SAS数据挖掘与分析习题答案

1、附录A习题答案习题1答案什么是观测值OBS？答：一份问卷、一个单一的整体、一个人、一个被测对象就是一个观测值，或称一个“个案”。每个个案是由若干变量组成。什么是变量Variable？一份问卷一般有几个甚至几十个问答题，一个问答题就是一个变量。如id、sex、age、location、income等。下面的变量名哪些有效？哪些无效？sex、age、v1、location、_ab_、1age、1v、location1、1、#1、%1、&2答：（1）有效的变量名是由1-8个有效字符组成且字母领头，后跟数字或有效的字母但字母、#、$、&、*等是无效的字符。比如：sex、age、vl、location、

2、_ab_等变量名是正确的；（2）无效的变量名：1age、1v、location1、1、#1、%1、&2等。变量有哪些类型？答：变量有2种类型。数字型：如INPUTidsexage；字符型：如“INPUTidsex$age；”中的“sex$”表示性别是以m=男性，f=女性表示的。给下面程序A.la改错。程序A.la：DATAsj5;INPUTabc;IF4=a=4&a=5|b=Fr=0.12500.1250基本统计测度MSS和和方差总总誓艮重舉度正准权帶WW和方数平系差偏值准异49.1750.98329802-0.7191542340.5910.7171447位置变异性均值9.175000标灌偏

3、差0.98330申位数9.500000方差0.96687极差2.50000四分位极差1.65000位置检验：Mu0=0v|2NOTE:首:厅口3E:5A59.0图A.5基本统计从图A.5看，均值为9.175岁。标准偏差为0.9833，比较小。图A.6正态性检验从图A.6看，PrW值为0.3654，大于a值0.05，没有理由拒绝“正态分布”的理论假设，所以数据呈现正态分布。习题6答案PROCFREQ过程可以做哪两种频率表？答：PROCFREQ过程可以做单变量的频率表和双变量的交叉汇总频率表。试指出以下变量哪个是行变量哪个是变量？DATA=scoreORDER=FREQ;TABLESsex*edu

4、/MISSINGCHISQ;答：这是要做双变量的交叉汇总频率表的过程命令TABLES后面的第1个变量sex是行变量，第2个变量edu是列变量。MISSING表示把缺失值当作有效值统计。CHISQ表示要显示卡方检验及基于卡方检验的泊松卡方、似然度卡方、曼特尔-亨撒尔(Mantel-Haenszl)卡方，以及PHI系数、列联系数、克莱姆系数V、2*2表格的Fisher精确检验。试计算sex变量的一维频数分布，并把缺失值当作有效值统计。答：例子见程序A.27。程序A.27：DATA;LABELedu=文化水平sex=性别l=含磷xt=血糖;INPUTidsexeduxtl;CARDS;001118.

5、13.1002229.12.8003139.04.8004238.75.100512.4.70062.6.2.PROCFREQxt2;TABLESsex/MISSING;/*把缺失值当有效值统计*/PROCPRINT;RUN;试计算“定类-定类”双变量交叉汇总与结合测量。答：例子见程序A.28。程序A.28：DATAa28;INPUTsex$edu;CARDS;m4f3f2m2m1f2m3f2f3PROCFREQ;TABLESsex*edu/CHISQEXACT;/*计算卡方分布及费歇尔的精确检验*/TITLE两维频率表，按FREQ值降序排序;RUN;运行程序A.28产生图A.7-图A.8。图

6、A.7双变量交叉汇总从图A.7看：女性5人，其中文化水平为2的有3人，占女性5人中的60%。男性4人,各种文化程度的各占1人（25%）。图A.8双变量的结合测量从图A.8看：Cramer的V系数0.6021比较大，表明此样本的性别与文化水平呈现较强的相关。接着有以下的总体推论。H0：总体上性别与文化水平双变量互为独立。验证：因为卡方值3.2625，自由度3，计算得概率为0.3529。又因为0.3529a值0.05，所以没有足够的理由拒绝H0,即总体上说，sex和edu双变量互为独立。试计算“定比-定比”双变量交叉汇总与结合测量。答：例子见程序A.29。程序A.29：DATAxt;INPUTse

7、xlocationcydympxt3.1;LABELlocation二地区sex二性别cy二抽烟量:支mp=脉搏dy=低压xt=血糖;CARDS;111585668.5212088687.3123090708.6222590707.8113595759.2223591769.0PROCFORMAT;VALUEcyFLOW-10=111-20=221-HIGH=3;VALUEdyFLOW-85=186-90=291-HIGH=3;FORMATcycyF.DydyF.;PROCFREQ;TABLEDy*xt/ALL;运行程序A.29产生图A.9-图A.10。图A.9“定比-定比”双变量的结合测量图

8、A.9中有多个相关系数,具体到“定比-定比”双变量的测量，要看最高级的Pearson相关系数，此系数0.5256较大，表明此样本的低压与血糖呈现较强的相关。接着有以下的总体推论，见图A.10。图A.10“定比-定比”双变量的总体推论HO：总体上低压与血糖双变量互为独立。验证：因为卡方值24,自由度20,计算得概率为0.2424。又因为0.2424a值0.05，所以没有足够的理由拒绝H0,即总体上说，低压与血糖双变量互为独立。试用PROCCHART过程中的水平直方图描述血糖数据。答：例子见程序A.30。程序A.30：DATAxt;INPUTsexlocationcydympxt3.1;LABEL

9、location二地区sex二性别cy二抽烟量:支mp=脉搏dy=低压xt=血糖;CARDS;111585668.5212088687.3123090708.6222590707.8113595759.2223591769.0PROCFORMAT;VALUEcyFLOW-10=111-20=221-HIGH=3;VALUEdyFLOW-85=186-90=291-HIGH=3;FORMATcycyF.DydyF.;PROCCHART;HBARxt/GROUP=sexSUMVAR=xtTYPE=MEAN;运行程序A.30产生图A.11。图A.11男女分开的血糖直方图分析：图A.11是直方图。直方

10、图比条形图更能充分的描述数据。条形图只能描述性别等nominal（标称，定类）数据，它测量不到区间。直方图适宜于interval（区间，定距）数据和ratio（比例，定比）数据。从图A.11看：它先按性别粗分为2组。区间中点（Midpoint）的&7表示血糖区间值为8.4-9.0的有2人，区间的中点9.3表示血糖区间值为9.0-9.5的有1人。而不能说血糖8.7的有2人，血糖9.3的有1人。余者依此类推。7什么情况下要采用RANK过程进行非参数检验？答：对于标称（定类）数据、次序（定序）数据,以及从非正态分布的总体数据中抽取的区间（定距）和比例（定比）数据,由于不能采用参数检验,所以只能进行非

11、参数检验来观察数据处于什么分布。这时是对原始数据做秩分变换，即对原始数据从大到小（或从小到大）排列进而赋予序号成为秩分。8.试对低压变量dy进行单因素双样本秩和检验。答：例子见程序A.31。程序A.31：DATAxt;INPUTsexlocationcydympxt3.1;LABELlocation二地区sex二性别cy二抽烟量:支mp=脉搏dy=低压xt=血糖;CARDS;111585668.5212088687.3123090708.6222590707.8113595759.2223591769.0PROCRANKNORMAL=VWOUT=OU2;VARdy;RANKSrankdy;PR

12、OCNPAR1WAYWILCOXON;CLASSsex;VARrankdy;/*单因素双样本秩和检验*/运行程序A.31产生图A.12。图A.12单因素双样本秩和检验从图A.12看，双侧概率(Two-SidedPr|Z|)为1.0000，单侧概率(One-SidedPrZ)为0.5000，都极不显著。说明秩和趋于正态分布。双样本的秩和(SumofScores)分别为10.50,相等。习题7答案简述两个均值的比较方法。答：见正文的表7.1。试用MEANS过程及其t统计量对变量血糖与标准均值5进行两个均值差异的检验。答：例子见程序A.32。程序A.32：DATAxt7;INPUTv;Y=v-5;/

13、*血糖含量与标准均值5的差值*/CARDS;8.05.2PROCMEANSMEANSTDTPRT;/*计算最主要的统计量*/VARY;RUN;运行程序A.32产生图A.13。图A.13两个均值差异的检验1结果分析：HO：两个均值之差为0。验证：从图A.13看，均值差为1.8,标准偏差为1.65。七值2.44,t的概率值0.0713大于a值0.05。所以没有足够的理由拒绝H0,说明平均血糖与标准均值5很接近。3配对样本t检验。对20位肿瘤患者，其中的10个人采用药物+化疗治疗，另10个人采用药物+放疗治疗。两周后测得体重增加见程序A.33中的数据处理（单位：公斤）。试对程序A.

14、33中的数据做两种平均疗效的差异性检验。答：解法见程序A.33中的命令。程序A.33：DATATZ;INPUTv1v2;D=v1-v2;/*20位肿瘤患者体重之差*/LABELv1=药物+化疗v2=药物+放疗;CARDS;0.900.750.800.810.690.780.530.660.510.590.800.850.980.820.660.630.600.510.670.68PROCMEANSMEANSTDTPRT;/*计算最主要的统计量*/VARD;RUN;运行程序A.33产生图A.14。图A.14两个均值差异的检验2结果分析：HO：两个均值之差为0。验证：从图A.14看，均值差为0.0

15、5，标准偏差为0.1414。t值0.50,t的概率值0.7048大于a值0.05。所以没有足够的理由拒绝H0,说明两组血糖平均值没有差异。将被试者分为对照组和实验组2组，使用同一种抗癌药物，一个月后测得肿块大小见程序A.34中的数据所示。试用“TTEST过程及其t检验”做两组疗效差异性的检验。答：命令语句见程序A.34。程序A.34：DATAdbs;INPUTgroupx;CARDS;7819019015018518818518818418840280275248270260270260270262PROCTTEST;CLASSgroup;VARx;RUN;运行程序A.34产生图A.15。图A

16、.15用“TTEST过程及其t检验”做两组疗效差异性的检验结果分析：方差相等的检验H0：两个子总体（两个样本）的方差相等。检验：从图A.15的F值的概率“PrF”为0.9506。此值大于a值0.05，所以没有足够的理由拒绝H0,说明两个子总体（两个样本）的方差相等。当方差相等时应该再观察图7.4中的Equal一行的t值及其显著性水平。均值相等的检验HO：两个子总体（两个样本）的均值相等。检验：从图7.4中的Equal一行的t值的显著性水平0.0024看，小于a值0.05，所以有足够的理由拒绝H0,说明两个子总体（两个样本）的均值差异显著（注：不宜说均值不相等）。用WILCOXON秩和检验对程序

17、A.35中的实验组与对照组此双样本（即二水平）均差进行显著性检验。答：命令语句见程序A.35。程序A.35：DATAdbs;INPUTgroupx;CARDS;7819019015018518818518818418840280275248270260270260270262PROCNPAR1WAYWILCOXON;CLASSgroup;/*指定group为分类变量*/VARx;/*指定数字型因变量x*/RUN;运行程序A.35产生图A.16。图A.16双样本（即二水平）均差的WILCOXON秩和检验结果分析:HO:实验组与对照组消肿效果没有差异。从图A.16看，WILCOXON统计量Z为3.

18、0742。t检验的概率为0.0062小于a值0.05,所以有足够的理由拒绝H0,表明实验组与对照组消肿效果有显著差异。习题8答案常用的方差分析法有哪4种?答:常用的方差分析法有下列4种：完全随机设计数据的方差分析（即单因素方差分析）随机区组数据的方差分析（即二因素方差分析）拉丁方设计数据的方差分析（即三因素方差分析）R*C析因设计数据方差分析（有交互作用的方差分析）均衡数据和非均衡数据各用什么过程命令进行分析?答:每个因素水平（每组）的个案数目相等的情形,即均衡数据的方差分析要用PROCANOVA程命令进行分析。如果只考虑组内变异和组间变异（One-Way单向方差分析）时，ANOVA也能处理非

19、均衡数据。每个因素水平（每组）的个案数目不相等的情形，即非均衡数据的方差分析要用PROCGLM程命令进行分析.对血小板偏低者用4种不同的药物治疗后血小板的数据见程序A.36。试用PROCANOVA程命令检验4种药物平均疗效有无显著性差异。程序A.36:DATAf2;DOi=1TO8;DOg=1TO4;INPUTY;OUTPUT;END;END;CARDS;10.19.010.610.19.510.011.610.08.910.58.510.08.811.59.010.28.410.69.511.810.110.510.111.810.511.9PRO

20、CANOVA;CLASSig;MODELY=ig;MEANg/DUNNETT;/*增加两两比较的功能*/答:运行程序A.36产生图A.17-图A.18。图A.17四种药物平均疗效有无显著性差异的检验a)DUNNETT检验法（b）SNK检验法图A.18四种药物平均疗效成对显著性差异的检验结果分析:H0:治疗后4组血小板平均含量没有显著差异。检验:从图A.17看，模型的显著性水平0.0028a值0.05，非常很显著。模型很好。从图A.17的因素i一行看，显著性水平0.096a值0.05,不显著。所以没有足够的理由拒绝H0,说明4组血小板平均含量没有显著差异。但,8位受试者血小板平均含量检验的显著性

21、水平0.0005F0.0078F：-SquareCoeffVarRootMSE0.58659410.061982.04114520.28571SourceSourceParameterI止已rcept:：:m晞口i寻艮i%噩霆i智普sji戏彰SourceDFSurnofSquaresMeanSquareModeI265.028143232.5140716Error1145.82899974.1662727CorrectedTotal13110.8571429DFTypeISSMeanSquareFVaIueFrF12.633172662.633172660.630.4434162.394970

22、5362.3949705314.980.0026DFTypeIIISSMeanSquareFValuePrF131.5460003331.546000337.570.0188162.3949705362.3949705314.980.0026EstimateErrortValueFrItI25.11104777El2.542953699.87.0001-0.013455320.00488985-2.750.01887.58095384E：1.958947993.870.00260.00000000E：Standardi日志-无标题）阖程序編辑器-A-3.輸出-（无标NOTE:首:JE:5A59

23、.02图A.20检验2种药物对甲胎蛋白含量的平均效用结果分析:H0:检验2种药物对甲胎蛋白含量的平均效用没有差异。检验：由图A.20看，模型的F值为7.80,F的概率值为0.00078a值0.05。所以有足够的理由拒绝H0,表明药物对甲胎蛋白含量的平均效用有显著差异。可继续分析因素的作用。由于因素j的F值为14.98，其概率为0.0026a值0.05。所以2种药在药效调整后甲胎蛋白含量的平均效用有显著差异。本例只有主效应，应该观察TYPEIIISS的离差平方和。对于因素x（药量），其F的概率为0.0188Ir|underHO:Rho=0sa11sa!2edcsail1,000000,67950

24、0,41820.0001.0001sal20.679501.000000.43077,0001,0001edc0,418200,430771,00000J0001FModel11431292.9271431292.927229.530.0006Error318707.0736235.691Corr已匚:t已匚1丁匚出自.丨41450000.000TheGLMF1rocedureF：-SquareCoeffVarRootMSEyMean0.9870994.78584278.966391650.000SourceXDF1DF1TypeISS1431292.927TypeIIISS1431292.9

25、27MeanSquare1431292.927M已；miSquar已1431292.927FValue229.53FValu已229.53PrF0.0006PrF0.0006Sourc已:：:1：tandar匚Fararn已t已EstimateErrortValuePr|t|Int已rcept127.4426720106.52098211.200.3175V:：:0.00890380.000587715.150.0006圖輸出-1无标昌日志r无标砂國程序编辑器框图A.23模型中删除X*X项后的回归输出从图A.23的最后一行结果看，模型中删除X*X项（Xsq）后，自变量X的回归系数不为0（Pr值

26、0.0006a值0.05）。表明图A.23比图A.22中的X的回归系数显著。习题11答案1答：在微机SAS系统中REG过程包含以下几个回归方法。微机SAS系统中的REG过程中则包含了RSQUARE（判定法）、STEPWISE（逐步回归法）、ForwardSelection（向前选择法）、Backwarddimination（自后淘汰法）等回归法；而GLM过程是一个单独存在的回归过程。2答：图A.24的回归结果分析如下。H0:模型的回归系数全为0。从model（模型）拟合度的检验值F看，其概率值小于0.001，必定小于a值（0.05），因此有足够的理由拒绝原假设，表明回归模型正确。再从模型中各个

27、自变量的回归系数的显著性水平看，它们都小于a值（0.05）而非常显著，所以，回归预测模型为Y=截距+v7f+edc+v8f,即：月收入=136.45759+24.09807*总人数+23.94608*文化程度+1.76143*居住面积。习题12答案什么是完全模型的路径图和限定性模型的路径图？答：凡是根据完全模型的方差分析和参数估计统计量画出的，都是完全模型的路径图请参阅正文第30章的图30.2。所谓限定性模型是在完全模型的基础上剔除影响力甚微（系数绝对值小于0.2）的效应项，而成为非完全模型，因此被称为限定性模型。请参阅第30章的图30.3。请仿照第30章30.1节的程序30.1画出更好的“完

28、全模型的路径图和限定性模型的路径图”。答案略。习题13答案答：结果分析如下。模型拟合度从正文图13.11（c）看，“PrChiSq”值小于a值0.05的变量有：Intercept（截距）、cell（细胞类型）变量和KPS（手术前的综合体质）变量。把它们继续留在模型中，其余变量删掉，然后重新建立回归模型如下（见程序A.39）。程序A.39：DATAvalung2;DROPIN;INPUTtherapy$cell$n;Cellth=therapy|cell;LABELT=追踪时间或非追踪时间kps=手术前的综合素质评分diagtime=从诊断到手术治疗的时间age=年龄prior=事先是否有治疗cell=细胞类型therapy=疗法;DOI=1TON;INPUTtkpsdiagtimeageprior$;CENSOR=(tChiSqcell321.3579.0001kps139.8216ChiSqIntercept13.40060.34=052.31334.1400