第一讲数据的描述性分析

数据分析实验教案朱宁编2014.8.25SAS系统简介SAS(StatisticalAnalysisSystem)系统是国际著名的数据分析软件系统。该系统1966年开始研制，1976年由美国SAS公司实现商业化，1985年推出SAS/PC版本，1987年推出6.03版，目前已推出Windows系统支持的8.2和9.0版，是目前国际上公认的著名的数据统计分析软件系统之一。从1976年SAS开发成功至今，SAS的用户遍及119个国家，它已经成为同类产品中的领导者。在财富500强中，有90%的公司使用SAS。而在财富500强的前100家企业中，有98%的公司使用SAS。如此广泛的应用源于SAS系统的强大的分析功能、可组合的模块式软件系统和简单易学。SAS系统是集数据分析、生成报表于一体的一种集成软件系统。它由基本部分和外加模块组成，其中基本部分包含的功能如下：–基本部分:BASESAS部分;–统计分析计算部分:SAS/STAT;–绘图部分:SAS/GRAPH;–矩阵运算部分:SAS/IML;–运筹学和线性规划:SAS/OR;–经济预测和时间序列分析:SAS/ETS;1.1.SAS的启动1.2.SAS8.0软件界面SAS界面包括三个部分，即程序窗口、日志窗口和输出窗口。EDITOR(程序窗口)编辑窗口用于编辑SAS源程序文件。编辑窗口支持全窗口编辑功能，即光标可以在整个窗口内随意移动，支持Windows系统常规编辑操作，如复制、剪切、粘贴等功能操作。SASV8提供了智能编辑功能，它可根据用户输入的SAS关键字、语句选项、变量名、数据、标记等不同内容显示不同的颜色，当用户输入的字串不正确时，对应颜色不对，警告使用者有错误发生。LOG（日志窗口）运行记录窗口用于显示和记录SAS程序的运行情况，说明程序运行成功或存在错误，当程序出现错误时，LOG记录窗口中以红色字符显示错误信息，以绿色显示一些警告信息。提示使用者修改程序中的错误。OUTPUT(输出窗口)分页显示SAS程序运行所产生的文本输出结果（图形输出通过GRAPHICS窗口显示）。对于文本结果的输出，可以使用主界面的菜单File|SaveAs将结果文档保存在磁盘中，保存的文件扩展名为.lst，但实际上是一种文本文件格式，可以使用文字处理软件，如Word或写字板、记事本等打开并进行编辑修改。对于输出到GRAPHICS窗口的图形，可以使用菜单File|ExportasImage将图形导出保存在磁盘中，图形文件格式可以在“保存类型”下拉列表中选择。1.3.SAS程序结构SAS程序采用模块化结构，模块之间相互独立，每个模块完成一个任务。模块分为两种类型：一种类型是数据模块，数据模块以英文单词data作为开始语句。另一种类型是程序模块，程序模块以proc作为开始语句。模块中的语句之间用“；”分隔，同一个语句的不同项之间必须用一个以上的空格分隔。在一个程序中可以包含多个数据模块和程序模块，模块的位置是任意的。程序按照语句出现的先后顺序执行。（1）SAS程序的语法编写程序时必须遵循所使用的软件的语法规则，SAS程序的语法规则可以归纳为以下几条：①标识符或数据之间至少用一个以上的空格分隔；②每个语句用分号作为结束标志；③变量名或其他名称最多包含8个字符，并且第一个字符为英文字母，名称中不能有空格，或SAS系统的保留符号，如：“-”、“.”、“，”、“…”、“$”等；④SAS程序可以处理带有缺失数据的文件，数据缺失值用“.”表示；⑤SAS程序只处理数值和字符串两种类型的变量，为了和数值变量相区别，输入语句中字符串变量名使用“$”作为后缀；⑥程序中可以包含注释语句，注释语句以“/*”开始，以“*/”结束；⑦除数据外，SAS程序不区分英文字母的大小写。（2）SAS数据集SAS的核心是SAS数据集是SAS文件的一种，一般又以下两部分组成：（1）描述部分包含该数据集的一般信息，包括：数据集的名字及其成员类型、数据集建立的日期和时间、观测的数目以及数据集中每一个变量的特征信息，包括：Name（变量名）、Type(类型)、Length（长度）、Format（输出格式）、Informat（输入格式）、Label（标签）。（2）数据部分包含数据集中收集的数据的值，可以看作是一个矩形的表格。表格的列（columns）称为变量（variables）,对应于原始数据文件或其他一些外部数据库所称的字段（fields）；表格的行称为观测（observations），对应于原始数据文件或其他一些外部数据库所称的记录（records）或数据行（datalines）（3）逻辑库SAS的逻辑库分为临时逻辑库和永久逻辑库两种。临时库只有一个，名为work，其他的库均为永久库。SAS每次启动时会自动指定4个库标记：work、Sasuser、Sashelp、Sasmap。存放在work中的SAS文件叫临时文件，当退出SAS系统时这些文件会被自动删除。永久文件保存在永久库中，在退出SAS系统时不会被自动删除。所以，通常把作为中间结果或练习使用的数据集保存为临时数据集，而需要以后再用的数据集则可以保存为永久数据集；如果需要备份，最好在退出前把临时文件复制到其他的库中。在Explorer窗口中单击鼠标右键，在右键菜单中选择New，打开NewLibrary对话框，可以建立新库（如把一个库名为Mylib）。如果选中Enableatstartup复选框，则每次打开SAS时所建逻辑库都有效。（4）数据集的导入建立数据集的方法很多，但是，无论是在Explorer窗口中使用VIEWTABLE程序，或是使用INSIGHT模块和“分析家”，还是使用编程操作中专门的数据读入方法来建立数据集，都需要将数据现场输入，费时费力。较为简便的方法是：利用Excel录入数据，并做简单处理，然后将Excel数据表导入到SAS数据集中。导入Excel数据表的步骤如下：①在SAS应用工作间中，选择菜单File下的Importdata……，打开导入向导ImportWizard第一步：选择导入类型（Selectimporttype），默认的类型为Excel数据表，单击Next按钮进入下一步。②在第二步的Selectfile对话框中，单击Browse按钮，在“打开”对话框中选择所需要的Excel文件，返回。然后，单击Option按钮，选择所需工作表，单击OK按钮返回。单击Next按钮进入下一步。③在第三步的Selectlibraryandmember对话框中，选择导入数据集所存放的逻辑库以及数据集的名称，单击Next按钮进入下一步。④在第四步的CreateSASStatements对话框中，可以选择将系统生成的程序代码存放的位置，也可不做选择，直接单击Finish按钮，完成数据集的导入。第一讲数据的描述性分析1.实验目的1.了解SAS程序结构及使用方法；2.掌握使用DATA步建立SAS数据集的方法；3.会用PROC步调用Means、Capability、Univariate、Corr等进行描述性统计分析和解决实际问题。2.实验要求1.会用SAS软件处理数据对建立的数据集进行统计分析；2.掌握PROC步调用Means、Capability、Univariate、Corr等的基本步骤。3.实验原理及常用统计量对于样本容量为n的一个样本：nxxx,,,21。有如下概念：均值(Mean)：niixnx11方差：niixxns122)(11标准差：2ss变异系数：(%)100xsCV偏度：niixxsnnng1321)()2)(1(峰度：)3)(2()1(3)()3)(2)(1()1(21442nnnxxsnnnnngnii中位数：)(2),(21)(12,)12()2()21(NiinxxNiinxMnnn分位数：ZnpxxZnpxMnpnpnpp),(21,)1()()1]([上四分位数：75.03MQ下四分位数：25.01MQ三均值：31412141ˆQMQM4.实验相关SAS知识Proc步具有大致相同的程序结构：PROC过程名option(s)statistic-keyword(s);Varvariables;otheroption(s);Run;其中：option(s)：Data=要分析的数据集（缺省为最新建立的数据集）；variables：要进行统计分析的变量列表（缺省为数据集中的全部变量）（1）Procmeans过程statistic-keyword(s)：要输出的统计量关键字，说明如下：N：样本容量Mean：均值Var：方差STD：标准差CV：变异系数Skewness：偏度Kurtosis：峰度Midian：中位数Q3：上四分位数Q1：下四分位数Qrange：四分位极差P1：第一百分位数P5：第五百分位数P10：第十百分为数P90：第九十百分为数P95：第九十五百分位数P99：第九十九百分位数（2）ProcUnivariate过程主要语句形式如下：ProcUnivariateoptions；Varvariables；Outputout=SASdatasetkeyword=name……；语句中“options”部分可以是下列内容的部分或全部：①data=数据集名：指明所要分析的数据集，若省略则表示分析最新生成的数据集。②plot：要求对所分析的各变量的观测值产生一个茎叶图（或水平直方图）、一个箱线图和一个正态QQ图。若某区间的观测值超过48，则不绘制茎叶图，而改绘制直方图。在正态QQ图中，以“*”标示正态QQ图上的点，以“+”标示相应的参考直线。③freq：要求生成包括变量值、频数、百分数和累计百分数的表。④normal：要求对分析的各变量的观测值进行正态性检验，并输出相应的p值。若样本容量不超过2000则使用W统计量进行检验；若样本容量大于2000则使用D统计量进行检验。正态分布的均值和方差分别取样本均值和样本方差。（3）ProcCorr过程主要语句形式如下：Proccorroptions；Varvariables；Withvariables；其中“options”部分可以是下列内容的部分或全部：①data=数据集名：指明所要分析的数据集，若省略则表示分析最新生成的数据集。②pearson：要求输出pearson相关系数矩阵。③spearman：要求输出spearman秩相关系数矩阵。④cov：要求计算协方差矩阵。⑤nosimple：指明不输出每个变量的简单描述性统计量。Varvariables中的“variables”则指出了要计算相关系数矩阵或协方差阵的变量名称，它可以是原数据中数值变量的一部分；若省略此句则SAS系统计算关于数据集中所有数值的相关系数矩阵。5.实例例1（数据见教材P5例题1.2）goptionsvsize=12cmhsize=15cm;dataxueqingdanbai;inputx@@;cards;74.378.868.878.070.480.580.569.771.273.579.575.675.078.872.072.072.074.371.272.075.073.578.874.375.865.074.371.269.768.073.575.072.064.375.880.369.774.373.573.575.875.868.876.570.471.281.275.070.468.070.472.076.574.376.577.667.372.075.074.373.579.573.574.765.076.581.675.472.772.767.276.572.770.477.268.867.367.367.372.775.873.575.073.573.573.572.781.670.374.373.579.570.476.572.777.284.375.076.570.4;procmeansdata=