SAS程序设计与应用详解.ppt

此时，以上的指标就不能满足分析的需要了。 两组变量间的相关关系如何描述呢?可以考虑典型相关分析。典型相关分析是利用主成分的思想，把多个变量之间的相关性为两个变量之间的相关。根据变量间的相关关系，寻找少数几对综合变量（实际观察变量的线性组合），用它们 * 替代原始观察变量，从而将两组变量之间的关系集中到少数几对综合变量之间的关系上，通过对这些综合变量之间相关性的分析，回答两组原始变量间相关性的问题。提取时要求第一对综合变量间的相关性最大，第二对次之，依次类推。这些综合变量被称为典型变量，第一对典型变量间的相关系数则被称为第一典型相关系数。典型相关系数是能简 * 单、完整地描述两组变量间关系的指标。当两个变量组均只有一个变量时，典型相关系数即为简单相关系数；当其中的一组只有一个变量时，典型相关系数即为复相关系数。 有关典型分析的SAS过程—CANCORR过程 * 分析实例 在某个健身俱乐部，测量20个中年男性的3个生理指标：体重、腰围和心率以及3个反应运动能力的指标：引体向上、仰卧起坐和跳绳。请分析生理指标和运动能力之间的相关性。 分析：本例生理指标有3个，运动能力指标有3个，研究一组变量与另一组变量之间相关关系，用典型相关分析来解决。 * 程序如下： data a; input Weight Waist Pulse Chins Situps Jumps; cards; 191 36 50 5 162 60 189 37 52 2 110 60 193 38 58 12 101 101 162 35 62 12 105 37 189 35 46 13 155 58 182 36 56 4 101 42 211 38 56 8 101 38 * 167 34 60 6 125 40 176 31 74 15 200 40 154 33 56 17 251 250 169 34 50 17 120 38 166 33 52 13 210 115 154 34 64 14 215 105 247 46 50 1 50 50 * 193 36 46 6 70 31 202 37 62 12 210 120 176 37 54 4 60 25 157 32 52 11 230 80 156 33 54 5 225 73 138 33 68 2 110 43 ; * proc cancorr data=a all vprefix=Physiological vname=‘Physiological Measurements’ wprefix=Exercises wname=‘Exercises’; var Weight Waist Pulse; with Chins Situps Jumps; run; quit; * 本例共提取了3个典型相关系数，第一个典型相关系数r=0.822204，第二个典型相关系数是0.250890，第三个是0.012283。 从特征根所解释的总变异比例来看，第一对典型变量所能解释的变异占到了总变异的97%，第二、三个典型相关系数的作用很小，一共只解释了总变异的3%，可以不予考虑。同时，经过检验，只有第一个典型相关系数不为0，有统计学意义。 * 对原始变量进行标准化后，可以给出原始变量与典型变量间的换算公式，可得第一对典型变量为： V1=-0.8813*Weight+1.6344*Waist- 0.0973*Pulse W1=-0.4439*Chins-1.0461*Situps+ 0.7789*Jumps * PROC ANOVA; CLASS A B C D E F; MODEL Y=A B C D E F; MEANS A B C D E F; proc print data=a; run; ods html close; * 第九章 多元统计分析 * 主成分分析 * 主成分分析是一种描述几个数值变量之间关系的多元分析技术。主成分分析通过分析和描述变量之间的相互关系，对原始指标进行综合，即求出一组变量的线性组合，称为主成分。 对一个研究对象用多个测量指标进行描述是经常遇到的问题，但指标过多会增加统计分析的复杂性，这种情况下主成分分析得到了广泛应用。 * 比如，用儿童的身高、体重、胸围、肩宽等十几项测量指标评价儿童的生长发育状况。虽然每个指标都是个体特征的反应，但其信息量参差不齐。如果仅用其中某一项指标