SAS 6.12教程

b · 发表于 2004-5-30 05:42:47

<

>8.4.2 应用实例<

align=justify>例8.3 现有20名糖尿病人的血糖(y,mmol/L)、胰岛素(X1,mU/L))及生长素(X2,μg/L)的测量数据列于中，试进行多元线性回归分析（卫生统计第四版例11.1）。<

align=center>20名糖尿病人的血糖、胰岛素及生长素的测量数据<CENTER><TABLE borderColor=#008000 cellSpacing=1 border=0><TR><TD>病例号i</TD><TD>血 糖 y</TD><TD>胰岛素X1</TD><TD>生长素X2</TD></TR><TR><TD>1</TD><TD>12.21</TD><TD>15.20</TD><TD>9.51</TD></TR><TR><TD>2</TD><TD>14.54</TD><TD>16.70</TD><TD>11.43</TD></TR><TR><TD>3</TD><TD>12.27</TD><TD>11.90</TD><TD>7.53</TD></TR><TR><TD>4</TD><TD>12.04</TD><TD>14.00</TD><TD>12.17</TD></TR><TR><TD>5</TD><TD>7.88</TD><TD>19.80</TD><TD>2.33</TD></TR><TR><TD>6</TD><TD>11.10</TD><TD>16.20</TD><TD>13.52</TD></TR><TR><TD>7</TD><TD>10.43</TD><TD>17.00</TD><TD>10.07</TD></TR><TR><TD>8</TD><TD>13.32</TD><TD>10.30</TD><TD>18.89</TD></TR><TR><TD>9</TD><TD>19.59</TD><TD>5.90</TD><TD>13.14</TD></TR><TR><TD>10</TD><TD>9.05</TD><TD>18.70</TD><TD>9.63</TD></TR><TR><TD>11</TD><TD>6.44</TD><TD>25.10</TD><TD>5.10</TD></TR><TR><TD>12</TD><TD>9.49</TD><TD>16.40</TD><TD>4.53</TD></TR><TR><TD>13</TD><TD>10.16</TD><TD>22.00</TD><TD>2.16</TD></TR><TR><TD>14</TD><TD>8.38</TD><TD>23.10</TD><TD>4.26</TD></TR><TR><TD>15</TD><TD>8.49</TD><TD>23.20</TD><TD>3.42</TD></TR><TR><TD>16</TD><TD>7.71</TD><TD>25.00</TD><TD>7.34</TD></TR><TR><TD>17</TD><TD>11.38</TD><TD>16.80</TD><TD>12.75</TD></TR><TR><TD>18</TD><TD>10.82</TD><TD>11.20</TD><TD>10.88</TD></TR><TR><TD>19</TD><TD>12.49</TD><TD>13.70</TD><TD>11.06</TD></TR><TR><TD>20</TD><TD>9.21</TD><TD>24.40</TD><TD>9.16</TD></TR><TR><TD>平均值</TD><TD>10.85</TD><TD>17.77</TD><TD>8.94</TD></TR></TABLE></CENTER>

b · 发表于 2004-5-30 05:43:01

<

align=justify>假设上表的资料已建立文本文件c:\user\li4_1，调用REG过程拟合多元回归方程，程序如下：<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" width=600 border=0><TR><TD><

align=justify>Libname a ‘c:\user’;</TD></TR><TR><TD><

align=justify>data a.bk4_1;</TD></TR><TR><TD>　infile ‘c:\user\li4_1’;</TD></TR><TR><TD>　input id y x1 x2@@;</TD></TR><TR><TD>proc reg data=a.bk4_1;</TD></TR><TR><TD>　model y=x1 x2/stb;</TD></TR><TR><TD>　model y=x1 x2/ selection=stepwise stb;</TD></TR><TR><TD>run;</TD></TR></TABLE>REG过程中MODEL语句可以交互使用，本例我们建立了两个模型，第一个model没有作变量筛选，建立一个含有两个自变量的方程，并输出标准化偏回归系数。第二个model指定逐步回归法筛选变量。程序运行的主要结果如下：<PRE>Model:model1 模型1Dependent Variable:Y</PRE><PRE> Analysis of Variance 回归模型的方差分析 Sum of Mean Source DF Squares Square F Value Prob>F 变异来源自由度离均差平方和均方 F值 P值 Model 2 116.62646 58.31323 21.539 0.0001 Error 17 46.02494 2.70735 C Total 19 162.65140</PRE><PRE> 误差的均方根 Root MSE 1.64540 决定系数 R-square 0.7170 应变量的均数 Dep Mean 10.85000 调整的决定系数 Adj R-sq 0.6837 应变量的变异系数 C.V. 15.16500</PRE><PRE> Parameter Estimates以下是参数估计和假设检验（t检验法） Parameter Standard T for H0: Standardized Variable DF Estimate Error Parameter=0 Prob > |T| Estimate 变量名自由度参数估计值估计值的标准误Sb t值 P值</PRE><PRE>截距 INTERCEP 1 17.010824 2.47237134 6.880 0.0001 0.00000000 X1 1 -0.405907 0.09412204 -4.313 0.0005 -0.74340924 X2 1 0.097669 0.11588150 0.843 0.4110 0.14528940</PRE><PRE>Model:model2（模型2）Dependent Variable:Y（应变量名）</PRE><PRE> Analysis of Variance</PRE><PRE> Sum of Mean Source DF Squares Square F Value Prob>F</PRE><PRE> Model 1 114.70324 114.70324 43.060 0.0001 Error 18 47.94816 2.66379 C Total 19 162.65140</PRE><PRE> Root MSE 1.63211 R-square 0.7052 Dep Mean 10.85000 Adj R-sq 0.6888 C.V. 15.04250</PRE><PRE> Parameter Estimates</PRE><PRE> Parameter Standard T for H0: Standardized Variable DF Estimate Error Parameter=0 Prob > |T| Estimate</PRE><PRE> INTERCEP 1 18.796143 1.26472741 14.862 0.0001 0.00000000 X1 1 -0.458520 0.06987466 -6.562 0.0001 -0.83976728</PRE>REG过程拟合带截距项的直线回归方程，用最小二乘法估计模型的参数，并给出模型及参数的方差分析和t检验。本例的两个模型检验P值都小于0.05，模型有统计学意义。模型1含有两个自变量，其截距项和X1检验有统计学意义，X2的检验无统计学意义。模型2为逐步回归法，只纳入了X1。比较两个模型的决定系数，模型1因含有两个自变量，决定系数比模型2要大，但因为模型纳入了不显著的自变量X2，导致它的调整决定系数反而较小，所以我们选择模型2，回归方程：Y=18.796-0.459X1。

b · 发表于 2004-5-30 05:43:15

<

align=center>§8.5 logistic回归<

align=justify>如果应变量为分类的变量，则不符合一般回归分析模型的要求，可用logistic回归来分析。Logistic回归按反应变量的类型分为：<UL><LI>两分类的Logistic回归 <LI>多分类有序反应变量的Logistic回归 <LI>多分类无序反应变量的Logistic回归</LI></UL><

align=justify>按照设计类型可分为：<UL><LI>非条件Logistic回归，即研究对象未经过配对 <LI>条件Logistic回归，即研究对象为1：1或1：m配对</LI></UL>简单的Logistic回归需调用SAS中LOGISTIC过程完成，一些较复杂的则需要调用CATMOD过程来实现。本节我们重点介绍LOGISTIC过程的用法，通过实例说明如何实现简单的Logistic回归分析。8.5.1 语法格式<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" border=0><TR><TD>PROC LOGISTIC [DATA=数据集名] [选项]；</TD></TR><TR><TD>　MODEL 应变量名=自变量名列/ [选项]；</TD></TR><TR><TD>　[BY <变量名列>;</TD></TR><TR><TD>　FREQ <变量名>;</TD></TR><TR><TD>　WEIGHT <变量名>;</TD></TR><TR><TD>　OUTPUT <OUT=新数据集名关键字=新变量名> ...;]</TD></TR></TABLE>8.5.2 语法说明LOGISTIC过程，用最大似然法对应变量拟合一个Logistic模型。除了PROC 和MODEL语句为必需，其他都可省略。【过程选项】<UL><LI>OUTEST=数据集名 指定统计量和参数估计输出的新数据集名。
<LI>NOPRINT 禁止统计结果在OUTPUT视窗中输出。 <LI>ORDER=DATA|FORMATTED|INTERNAL 规定拟和模型的应变量的水平顺序</LI></UL> DATA ：应变量的顺序与数据集中出现的顺序一致 FORMATTED：按照格式化值的顺序，为默认的选项，相当于应变量所赋
值的大小顺序 INTERNAL：按照非格式化值的顺序<UL><LI>DESCENDING|DES 颠倒应变量的排列顺序，如果同时指定了选项ORDER，则系统先按照ORDER规定的顺序排列，然后则降序排列。就是说，如果应变量的赋值，死亡为1，存活0，为了得到死亡对存活的概率（或者说是死亡的风险），应选择此选项，否则得到的是存活对死亡的概率。</LI></UL>【MODEL语句】MODEL语句指定模型的自变量、应变量，模型选项及结果输出选项，如要拟和交互作用项，需先产生一个表示交互作用的新变量。可以拟合带有一个或多个自变量的Logistic回归模型，用最大似然估计法估计模型的参数，打印出模型估计的过程和模型参数的可信区间。MODEL语句中常用的选项有：<UL><LI>NOINT 在模型中不拟合常数项，在条件的Logistic回归中用到。 <LI>SELECTION= FORWARD(或F)| BACKWARD（或B）| STEPWISE|SCORE 规定变量筛选的方法，分别为向前、向后、逐步和最优子集法。缺省时为NONE，拟合全回归模型。 <LI>SLE=概率值，指定变量进入模型的显著水平，缺省为0.05 <LI>SLS=概率值，指定变量保留在模型的显著水平，缺省为0.05 <LI>CL|WALDCL，要求估计所有回归参数的可信区间 <LI>CLODDS=PL|WALD|BOTH， 要求计算OR值的可信区间 <LI>PLRL，对所有自变量估计OR的可信区间</LI></UL>

b · 发表于 2004-5-30 05:43:56

<

>8.5.3 应用实例<

align=justify>例8.4 某工作者在探讨肾细胞癌转移的有关临床病理因素研究中，收集了一批行根治性肾切除术患者的肾癌标本资料，现从中抽取26例资料作为示例进行logistic回归分析。<

align=justify>表中有关符号意义说明：i： 样品序号x1：确诊时患者的年龄(岁)x2：肾细胞癌血管内皮生长因子(VEGF)，其阳性表述由低到高共3个等级x3：肾细胞癌组织内微血管数(MVC)x4：肾癌细胞核组织学分级，由低到高共Ⅳ级x5：肾细胞癌分期，由低到高共Ⅳ期y： 肾细胞癌转移情况(有转移y=1; 无转移y=0)。

b · 发表于 2004-5-30 05:44:08

<

align=center>26例行根治性肾切除术患者的肾癌标本资料<

align=center><CENTER><TABLE cellSpacing=2 border=0><TR><TD vAlign=center width="12%" height=30><

align=center>i</TD><TD vAlign=center width="15%" height=30>X1</TD><TD vAlign=center width="14%" height=30>X2</TD><TD vAlign=center width="18%" height=30>X3</TD><TD vAlign=center width="14%" height=30>X4</TD><TD vAlign=center width="14%" height=30>X5</TD><TD vAlign=center width="14%" height=30>Y</TD></TR><TR><TD vAlign=top width="12%">1</TD><TD vAlign=top width="15%">59</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">43.4</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">2</TD><TD vAlign=top width="15%">36</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">57.2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">3</TD><TD vAlign=top width="15%">61</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">190.0</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">4</TD><TD vAlign=top width="15%">58</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">128.0</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">5</TD><TD vAlign=top width="15%">55</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">80.0</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">6</TD><TD vAlign=top width="15%">61</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">94.4</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">7</TD><TD vAlign=top width="15%">38</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">76.0</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">8</TD><TD vAlign=top width="15%">42</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">240.0</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">9</TD><TD vAlign=top width="15%">50</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">74.0</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">10</TD><TD vAlign=top width="15%">58</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">68.6</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">11</TD><TD vAlign=top width="15%">68</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">132.8</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">12</TD><TD vAlign=top width="15%">25</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">94.6</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">13</TD><TD vAlign=top width="15%">52</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">56.0</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">14</TD><TD vAlign=top width="15%">31</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">47.8</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">15</TD><TD vAlign=top width="15%">36</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">31.6</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">16</TD><TD vAlign=top width="15%">42</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">66.2</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">17</TD><TD vAlign=top width="15%">14</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">138.6</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">18</TD><TD vAlign=top width="15%">32</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">114.0</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">19</TD><TD vAlign=top width="15%">35</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">40.2</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">20</TD><TD vAlign=top width="15%">70</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">177.2</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">21</TD><TD vAlign=top width="15%">65</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">51.6</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">22</TD><TD vAlign=top width="15%">45</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">124.0</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">23</TD><TD vAlign=top width="15%">68</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">127.2</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR><TR><TD vAlign=top width="12%">24</TD><TD vAlign=top width="15%">31</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="18%">124.8</TD><TD vAlign=top width="14%">2</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">25</TD><TD vAlign=top width="15%">58</TD><TD vAlign=top width="14%">1</TD><TD vAlign=top width="18%">128.0</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">0</TD></TR><TR><TD vAlign=top width="12%">26</TD><TD vAlign=top width="15%">60</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="18%">149.8</TD><TD vAlign=top width="14%">4</TD><TD vAlign=top width="14%">3</TD><TD vAlign=top width="14%">1</TD></TR></TABLE></CENTER>

b · 发表于 2004-5-30 05:44:21

<

align=justify>本题的应变量为二分类变量，用最简单的logistic回归模型进行配合，采用逐步筛选法筛选变量，程序如下：<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" width=600 border=0><TR><TD colSpan=2><

align=justify>libname a 'c:\user';</TD></TR><TR><TD colSpan=2><

align=justify>data a.bk4_2;</TD></TR><TR><TD>　input x1-x5 y;</TD><TD>定义X1，X2，X，X4，X5和Y五个变量。</TD></TR><TR><TD colSpan=2>　cards;</TD></TR><TR><TD colSpan=2>　59 2 43.4 2 1 0</TD></TR><TR><TD colSpan=2>　...</TD></TR><TR><TD colSpan=2>　60 3 149.8 4 3 1</TD></TR><TR><TD>proc logistic des;</TD><TD>选项des指定按照y=1|y=0的 概率来拟合模型</TD></TR><TR><TD>　model y=x1-x5/ selection=stepwise;</TD><TD>用逐步回归法拟合模型</TD></TR><TR><TD colSpan=2>run;</TD></TR></TABLE>过程名后面如果不指定选项DES，则系统按照Y=0的概率拟和模型（Y=0|Y=1），可尝试一下去掉此选项，会发现不仅应变量的排序水平颠倒了，而且所有的参数估计符号相反，OR值为原来的倒数。程序运行的主要输出结果如下：<PRE> The LOGISTIC Procedure</PRE><PRE> Data Set: A.BK4_2 计算所用的数据集名 Response Variable: Y 应变量 Response Levels: 2 应变量的水平数 Number of Observations: 26 观察单位数 Link Function: Logit 联系函数</PRE><PRE> Response Profile</PRE><PRE> Ordered Value Y Count</PRE><PRE> 1 1 9 2 0 17</PRE><PRE> 根据ORDER和DES选项对应变量的重新排序，给出排序值和及每个水平相应的例数，拟合排序为1对应的应变量水平的概率</PRE><PRE> Model Fitting Information and Testing Global Null Hypothesis BETA=0 对模型的总的检验，无效假设为总体的β=0，</PRE><PRE> Intercept Intercept andCriterion Only Covariates Chi-Square for Covariates</PRE><PRE>AIC 35.542 17.826 .SC 36.800 21.600 .-2 LOG L 33.542 11.826 21.716 with 2 DF (p=0.0001)（相当于似然比χ2检验）Score . . 15.844 with 2 DF (p=0.0004)（相当于Pearsonχ2检验）</PRE><PRE> 模型的总的检验，P值均小于0.05，故模型总体有意义。 Analysis of Maximum Likelihood Estimates</PRE><PRE> Parameter Standard Wald Pr> Standardized OddSVariable DF Estimate Error Chi-Square Chi-Square Estimate Ratio 自由度参数估计标准误 Waldχ2 P值标准化回归系数比值比INTERCPT 1 -12.3285 5.4305 5.1540 0.0232 . .X2 1 2.4134 1.1960 4.0719 0.0436 1.185510 11.172X4 1 2.0963 1.0879 3.7131 0.0540 1.230697 8.136</PRE><PRE> Association of Predicted Probabilities and Observed Responses 预测数和观测数的关联性分析</PRE><PRE> Concordant = 94.1% Somers' D = 0.902 Discordant = 3.9% Gamma = 0.920 Tied = 2.0% Tau-a = 0.425 (153 pairs) c = 0.951</PRE>最后一部分是关于预测概率和观察到的结果的关联性，包括对不同结果的个数和四种秩相关指数的分析。逐步回归法筛选出两个有意义的变量X2和X4，其P值都小于0.05，回归系数β分别为2.4134，2.0963，比数比分别为11.172，8.136，事实上，比数比OR=ebeta。据此，写出本例的回归方程如下：LogitP=-12.3285+2.4134X2+2.0963X4。<img src="http://medstatstar.myetang.com/sas/coach6/image10.gif"> 上面的方程中X4的P值大于0.05，但没有被剔除出去，这是因为所采用的筛选方法为Stepwise，X4的P值并没有超过剔除标准，因此仍在方程内。结合专业，最终的方程仍然保留了X4。本例用逐步回归法筛选出对患肾细胞癌有意义的危险因素有两个，肾细胞癌血管内皮生长因子(VEGF)的等级越高，肾癌细胞核组织学分级越高，患肾细胞癌的危险越大。比较两个标准化回归系数，X2对于患肾细胞癌的影响要大于X4。

b · 发表于 2004-5-30 05:45:41

<

align=center> <

align=center>第九章 非参数检验<CENTER><

> </CENTER>非参数统计是统计分析的重要组成部分。可是与之很不相称的是它的理论发展远远不及参数检验完善，因而比较完善的可供使用的方法也不多。在SAS中，非参数统计主要由UNIVARIATE过程、MEANS过程和NPAR1WAY过程来实现，前两者在前面的章节中已经介绍，它们可以进行配对设计差值的符号秩和检验（WILCOXON配对法）；后者是一个单因素的非参数方差分析过程，可进行成组设计的两样本（WILCOXON法）或多样本比较（KRUSKAL-WALLIS法）的秩和检验。本章将主要介绍NPAR1WAY过程。<img src="http://medstatstar.myetang.com/sas/coach6/Image10.gif"> 由于在理论上还有争议，作为权威性的统计软件，SAS不提供非参检验两两比较的方法。据我所知，其余统计软件里也只有PEMS提供这一功能（因为她是医统·医百的配套软件，而非参两两比较是写入了该书的）。如果你需要这一结果，那么恐怕只有手算了。

b · 发表于 2004-5-30 05:46:00

<

>9.0.1 语法格式<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" width=600 border=0><TR><TD width=588 colSpan=2>

ROC NPAR1WAY [DATA=<数据集名> [选项] ] ;</TD></TR><TR><TD width=290>　CLASS <处理因素变量名>;</TD><TD width=292><

align=justify> 必需，指定要分析的处理因素</TD></TR><TR><TD width=290>　EXACT <关键字>; </TD><TD width=292>要求程序在必要时计算确切概率</TD></TR><TR><TD width=290>　OUTPUT <OUT=数据集名> <选项>; </TD><TD width=292>指定统计结果的输出数据集</TD></TR><TR><TD width=290>　VAR <结果变量名>; </TD><TD width=292>指定要分析的应变量</TD></TR><TR><TD width=290>　BY <变量名列>;</TD><TD width=292> 统计按指定的变量分组进行</TD></TR></TABLE><img src="http://medstatstar.myetang.com/sas/coach6/Image11.gif"> NPAR1WAY过程不能处理按频数输入的资料。这意味着如果你的数据是以频数方式输入的，那么除非你将资料想办法转换成按例记录的资料，否则SAS无法处理。<img src="http://medstatstar.myetang.com/sas/coach6/Image26.gif"> 有的同学将“NPAR1WAY”打成了“NPARLWAY”，可以这样来记：“NPAR”即“非参”的英文缩写，“WAY”是维数，更明确的说是因素的意思，而“1WAY”就代表一个因素，合起来“NPAR1WAY”说的是“单因素的非参数检验”。怎么样，明白这个过程在做什么了吧！9.0.2 语法说明【过程选项】NPAR1WAY过程常用的选项有：<UL><LI>MISSING 将缺失值也用于统计分析 <LI>ANOVA 同时进行方差分析 <LI>MEDIAN 要求进行中位数检验 <LI>NOPRINT 禁止统计结果在OUTPUT视窗内输出 <LI>SAVAGE 要求对样本进行SAVAGE得分分析 <LI>WILCOXON 要求进行WILCOXON秩和检验</LI></UL>我们常用的秩和检验就是WILCOXON秩和检验，对于其它方法，有兴趣的读者可参阅有关统计书籍。9.0.3 结果解释在省略所有选项的情况下，SAS系统默认输出所有的统计结果，这恰恰说明了非参数检验方法的不完善。如果你无法判断用那个结果，那么只看Wilcoxon秩和检验的分析结果就够了。这里我们给出《卫生统计学》第三版91页例9.2的运算结果，其OUTPUT视窗输出如下：<img src="http://medstatstar.myetang.com/sas/coach6/Image11.gif">下面的输出结果中反复出现了Z检验及相应的统计量Z，实际上Z检验就是我们非常熟悉的u检验，只不过是国内外的叫法不同罢了。<PRE> N P A R 1 W A Y P R O C E D U R E</PRE><PRE>----------------------------以下为方差分析的检验结果------------------------- Analysis of Variance for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> 分组变量名 N Mean Among MS Within MS 样本量均数组间MS 组内MS 1413.87273 258.270000 1 10 23.6000000 2 12 7.5000000 F Value Prob > F F值 p值 5.474 0.0298 Average Scores Were Used for Ties</PRE><PRE>-------------------------以下为Wilcoxon秩和检验的分析结果------------------------- Wilcoxon Scores (Rank Sums) for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Sum of Expected Std Dev Mean 分组变量名 N Scores Under H0 Under H0 Score 样本量各组的秩和各组的期望秩和秩和的标准差各组的平均秩次 1 10 170.0 115.0 15.1529004 17.0000000 2 12 83.0 138.0 15.1529004 6.9166667 Average Scores Were Used for Ties</PRE><PRE> Wilcoxon 2-Sample Test (Normal Approximation) (with Continuity Correction of .5)</PRE><PRE> S = 170.000 Z = 3.59667 Prob > |Z| = 0.0003 如果按照正态近似法做秩和检验，则Z=3.59667，p=0.0003。 T-Test Approx. Significance = 0.0017 做近似t检验则p=0.0017 Kruskal-Wallis Test (Chi-Square Approximation) CHISQ = 13.174 DF = 1 Prob > CHISQ = 0.0003 用近似做K-W法秩和检验，则 =13.174，p=0.0003。</PRE><PRE>------------------------以下为中位数检验的分析结果---------------------------- Median Scores (Number of Points Above Median) for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Sum of Expected Std Dev Mean 分组变量名 N Scores Under H0 Under H0 Score 样本量各组的中位秩次和各组期望中位秩次和中位秩次的标准差各组平均中位秩次 1 10 9.0 5.0 1.19522861 0.900000000 2 12 2.0 6.0 1.19522861 0.166666667 Average Scores Were Used for Ties</PRE><PRE> Median 2-Sample Test (Normal Approximation) S = 9.00000 Z = 3.34664 Prob > |Z| = 0.0008 用正态近似法做中位数检验，则Z=3.34664，p=0.0008。 Median 1-Way Analysis (Chi-Square Approximation) CHISQ = 11.200 DF = 1 Prob > CHISQ = 0.0008 用c2近似法做中位数检验，则c2=11.200，p=0.0008。</PRE><PRE>-------------------------以下为Van der Waerden比分检验的结果------------------------- Van der Waerden Scores (Normal) for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Sum of Expected Std Dev Mean 分组变量名 N Scores Under H0 Under H0 Score 样本量各组的比分和各组的期望比分和比分和的标准差各组的平均比分 1 10 7.34869734 0.0 2.09589648 0.734869734 2 12 -7.34869734 0.0 2.09589648 -.612391445 Average Scores Were Used for Ties</PRE><PRE> Van der Waerden 2-Sample Test (Normal Approximation) S = 7.34870 Z = 3.50623 Prob > |Z| = 0.0005 用正态近似法做Van der Waerden检验，则Z=3.50623，p=0.0005。</PRE><PRE> Van der Waerden 1-Way Analysis (Chi-Square Approximation) CHISQ = 12.294 DF = 1 Prob > CHISQ = 0.0005 用c2近似法做Van der Waerden检验，则 =12.294，p=0.0005。</PRE><PRE>----------------------以下为Savage比分检验的结果------------------------- Savage Scores (Exponential) for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Sum of Expected Std Dev Mean 分组变量名 N Scores Under H0 Under H0 Score 样本量各组的比分和各组的期望比分和比分和的标准差各组的平均比分 1 10 7.14463489 0.0 2.17965946 0.714463489 2 12 -7.14463489 0.0 2.17965946 -.595386241 Average Scores Were Used for Ties</PRE><PRE> Savage 2-Sample Test (Normal Approximation) S = 7.14463 Z = 3.27787 Prob > |Z| = 0.0010 用正态近似法做Savage检验，则Z=3.27787，p=0.0010。</PRE><PRE> Savage 1-Way Analysis (Chi-Square Approximation) CHISQ = 10.744 DF = 1 Prob > CHISQ = 0.0010 用c2近似法做Savage检验，则c2=10.744，p=0.0010。</PRE><PRE>------------------以下为Kolmogorov-Smirnov检验的结果---------------------- Kolmogorov-Smirnov Test for Variable 应变量名 Classified by Variable 分组变量名 Deviation EDF from Mean 分组变量名 N at Maximum at Maximum 1 10 0.20000000 -1.37990298 2 12 1.00000000 1.25967331 ---- ----------- 22 0.63636364</PRE><PRE> Maximum Deviation Occurred at Observation 22 Value of DAY at Maximum 13.0000000</PRE><PRE> Kolmogorov-Smirnov 2-Sample Test (Asymptotic) KS = 0.398344 D = 0.800000 KSa = 1.86840 Prob > KSa = 0.0019 Kolmogorov-Smirnov检验的最后结果为统计量Ksa=1.86840，p=0.0019。</PRE><PRE>------------------以下为Cramer-von Mises检验的结果------------------------ Cramer-von Mises Test for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Summed Deviation 分组变量名 N from Mean 1 10 0.775807663 2 12 0.646506386</PRE><PRE> Cramer-von Mises Statistic (Asymptotic) CM = 0.064651 CMa = 1.42231 Cramer-von Mises统计量CM=0.064651，CMa=1.42231。</PRE><PRE>----------------------------以下为Kuiper检验的结果---------------------------- Kuiper Test for Variable 应变量名 Classified by Variable 分组变量名</PRE><PRE> Deviation GROUP N from Mean 1 10 0.000000000 2 12 0.800000000</PRE><PRE> Kuiper 2-Sample Test (Asymptotic) K = 0.800000 Ka = 1.86840 Prob > Ka = 0.0241 Kuiper检验的最后结果为统计量Ka=1.86840，p=0.0241。</PRE>

b · 发表于 2004-5-30 05:46:14

<

>9.0.4 应用实例<

align=justify>例9.1 测得铅作业与非铅作业工人的血铅值（<img src="http://medstatstar.myetang.com/sas/coach6/Image68.gif">），问两组工人的血铅值有无差别（卫统p233 4.3题）？<

0px; MARGIN-BOTTOM: 0px" align=justify>铅作业组 0.82 0.87 0.97 1.21 1.64 2.08 2.13非铅作业组 0.24 0.24 0.29 0.33 0.44 0.58 0.63 0.72 0.87 1.01解：程序如下：<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" width=600 border=0><TR><TD width=588 colSpan=2>data a.wt4_3;</TD></TR><TR><TD width=588 colSpan=2>　group=1;</TD></TR><TR><TD width=588 colSpan=2>　if _n_>7 then group=2;</TD></TR><TR><TD width=588 colSpan=2>　input value@@;</TD></TR><TR><TD width=588 colSpan=2>　cards;</TD></TR><TR><TD width=588 colSpan=2>　0.82 0.87 0.97 1.21 1.64 2.08 2.13</TD></TR><TR><TD width=588 colSpan=2>　0.24 0.24 0.29 0.33 0.44 0.58 0.63</TD></TR><TR><TD width=588 colSpan=2>　0.72 0.87 1.01</TD></TR><TR><TD width=588 colSpan=2>;</TD></TR><TR><TD width=286>proc gchart; </TD><TD width=296>分组做条图，观察数据的分布</TD></TR><TR><TD width=588 colSpan=2>　vbar value / group=group;</TD></TR><TR><TD width=588 colSpan=2>proc npar1way data=a.wt4_3 WILCOXON ;</TD></TR><TR><TD width=588 colSpan=2>　class group;</TD></TR><TR><TD width=588 colSpan=2>　var value;</TD></TR><TR><TD width=588 colSpan=2>run;</TD></TR></TABLE>例9.2 现测量了三组人的血浆总皮质醇，试检验这三组人有无差别（卫统p234 4.6题）。解：程序如下：<TABLE 2px outset; BORDER-TOP: 2px outset; BORDER-LEFT: 2px outset; BORDER-BOTTOM: 2px outset" width=600 border=0><TR><TD>data a.wt4_6;</TD></TR><TR><TD>　do group=1 to 3;</TD></TR><TR><TD>　　do tempvar=1 to 10;</TD></TR><TR><TD>　　　input value @@;</TD></TR><TR><TD>　　　output;</TD></TR><TR><TD>　　end;</TD></TR><TR><TD>　end;</TD></TR><TR><TD>　drop tempvar;</TD></TR><TR><TD>　cards;</TD></TR><TR><TD>　0.11 0.52 ...</TD></TR><TR><TD>　0.17 0.33 ...</TD></TR><TR><TD>　... 5.96 6.62</TD></TR><TR><TD>;</TD></TR><TR><TD>proc npar1way data=a.wt4_6 WILCOXON;</TD></TR><TR><TD>　class group;</TD></TR><TR><TD>　var value;</TD></TR><TR><TD>run;</TD></TR></TABLE>

b · 发表于 2004-5-30 05:46:39

<

align=center>第十章 随访资料的生存分析
－－非参数法与半参数Cox比例风险模型<

align=center> <

align=justify>生存分析方法大体上可分为三类：非参数法、参数法和半参数方法，与之相对应，SAS提供了三个程序步用于生存分析，它们是：<UL><LI>LIFETEST过程提供非参数分析方法，用乘积极限法(Product limit method)和寿命表法(Life table method)估计生存率和中位生存时间等；用对数秩检验(Log-rank test)、Wilcoxon检验和似然比检验等做分组比较。该过程主要用于估计生存率及进行单因素分析。 <LI>LIFEREG过程提供指数模型、Weibull模型、Gompertz模型等参数分析方法。 <LI>PHREG过程提供半参数Cox比例风险模型分析。</LI></UL>

		自动登录	找回密码
密码			注-册-帐-号