SAS应用基础6n1.ppt

data Ttest4_5 ; input time $ fuhualv @@ ; cards ; a 73 a 65 a 72 a 65 a 64 a 77 a 71 a 66 b 59 b 64 b 61 b 63 b 64 b 61 b 62 b 58 ; proc npar1way ; class time ; var fuhualv ; title fuhualv ; run ; 判别分析 判别分析（Discriminant Analysis）是判别样品所属类型的一种判别方法，。 判别分析与聚类分析不同，判别分析是在已知研究对象分成若干类型（或组别）并已取得各种类型的一批已知样品的观测数据基础上根据某些准则建立判别函数，再将要进行分类的样本的相应指标代入判别函数，然后对未知类型的样品进行判别分类。 对于聚类分析，一批给定样品要划分的类型事先并不知道，而需要通过聚类分析来给以确定类型。 * 示例 某种产品的生产厂家有12家,其中7家的产品受消费者欢迎,属畅销品,定义为1类;5家的产品不受消费者欢迎,属滞销品,定义为2类,将12家的产品评估式样x1、包装x2和耐久性x3得分后,得到分资料集a。 data a; input type$ x1 x2 x3@@; cards; 1 9 8 7 1 7 6 6 1 8 7 8 1 8 5 5 1 9 9 3 1 8 9 7 1 7 5 6 2 4 4 4 2 3 6 6 2 6 3 3 2 2 4 5 2 1 2 2 run; 今有两新厂家,得分为(6,4,5)、(7 ,6 ,8),问该两产品是否受欢迎? * 求解过程 data b; input x1 x2 x3@@; cards; 6 4 5 7 6 8 run; proc discrim data=a testdata=b testlist testout=eb out=ea; class type; var x1 x2 x3; run; * 主成分分析 主成份分析(Principal Components Analysis)是研究如何将多个变量指标间的问题化为较少的几个新指标问题。这些新的指标是彼此既互不相关，又能综合反映原来多个指标的信息，是原来多个指标的线性组合。多指标的主成份分析常被用来寻找判断某种事物或现象的综合指标，并给综合指标所蕴藏的信息以恰当解释，以便更深刻地揭示事物内在的规律。 * PRINCOMP 过程的功能 SAS 系统中的PRINCOMP 过程可以完成主成分分析,它的功能包括: 主成分的个数、名称可以由用户自己定义，主成分得分是否标准化由用户自己确定。 输入的数据集可以是原始数据集、相关阵、协方差矩阵。输入为原始数据时，用户还可以规定是由协方差阵计算还是由相关阵计算。 计算结果包括：简单统计量、相关阵或协方差阵，从大到小排序的特征值以及对应的特征向量，各个主成分解释的方差比例以及累计比例可以输出两个数据集，一个包含原是数据和主成分得分，另一个包含有关统计量，类型为TYPE=CORR 或COV。 可以揭示变量间的相关关系。若某特征值特别接近于0 说明变量线性相关，这时用这些变量做回归自变量可能得到错误的结果。 * PRINCOMP过程及示例 PRINCOMP过程主要包括PROC PRINCOMP 语句和VAR 语句。PROC PRINCOMP语句用来规定输入输出和一些运行选项，包括： DATA=输入数据集，可以是原是数据集，也可以是相关系数数据集或协方差数据集。 OUT=输出包含原始数据和主成分得分的数据集。 OUTSTAT=统计量输出数据集 COV：要求从协方差出发计算主成分,缺省为从相关阵出发。 N：要计算的主成分的个数，缺省时全部计算。 NOINT：在模型中不使用截距项。 STD：要求在OUT=数据集中把主成分得分标准化为单位方差。 VAR：指定原始变量，必须为数值型。 示例：(有学生六门课的成绩，用主成分进行综合评价) proc princomp data=student2 out=aa; run; * 因子分析基本概念 因子分析的基本思想是分解原始变量，归纳潜在“类别”,通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“类别”变量来表示基本的数据结构。每一类变量代表一个“共同因子”。每组变量代表一个基本结构，这个基本结构称为公共因子。对于所研究的问题就可以试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原始观测的每一分量。 因子分析模型： * 其中X是原始变量，F是公共因子，ε是特殊因子，A=(aij)为因子载荷矩阵。 aij反映xi与Fj的相依程