SAS实验 相关与回归分析.docVIP

PAGE  学 生 实 验 报 告 学生实验报告 学生姓名学号同组人实验项目相关与回归分析必修  操作性实验 实验地点0505实验仪器台号指导教师董成武实验日期及节次一、实验目的及要求： 1、目的 学会和掌握参数估计与假设检验 2、内容及要求 学会用SAS作总体均值、方差估计，以及单样本均值、方差比例检验，双样本均值、方差、比例的比较和配对样本均值比较检验等操作 二、仪器用具： 仪器名称规格/型号数量备注计算机1SAS软件1三、实验方法与步骤: 步骤一、运行SAS软件，新建各题要用到的数据集； 步骤二、新建数据集后，输入analyst命令或在点???解决方案—分析—分析家，进入分析员应用环境； 步骤三、在分析员应用环境打开新建的数据集； 步骤四、再根据各题要求，点击统计选项来分析。 四、实验结果与数据处理： 1．下面是某地一年级的12位女生的体重(kg)和肺活量(L)的数据试求肺活量对体重的回归方程。 体重424246464650505052525858肺活量2.552.22.752.42.82.813.413.13.462.853.53（1）对肺活量和体重进行相关分析。绘制体重与肺活量的散点图，计算其相关系数。并对输出结果进行解释。 ①将数据保存至EXCEL文件，导入数据，得到数据集； ②在INSIGHT环境中调入数据，绘制体重与肺活量的散点图，如图所示。 ③在INSIGHT环境中利用多元进行分析，得出体重与肺活量的相关系数。 “单变量统计量”中提供了每个变量的5个统计量，分别为数量、均值、标准差、最小值和最大值。“相关系数举证”中则提供了变量间的相关系数，体重（weight）和肺活量(pulmonary)的相关系数为0.7495 （2）判断体重和肺活量两变量的关系，拟合肺活量对体重的方程，对回归系数进行解释和对回归系数进行检验，绘制残差图。 ①用insight视图下的分析来拟合肺活量对体重的方程； 得到简单线性回归方程为 对回归系数进行解释和对回归系数进行检验： 上表提供模型拟合的汇总度量，肺活量的均值是2.9025 ，模型的,说明肺活量变异的大约56%可以由体重来说明。 从方差分析表中可以看到，P值小于，所以拒绝原假设接受备择假设，所以这一模型拟合数据较好。 绘制残差图： （3）对体重为57kg的女生的肺活量进行估计，打开数据集直接在weight(体重)最下方输入57 ,得到预测值。所以体重为57kg的女生的肺活量的估计值是3.3535。 （4）并求出肺活量期望值的95%的可信区间。 由上图表可知，肺活量期望值的95%的区间为[2.6392,3.1658]。 2、利用dst.fitness数据集，拟合多元线性方程（以OXYGEN变量为因变量）。 （1）拟合多元线性方程的方程。 ①用编程拟合多元线性回归，编程如下： Proc reg data=dst.fitness; Model OXYGEN=age weight runtime rstpulse runpulse maxpulse group; run; ②提交这一程序后可得到如下的输出： 这一输出与简单线性回归的输出时完全相仿的，只是进入回归的自变量有7个。从参数的估计值容易得到拟合的回归为： OXYGEN = -0.21043AGE – 0.073700WEIGHT – 2.680931RUNTIME – 0.001829RSTPULSE – 0.372725RUNPULSE +0.305364MAXPULSE -0.073612GROUP +101.824147 （2）判断方程是否存在共线性和异方差？如果方程存在共线性，怎样用逐步回归法进行变量筛选拟合回归方程（保留模式的显著性水平为0.15）。 从参数估计检验部分可以看出，变量AGE、WEIGHT、RSTPULSE和GROUP的回归系数，不能拒绝它们为0的原假设。在这里须小心地看待这些检验，因为它们都是在其他变量加入回归的前提下进行显著性检验的，完全可能因为自变量间存在较强的相关而掩盖它们对回归的贡献，所以在剔除不显著的回归变量时必须逐个进行。 ①用编程方法判断方程是否存在共线性 Proc reg data=dst.fitness; Model OXYGEN=age weight runtime rstpulse runpulse maxpulse group/collin vif; run; ②提交这一程序后可得到如下的输出： 由检测结果可知，方差膨胀因子最大只有8.83077，并没有超过10，这表明不存在共线性问题。 ③用编程的方法做逐步