第一篇：SAS如何實現典型相關分析

SAS實現典型相關分析

data ex20_1(type=corr);input _name_$3.x1 x2 y1-y4;_type_='corr';cards;x1 1.0 0.8491 0.5106 0.2497 0.5285 0.3019 x2 0.8491 1.0 0.8062 0.5438 0.7887 0.6064 y1 0.5106 0.8062 1.0 0.7833 0.9284 0.8364 y2 0.2497 0.5438 0.7833 1.0 0.6457 0.9051 y3 0.5285 0.7887 0.9284 0.6457 1.0 0.7097 y4 0.3019 0.6064 0.8364 0.9051 0.7097 1.0;proc cancorr edf=102;var x1 x2;with y1-y4;run;

data ex20_2(type=corr);input _name_$ x1-x9 y1-y5;_type_='corr';cards;x1 1-0.027 0.052 0.037 0.003 0.009-0.030 0.014 0.020 0.034 0.071 0.054-0.022 0.012 x2-0.027 1-0.065-0.057-0.016 0.014 0.053-0.080-0.067-0.023 0.019 0.046-0.034 0.012 x3 0.052-0.065 1 0.772 0.018 0.042-0.094 0.279 0.163 0.221 0.093-0.030 0.040-0.118 x4 0.037-0.057 0.772 1 0.003 0.044-0.080 0.098 0.040 0.224 0.116-0.013-0.013-0.096 x5 0.003-0.016 0.018 0.003 1-0.017-0.030 0.019 0.025-0.044-0.021 0.002-0.019 0.002 x6 0.009 0.014 0.042 0.044-0.017 1-0.020 0.009-0.018 0.032 0.047 0.009-0.037-0.015 x7-0.030 0.053-0.094-0.080-0.030-0.020 1-0.057 0.013 0.009-0.032 0.089 0.027 0.014 x8 0.014-0.080 0.279 0.098 0.019 0.009-0.057 1 0.447-0.018-0.036-0.031 0.156-0.041 x9 0.020-0.067 0.163 0.040 0.025-0.018 0.013 0.447 1-0.063-0.017-0.027 0.117-0.019 y1 0.034-0.023 0.221 0.224-0.044 0.032 0.009-0.018-0.063 1 0.156-0.070-0.070-0.116

y2 0.071 0.019 0.093 0.116-0.021 0.047-0.032-0.036-0.017 0.156 1-0.039-0.046-0.052 y3 0.054 0.046-0.030-0.013 0.002 0.009 0.089-0.031-0.027-0.070-0.039 1 0.001 0.013 y4-0.022-0.034 0.040-0.013-0.019-0.037 0.027 0.156 0.117-0.070-0.046 0.001 1-0.019 y5 0.012 0.012-0.118-0.096 0.002-0.015 0.014-0.041-0.019-0.116-0.052 0.013-0.019 1;proc cancorr data=ex20_2 edf=1494 red;var x1-x9;with y1-y5;run;

data ex21_1;input group num;do i=1 to num;input value@@;output;end;cards;1 25 6.5 13.5 12.8 6.2 13.9 14.7 9.5 9.0 6.9 16.8 13.3 10.8 12.2 14.9 13.7 12.8 5.3 11.8 12.4 7.6 13.3 11.9 11.2 12.3 12.7 0 20 8.5 6.4 4.6 1.7 9.7 5.3 4.9 5.7 3.8 6.5 6.3 5.4 3.3 4.7 8.6 6.3 5.9 4.8 4.5 5.2;proc logistic descending;model group=value/scale=none outroc=roc1;run;proc print;run;proc gplot;plot _SENSIT_*_1MSPEC_;run;

第二篇：典型相關分析的SAS實現

典型相關分析的SAS實現

data ex20_1(type=corr);input _name_$3.x1 x2 y1-y4;_type_='corr';cards;x1 1.0 0.8491 0.5106 0.2497 0.5285 0.3019 x2 0.8491 1.0 0.8062 0.5438 0.7887 0.6064 y1 0.5106 0.8062 1.0 0.7833 0.9284 0.8364 y2 0.2497 0.5438 0.7833 1.0 0.6457 0.9051 y3 0.5285 0.7887 0.9284 0.6457 1.0 0.7097 y4 0.3019 0.6064 0.8364 0.9051 0.7097 1.0;proc cancorr edf=102;var x1 x2;with y1-y4;run;

data ex20_2(type=corr);input _name_$ x1-x9 y1-y5;_type_='corr';cards;x1 1-0.027 0.052 0.037 0.003 0.009-0.030 0.014 0.020 0.034 0.071 0.054-0.022 0.012 x2-0.027 1-0.065-0.057-0.016 0.014 0.053-0.080-0.067-0.023 0.019 0.046-0.034 0.012 x3 0.052-0.065 1 0.772 0.018 0.042-0.094 0.279 0.163 0.221 0.093-0.030 0.040-0.118 x4 0.037-0.057 0.772 1 0.003 0.044-0.080 0.098 0.040 0.224 0.116-0.013-0.013-0.096 x5 0.003-0.016 0.018 0.003 1-0.017-0.030 0.019 0.025-0.044-0.021 0.002-0.019 0.002 x6 0.009 0.014 0.042 0.044-0.017 1-0.020 0.009-0.018 0.032 0.047 0.009-0.037-0.015 x7-0.030 0.053-0.094-0.080-0.030-0.020 1-0.057 0.013 0.009-0.032 0.089 0.027 0.014 x8 0.014-0.080 0.279 0.098 0.019 0.009-0.057 1 0.447-0.018-0.036-0.031 0.156-0.041 x9 0.020-0.067 0.163 0.040 0.025-0.018 0.013 0.447 1-0.063-0.017-0.027 0.117-0.019 y1 0.034-0.023 0.221 0.224-0.044 0.032 0.009-0.018-0.063 1 0.156-0.070-0.070-0.116

y2 0.071 0.019 0.093 0.116-0.021 0.047-0.032-0.036-0.017 0.156 1-0.039-0.046-0.052 y3 0.054 0.046-0.030-0.013 0.002 0.009 0.089-0.031-0.027-0.070-0.039 1 0.001 0.013 y4-0.022-0.034 0.040-0.013-0.019-0.037 0.027 0.156 0.117-0.070-0.046 0.001 1-0.019 y5 0.012 0.012-0.118-0.096 0.002-0.015 0.014-0.041-0.019-0.116-0.052 0.013-0.019 1;proc cancorr data=ex20_2 edf=1494 red;var x1-x9;with y1-y5;run;

data ex21_1;input group num;do i=1 to num;input value@@;output;end;cards;1 25 6.5 13.5 12.8 6.2 13.9 14.7 9.5 9.0 6.9 16.8 13.3 10.8 12.2 14.9 13.7 12.8 5.3 11.8 12.4 7.6 13.3 11.9 11.2 12.3 12.7 0 20 8.5 6.4 4.6 1.7 9.7 5.3 4.9 5.7 3.8 6.5 6.3 5.4 3.3 4.7 8.6 6.3 5.9 4.8 4.5 5.2;proc logistic descending;model group=value/scale=none outroc=roc1;run;proc print;run;proc gplot;plot _SENSIT_*_1MSPEC_;run;

第三篇：典型相關分析SAS代碼

data fit;input X1 X2 X3 X4 X5 Y1 Y2 Y3;cards;14651000 3446 98.8 2094.51 104.2 2555.14 2637.67 179.76 13985000 3339 113.8 2305.2233 133.8 2462.45 2670.99 161.74 15162900 3093 108.9 2494.6668 93.8 2831.87 3015.04 186 14275800 3084 99.6 2770.48 99.8 2957.2 2259.86 210.3 13966000 3040 101.6 3224.05 142.4 2767.25 2169.47 206.16 13947000 2978 112.4086 3690.34 123.8 2935 2307 218.36 14632000 2952 102.5 3980.44 79.1 3119.91 2332.38 232.33 14123200 2761 106.2 4543.41 97.9 3230.04 2344.04 241.53 14299300 2703 107.3469 5231.33 143.2 3195.12 2411.98 239.79 14849000 2644 111.3 6007.5498 90.8 3342.09 2466.6 252.5 15218000 2604 103.8 6790.899 97.2 3456.7 2471.53 261.34 15344000 2567 99 7565 95.7 3518 2360.31 266.29 run;ods rtf file='F:結果.doc';proccancorr data=fit all vprefix=YING vname='yingxiang' wprefix=CHAN wname='shengchan';var X1 X2 X3 X4 X5;with Y1 Y2 Y3;run;ods rtf close;

第四篇：SAS復習資料

SAS復習資料 2013.6.20

說明：根據老師給的Html版整理，如有錯誤、遺漏敬請原諒，并及時指出，進行改正。謝謝！

1.研究因子：對試驗指標有影響的，在試驗中需要加以考察的條件。2.小機率原理：概率很小的事件，在一次試驗中是不至于發生的。3.重復：每個參試的品種或處理占有兩個或兩個以上的小區稱有重復。

4.局部控制：通過對小區的合理安排，把試驗誤差控制在一個局部的范圍內。5.試驗指標：試驗中用來衡量試驗效果的量。

6.復因子試驗：包含兩個或兩個以上的因子的試驗。7.集團（總體）：根據研究目的確定的，凡符合指定條件的全部觀察對象。8.偶然誤差（機誤）：由于機會不等所造成的偏差。9.可量資料：能夠以測量、稱量的方法表示的資料。10.正交互作用（正連應）：某些因子綜合起來的效果大于這些因子單獨作用的效果之和。1.進行隨機區組的統計分析，需用何種方差分析？：雙方面分類的方差分析 2.進行拉丁方的統計分析，需用何種方差分析？：三方面分類的方差分析 3.進行雙方面分類的方差分析，總平方和分解為多少部份？：三部分 4.進行三方面分類的方差分析，總平方和分解為多少部份？：四部分

5.兩因素（含交互作用）的方差分析，處理組合平方和應分解為多少部份？：四部分 6.三因素（含一級交互作用）的方差分析，處理組合平方和應分解為多少部份？：七部分 7.在幾種常用的試驗設計方法中，哪種精確度較高？：拉丁方 8.隨機區組設計的誤差自由度等于多少？：(m1)9.拉丁方設計的誤差自由度等于多少？：(n2)10.只有重復而末實行局部控制的試驗，應采用何種方差分析？：單方面分類的方差分析 1.樣本標準差的功用？：反映樣本的變異程度

2.樣本平均數標準差（標準誤）的功用？：反映在同一個總體進行抽樣，所得的樣本平均數間的差異，即抽樣誤差。

3.變異系數的功用？：用作兩類事物的變異程度作比較

4.樣本平均數的功用？：指示資料的中心位置，反映資料的一般質量水平，作為代表值同其它資料比較

5.協方差分析的功用？：用處理前的數據（基數）矯正處理后的數據，提高分析的精確度。6.樣本均數差異顯著性測驗的功用？：在一定的概率保證下，判斷事物間有否本質差異 7.總體均數區間估計的功用？：通過抽樣，由樣本的情況估計未知總體平均數的數值范圍 8.在試驗設計中，局部控制的作用？：減少試驗誤差

9.在試驗設計中，重復的作用？：減少試驗誤差，估計試驗誤差，擴大試驗的代表性 10.在試驗設計中，隨機排列的功用？：正確估計試驗誤差 1.何謂試驗指標？：在試驗中用來衡量試驗效果的一個量

2.什么叫保護行？：防止試驗材料受外來因素和周邊環境影響作物行

3.某個復因子試驗的處理組合數應如何計算？：等于有關因子的水平數乘積 4.在常用的試驗設計中，哪種設計方法的精確度最高？：拉丁方 5.在常用的試驗設計中，哪種設計方法的精確度最低？：間比法 6.試驗設計三大原則是什么？：重復，局部控制，隨機排列

7.作改良對比法設計時，參試的品種或處理數一般不大于多少？：不受限制 8.作隨機區組設計時，參試的品種或處理數一般不大于多少？：不大于18 9.作配對法設計時，參試的品種或處理數一般不大于多少？：兩個

10.作拉丁方設計時，參試的品種或處理數一般不大于多少？：不大于8 1.某個因子的自由度等于多少？：等于該因子的水平數減1 2.某兩因子試驗中，其交互作用的自由度等于多少？：等于有關因子的自由度的乘積

3.一可量資料樣本均數與總體均數差異顯箸性進行t檢驗時，其自由度為多少？：等于樣本含量數-1 4.正交表的總自由度等于多少？：等于參試的處理組合數-1 5.作回歸關系顯著性測驗時，回歸項的自由度等于多少？：等于自變量的個數 6.作簡單相關系數顯著性測驗時，DF等于多少？：等于N-2 7.2*2聯卡平方測驗時，DF等于多少？：1 8.兩個配對法設計的可量資料樣本均數差異顯箸性進行t檢驗，其自由度為多少？：試驗資料的配對數-1 9.2*J聯卡平方測驗時，其自由度為多少？：J-1 10.作拉丁方設計時，參試的品種或處理數一般不大于多少？：2 1.SS：平方和 2.N（0，1）：標準正態分布 3.μ：總體平均數

4.CLM：平均數的置信區間 5.∑X ：總和

6.VIF：方差膨脹因子 7.MSE：誤差均方 8.DF ：自由度 9.CV：變異系數 10.V：方差

1.欲進行聚類統計分析，需調用SAS系統的何種過程？：Proc cluster 2.欲進行回歸統計分析，需調用SAS系統的何種過程？：Proc reg 3.欲進行方差統計分析，需調用SAS系統的何種過程？：Proc anova 4.欲進行因子統計分析，需調用SAS系統的何種過程？：Proc factor 5.欲進行典型相關統計分析，需調用SAS系統的何種過程？：Proc cancorr 6.欲進行基本統計量統計分析，需調用SAS系統的何種過程？：Proc means 7.欲進行主成分分析，需調用SAS系統的何種過程？：Proc princomp 8.欲進行成組法T測驗，需調用SAS系統的何種過程？：Proc ttest 9.欲進行正態分布檢驗，需調用SAS系統的何種過程？：Procunivariate 10.欲進行作相關點式圖，需調用SAS系統的何種過程？：Proc plot 1.單因子隨機區組的方差分析模型（MODEL）是：Y=BLOCK T 2.單因子隨機區組協方差分析的模型是（MODEL）：Y=BLOCK T X 3.三元線性回歸分析的模型是（MODEL）：Y=X1 X2 X3 4.單方面分類的方差分析模型（MODEL）是：Y=T

5.兩個因子變量的反應面分析的模型（MODEL）是：Y=X1 X2

6.單因子隨機區組的多元方差分析的模型（MODEL）是：X1 X2 X3 =BLOCK T 7.3*4 復因子試驗的方差分析模型（MODEL）是：Y=BLOCK A B A*B 8.拉丁方設計的方差分析模型（MODEL）是：Y=A B T 9.3*2*3復因子試驗的方差分析模型（MODEL）是：Y=BLOCK A B C A*B A*C B*C A*B*C 10.正交隨機區組（不考查交互作用）的統計分析模型（MODEL）是：Y=BLOCK A B C D 1.協方差分析的功用？：用處理前的數據（基數）矯正處理后的數據，提高分析的精確度 2.主成分分析的功用？：將個數眾多、相互有關聯的變量，轉化為少數幾個相互獨立的變量 3.聚類分析的功用？：把樣本或變量進行分類分

4.典型相關系數的功用？：反映兩組不同性質的變量之間的關系密切程度 5.樣本平均數的功用？：反映資料的一般質量水平，指示資料的中心位置 6.樣本平均數標準差（標準誤）的功用？：估計抽樣誤差

7.在回歸分析中，殘差的作用：反映實測值與預測值之間的偏差程度 8.在試驗設計中，局部控制的作用？：減少試驗誤差 9.在試驗設計中，重復的作用？：估計試驗誤差

10.變異系數的功用：用于兩組資料的變異程度作比較

1.多重比較的方法有很多種，課本介紹了其中的三種: 第一種、最小顯著差數法（Least Significant difference---LSD法或t測驗法）第二種、Q測驗法（最高顯著差數法═Tukey測驗法）

第三種、新復極差法（Shortest Significant Range---SSR法或Duncan法）哪種測驗法的精確度較高？ＴＵＫＥＹ法

2.不服從正態分布的數據不能直接作方差分析，必須進行數據轉換，數據轉換常用的方法有：（1）、平方根代換（2）、對數代換（3）、反正弦代換

問如果數據為二項分布的百分率，即可數百分數，且大于70%或小于30%，應采用何種代換？反正弦代換

3.計算步驟為：

第一步、將數據進行標準化； 第二步，求相關矩陣；

第三步，求相關矩陣的特征根、特征向量、各特征根的方差貢獻率和累計方差貢獻。第四步，根據特征根的累計方差貢獻率保留前幾個公共因子。

第五步，用前幾個特征根的平方根乘相應的特征向量，構成因子載荷陣； 第六步，求相關系數矩陣的逆陣；

第七步，用因子載荷陣與相關矩陣的逆陣相乘，得回歸系數陣； 第八步，用回歸系數與標準化數據相乘得因子得分值。問這是何種統計分析方法？因子分析

4.計算步驟為：

第一步，將數據進行中心化； 第二步，求方差協方差矩陣； 第三步，求方差協方差矩陣的特征根、特征向量、各特征根的方差貢獻率和累計方差貢獻率。第四步，根據特征根的累計方差貢獻率保留前幾個主成分。

第五步，用中心化數據與前三個特征向量相乘，求得前三個主成分得分。

第六步，如果覺得有必要，用前三個特征根的平方根（即前幾個主成分的標準差，）除前幾個主成分得分值，得標準化主成分得分。第七步，如果有必要的話，利用這些標準化主成分得分作進一步的分析。問這是何種統計分析方法？主成分分析

5.計算步驟為：

第一步，計算X、Y、X*Y項的各種平方和（X為基數，Y為處理后的實測值；

第二步，進行X與Y項的回歸關系顯著性測驗，若相關不顯著，則進行一般的方差分析； 第三步，若相關顯著，則扣除回歸關系后，再進行方差分析； 第四步，用回歸系數矯正處理后的數據測驗，再進行多重比較。問這是何種統計分析方法？協方差分析

6.計算步驟為：

第一步，計算出k個類別的方差協方差矩陣的逆陣。

第二步，計算出各個訓練樣本到這k個類別的馬氏距離，比較這k個距離，把訓練樣本歸到距離最短的類中。

第三步，計算在第二步中判別錯誤的樣本數占總樣本數的百分率。第四步，如果還有新的待判樣本，計算各個新樣本到這k個類別的馬氏距離，比較k個距離，把各個新樣本歸到距離最短的類中，再計算在待判樣本中判別錯誤的樣本數占待判樣本總數的百分率。

問這是何種統計分析方法？判別分析

7.計算步驟為：

第一步，計算出Y的矯正數及各種平方和（Y為處理后的實測值）。第二步，列方差分析表并進行F測驗。第三步，若F測驗顯著則進行多重比較。第四步，寫出統計結論。

問這是何種統計分析方法？一元方差分析

8.計算步驟為:

第一步，按一定的原則選擇k個凝聚點；

第二步，將所有事例點歸到最靠近它的凝聚點所代表的類中，得到k個初始分類；

第三步，按最近距離的原則對初始分類進行修改；反復進行，直至分類合理為止。問這是何種統計分析方法？動態聚類

9.計算步驟為：

第一步，將原始數據進行中心化，按研究目的分為兩組，記變量數（m1）較少的那組為X1，記變量數（m2）較多的那組為X2。

第二步，求X1和X2的方差協方差矩陣S11、S12和S22以及S12的轉置陣S21，并利用它們構成非對稱的方陣。

第三步，求非對稱的方陣的特征根和對應的特征向量。

第四步，將這些特征向量除以非對稱的方陣的特征根的平方根轉換為第一組的典型系數。第五步，利用兩個典型系數的關系式求出另一組的典型系數。第六步，將中心化數據和典型系數相乘得典型相關系數。問這是何種統計分析方法？典型相關分析 10.用SAS系統作數據分析，首要的問題是如何排列數據，你熟悉SAS系統對各種統計分析方法的數據排列的要求嗎？問單因子試驗采用隨機區組設計，有四個試驗指標時，數據應排多少列？。6列

：平方和

乘積和

合并樣本百分數

樣本標準差

樣本平均數標準差

兩樣本百分數之差的總體標準差

兩樣本平均數之差的樣本標準差

總體標準差

樣本變異系數

樣本差數平均數標準差

可量資料大樣本均數與總體均數差異顯箸性測驗

可量資料兩大樣本均數差異顯箸性測驗 可數資料樣本百分數與總體百分數差異顯箸性測驗

可數資料兩大樣本百分數差異顯箸性測驗

可量資料小樣本均數與總體均數差異顯箸性測驗

可量資料兩小樣本均數差異顯箸性測驗（配對法）

可量資料兩小樣本均數差異顯箸性測驗（成組法）

由可量資料大樣本對總體均數進行估計

由可量資料小樣本對總體均數進行估計

由可數資料大樣本百分數對總體百分數進行估計

第五篇：典型相關分析

典型相關分析

在ＳPＳＳ中可以有兩種方法來擬合典型相關分析，第一種是采用Manova過程來擬合，第二種是采用專門提供的宏程序來擬合，第二種方法在使用上非常簡單，而輸出的結果又非常詳細，因此這里只對他進行介紹。該程序名為Canonical correlation.sps，就放在ＳPＳＳ的安裝路徑之中，調用方式如下： 文件——新建——語法

INCLUDE ' C:Program FilesSPSSIncPASWStatistics18SamplesEnglishCanonical correlation.sps'.CANCORR SET1=體重 腰圍 脈搏 /SET2=單杠 仰臥起坐 跳高.1.Correlations for Set-1 Correlations for Set-2 首先給出的是兩組變量內部各自的相關矩陣，可見生理指標之間具有相關性、訓練指標之間也有相關性。

2.Correlations Between Set-1 and Set-2 接著給出的是兩組變量間各變量的兩兩相關矩陣，可見生理指標與訓練指標之間確實存在相關性。

3.Canonical Correlations 提取典型相關系數的大小，可見第一典型相關系數為0.796

4.Test that remaining correlations are zero 檢驗各典型相關系數有無統計學意義，可見第一典型相關系數有統計學意義，第二第三典型相關系數沒有統計學意義。

5.Standardized Canonical Coefficients for Set-1 Raw Canonical Coefficients for Set-1 各典型變量與變量組1中各變量間標化與未標化的系數列表，由此我們可以寫出典型變量的轉換公式（標化的）：U1=0.775x1-1.579x2+0.059x3

6.各典型變量與變量組2中各變量間標化與未標化的系數列表，同理可以寫出典型變量的轉換公式：V1=0.349y1+1.054y2-0.716y3

7.各典型變量與原變量之間相關系數。

U與x之間相關系數

V與x之間相關系數

V與y之間相關系數

U與y之間相關系數