医用SAS统计分析五.pptxVIP

医用SAS统计分析; ;多元线性回归方程的应用 预测应变量的估计值 探索影响应变量y的主要因素 当X为某一定值时，估计应变量y的容许区间 当X为某一定值时，估计其应变量 的总体均数 的置信区间 ; 语句格式 同单变量线性回归基本相同。 proc reg [选项]； model 应变量=自变量名列/ [选项]；必选语句，定义回归分析模型 proc reg 语句的[选项] data=数据集 指明回归分析所用的数据集。 outset=数据集 指定一个输出数据集，用以存储回归分析所得的参数估计 。 simple 输出每个变量的简单统计结果。 ;; stb 输出各自变量的标准偏回归系数。 cli 输出个体y值的95%容许区间上下限 clm 输出预测值均值 的95%可信区间上下限。 P 输出实际值Yi ，预测值 、残差及其标准误。 tol 输出各自变量的容许值。0≤tol值≤1，越接近于0，共线性越严重。 vif 输出各自变量的方差膨胀因子。当vif≥10时，可认为多元共线性严重存在。 collin 要求详细分析自变量之间的共线性，给出信息矩阵的特征根、条件指数和方差比，当条件指数≥10，方差比0.5时，可认为存在多元共线性。 collinoint 与选择项collin作用相同，但不包括回归常数。 R 进行预测值的残差分析（即异常值识别与强影响分析），输出学生化残差值和Cook’s距离D值。当学生化残差值2时，所对应的点可能是异常点，当D值0.5时，可认为对应的变量值对回归函数是强影响点。; ;Model: MODEL1 Dependent Variable: Y Analysis of Variance Sum of Mean Source DF Squares Square F Value ProbF Model 3 1250109.0678 416703.02259 5.617 0.0355 Error 6 445140.93222 74190.15537 C Total 9 1695250 Root MSE 272.37870 R-square 0.7374 Dep Mean 2315.00000 Adj R-sq 0.6061 C.V. 11.76582 ; Parameter Estimates Parameter Standard T for H0: Variable DF Estimate Error Parameter=0 Prob |T| INTERCEP 1 -3035.536354 2168.6738473 -1.400 0.2111 X1 1 60.931823 36 1.679 0.1442 X2 1 37.808334 22 1.645 0.1510 X3 1 101.379460 121 0.831 0.4377 Standardized Variable Estimate INTERCEP 0X1 0X2 0X3 0 逐步回归 简介 逐步回归是筛选自变量的常用的方法之一。筛选自变量的方法还有前进法，后退法和最优回归子集法。逐步回归法是依据事先给定的两个显著性水平SLE和SLS，将自变量逐个引入方程，同时每引入一个新变量后，对已选入的变量要进行逐个检验，将不显著的变量剔除，这样保证最后所得的变量都有显著性。 自变量间的多重共线性(multico