来自 http://www.cnblogs.com/ArnData/archive/2012/05/28/2520928.html
为区分过程名称的拼写，故意部分小写，以便识别和记忆。
基本SAS程序代码结构：
———
PROC MODE data=Arndata.moddat; /* 命令的解释 */
var y x1-x6; /* 命令的解释 */
model y = x1-x6;
run;
——————————————
正态性检验
PROC UNIvariate
———
PROC UNIvariate data=Arndata.unidat;
var x1;
run;
——————————————
相关分析和回归分析
PROC REG 回归
———
PROC REG data=Arndata.regdat;
var y x1-x6;
model y = x1-x6 / selection=stepwise; /* 加入逐步回归选项 */
print cli; /* 加入输出预测结果部分，还可以输出acov,all,cli,clm,collin,collinoint,cookd,corrb,
covb,dw(时序检验统计量),i,influence,p,partial,pcorr1,pcorr2,r,
scorr1,scorr2,seqb,spec,ss1,ss2,stb,tol,vif(异方差检验统计量),xpx*/
plot y*x2 / conf95; /* 做散点图 */
run;
——————————————
———
DATA Arndata.regdat;
x2x2 = x2*x2;
x1x2 = x1*x2;
PROC REG data=Arndata.regdat;
var y x1 x2 x2x2 x1x2 ; /* 多项式回归,非线性回归 */
model y = x1 x2 x2x2 x1x2 / selection=stepwise; /* 加入逐步回归选项 */
print cli;
plot y*x2 / conf95; /* 做散点图 */
run;
——————————————
PROC RSreg 二次响应面回归
PROC ORTHOreg 病态数据回归
PROC NLIN 非线性回归
PROC TRANSreg 变换回归
PROC CALIS 线性结构方程和路径分析
PROC GLM 一般线性模型
PROC GENmod 广义线性模型
方差分析
PROC ANOVA 单因素均衡数据和非均衡数据
———
PROC ANOVA data=Arndata.anovadat; /* 命令的解释 */
class typ; /* 命令的解释 */
model y = typ; /* 可以看出此处是 单因素方差分析(分类型自变量对数值型自变量的影响) */
run;
——————————————
PROC GLM 多因素非均衡数据:
———
PROC GLM data=Arndata.glmdat; /* 命令的解释 */
class typea typeb; /* 命令的解释 */
model y = typea typeb; /* 可以看出此处是 不考虑交互作用的多因素方差分析(分类型自变量对数值型自变量的影响) */
run;
——————————————
———
PROC GLM data=Arndata.glmdat; /* 命令的解释 */
class typea typeb; /* 命令的解释 */
model y = typea typeb typea*typeb; /* 可以看出此处是 考虑交互作用的多因素方差分析(分类型自变量对数值型自变量的影响) */
run;
——————————————
主成分分析
PROC PRINcomp
———
PROC PRINcomp data=Arndata.pmdat n=4 out=w1 outstat=w2 ;
var x1-x6;
PROC print data=w1;
PROC plot data=w1 vpct=80; /* 一句话，其实print就是plot输出图形的文字形式而已 */
plot prin1*prin2 $ districts=’*’/
haxis=-3.5 to 3 by 0.5 HREF=-2,0,2
vaxis=-3 to 4.5 by 1.5 HREF=-2,0,2; /* 主成分的散点图，也就是载荷图 */
run;
——————————————
因子分析
PROC FACTOR
———
PROC FACTOR data=Arndata.factordat simple corr ;
var y x1-x6;
title’18个财务指标的分析’;
title2’主成分解’;
run;
PROC FACTOR data=Arndata.factordat n=4 ; /* 选择4个公共因子 */
var y x1-x6;
run;
PROC FACTOR data=Arndata.factordat n=4
rotate=VARImax REorder; /* 因子旋转：方差最大因子法 */
var y x1-x6;
run;
——————————————
PROC SCORE
———
PROC FACTOR data=Arndata.factordat n=4
rotate=VARImax REorder score out=score_Out; /* 输出因子得分矩阵 */
run;
PROC print data=score_Out;
var districts factor1 factor2 factor3 factor4;
run;
PROC plot data=score_Out;
plot factor1*factor2 $ districts=’*’ / href=0 Vref=0; /* 因子的散点图，也就是载荷图 */
run;
——————————————
典型相关分析
PROC CANcorr
基本SAS程序代码结构：
———
DATA jt(TYPE=CORR); /* TYPE=CORR 表明数据类型为相关矩阵，而不是原始数据, type还可以是cov,ucov,factor,sscp,ucorr等*/
input names$ 1-2(x1 x2 y1-y3)(6.); /* name $ 表示读取左侧的变量名，1-2表示变量名的字符落在第1,2列上 */
cards;
x1 1 0.8 ……
x2 ……
y1 ……
y2 ……
y3 ……
;
PROC CANcorr data=Arndata.cancorrdat
edf=70 redundancy; /* 误差自由度的参考值，默认值是n=1000； redundancy表示输出冗余度分析的结果 */
var x1 x2;
with y1 y2 y3;
run;
——————————————
对应分析 /* 交叉表分析的拓展，寻找行和列的关系，一般行指代各种cases，而列代表各种visions */
PROC CORResp
———
PROC CORResp data=Arndata.correspdat out=result;
var x1-x6;
id Type;
run;
options ps=40;
proc plot data=result;
plot dim2*dim1=”*” $ Type / box
haxis=-0.2 to 0.3 by 0.1
Vaxis=-0.1 to 0.3 by 0.1
Href=0 Vref=0;
run;
——————————————
聚类分析
PROC CLUSTER
———
PROC CLUSTER data=Arndata.clusdat
method=ave outtree=clusdat_Out;var x1-x6;
id datid;
run;
proc tree horizontal; /* 做聚类树 */
run;
——————————————
PROC FASTclus
———
PROC FASTclus data=Arndata.clusdat
maxclusters=3 list out=clusdat_Out;var x1-x6;
id datid;
run;
——————————————
PROC ACEclus
PROC VARCLUS
———
PROC VARclus data=Arndata.clusdat; /* 系统默认使用主成分法聚类 */
var x1-x6;
run;
———
PROC VARclus hierarchy data=Arndata.clusdat; /* 保证分析过程中不同水平的谱系结构 */
var x1-x6;
run;
———
PROC VARclus centroid data=Arndata.clusdat outtree=clusdat_out; /* 使用重心法聚类 */
var x1-x6;
run;
——————————————
PROC TREE
———
PROC TREE data=Arndata.clusdat horizontal; /* 使用TREE过程绘制聚类谱系图 */
var x1-x6;
run;
——————————————
判别分析
PROC DISCRIM
———
PROC DISCRIM data=Arndata.discrimdat
list out=discrimdat_Out distance pool=yes;
class Typ; /* 指定分类变量 */
var x1-x6; /* 用于建立判别识别函数的变量 */
id iddiscrim; /* 标注样本的变量 */
run;
———
第二种方法，将需要判别的新样本放在testdata里：
———
PROC DISCRIM data=Arndata.discrimdat1 testdata=Arndata.discrimdat2
testlist testout=discrimdat_Out; /* 将原来的几个选项加注test标示 */
class Typ; /* 指定分类变量 */
var x1-x6; /* 用于建立判别识别函数的变量 */
id iddiscrim; /* 标注样本的变量 */
run;
——————————————
PROC STEPdisc： 逐步判别分析过程
———
PROC STEPdisc method=stepwise data=Arndata.discrimdat
SLentry=0.10 SLstay=0.10; /* 设定引入和剔除的显著性水平 */
class Typ; /* 指定分类变量 */
var x1-x6; /* 用于建立判别识别函数的变量 */
run;
——————————————
PROC CANdisc： Fisher判别分析过程
———
PROC CANdisc data=Arndata.discrimdat out=discrimdat_Out
distance simple;
class Typ; /* 指定分类变量 */
var x1-x6; /* 用于建立判别识别函数的变量 */
run;
proc print data=discrimdat_Out;
run;
——————————————