误率MEER与比较错误率CER。例如：有5种施肥方法，均值做两两比较有10种组合，如要控制10种比较的总错判率，就称为“试验错误率”o如果想对10种比较中的每一种都控制比较错判机会，就称为“比较错误率”。例2在4种不同的肥料处理（k1,k2,k3,k4）下测得土壤的含氮量（nit）,每个处理下重复5次，分析各处理间土壤含氮量的均值是否有显著差异（数据见程序

6、中）.DmLOG;CLEAR;OUTPUT;CLEAR;Datanew2;Inputstr$nit;/*str表示处理，是字符型变量*/Cards;/*每一个数据前的符号ki(i=1,2,3,4)表明该数据属于哪一个处理*/k119.4k132.6k127k132k133k217.7k224.8k227.9k225.2k224.3k317k319.4k39.1k311.9k315.8k420k421k420.5k418.8k418.6;Procprint;Title单因素方差分析;Procanova;Classstr;Modelnit=str;Run;程序运行结果：单因素方差分析Depende

7、ntVariable:NITSumofMeanSourceDFSquaresSquareFValuePrFModel3545.4920000181.830666711.050.0004Error16263.168000016.4480000CorrectedTotal19808.660000R-SquareC.V.RootMSENITMean0.67456318.603734.05561321.80000以上的方差分析表列出F值为11.05,显著性水平达到0.0004，小于0.01,表明各处理间差异极显著2 .单因素不等重复的方差分析（GLMS程）不等重复的单因素方差分析一般用GLM过程，该过

8、程应用范围较广，用于方差分析时，主要处理非平衡数据.应用举例：编写程序为：DmLOG;CLEAR;OUTPUT;CLEAR;Datanew;Inputstr$x;/*x表示含销售量，str表示包装处理*/Cards;A112A118A214A212A213A319A317A321A424A430Procprint;Title单因素不等重复方差分析Procglm;Classstr;Modelx=str;Run;程序运行结果:单因素不等重复方差分析GeneralLinearModelsProcedureDependentVariable:XSourceDFModel3Error6Corrected

9、Total9R-Square0.848684SumofSquares258.0000000046.00000000304.00000000C.V.15.38264MeanSquare86.000000007.66666667RootMSE2.76887462FValuePrF11.220.0071XMean18.00000000304,F值为由方差分析表中看到，组间平方和为258,组内平方和为46,总的平方和为11.22,显著性水平达到0.007,包装不同对销售量的影响极显著.二、双因素无交互作用方差分析应用举例:编写程序为:Datanew;Doa=a1,a2,a3,a4;Dob=b1,b2,

10、b3;Inputy;Output;End;End;Cards;164172174155157147159166158158157153JProcprintdata=new;Run;Procanova;Classab;Modely=ab;Meansab/tbon;Run;程序运行结果：AnalysisofVarianceProcedureDependentVariable:丫SourceDFSumofSquaresMeanSquareFValuePrFModel5554.00000000110.800000006.160.0234Error6108.0000000018.00000000Corr

11、ectedTotal11662.00000000R-SquareC.V.RootMSEYMean0.8368582.6516504.24264069160.00000000SourceDFAnovaSSMeanSquareFValuePrFA3498.00000000166.000000009.220.0115B256.0000000028.000000001.560.2856输出的小一个方差分析表表明两个因子方差分析模型是显著的，F=6.16,p=0.0234;第二张表中因素A的效应平方和为498,因素B的效应平方和为56,两者的F值分另1J为9.22和1.56,显著性水平分别为0.0115

12、和0.2856,结果表明，施肥种类对产量的影响显著；而三个小麦品种对产量的影响不显著.三、双因素有交互作用的方差分析应用举例：为研究广告效果，考察四种广告方式：当地报纸、当地广播、店内销售员和店内展示的效果。共设有144个销售点，每种广告方式随机地抽取36个销售点记录销售额，共得到6个地区的144个销售点的销售情况。试在显著性水平=0.1的条件下，分析广告方式和销售地区对广告效果是否有显著影响。dataads;doad=paper,radio,people,display;doarea=1,2,3,4,5,6;doi=1to6;inputsales;output;end;end;end;cards;7557766875837775726666767581637086629454708856868765658477787962758062706951100547879337973687565337973687565100616870537368638379666575737481576563678558827880876287707770754068615564406776707751617542