样本含量估计之前需要实现确定以下因素 一类错误 二类错误 单侧检验/双侧检验 其他
步骤1:确定设计方法 步骤2:样本含量估计 步骤3:研究对象随机分组
在样本量估计时,只要确定研究因素和校正因素,相关和回归所求的样本量估计值是一致的
proc ttest<选项>; class 分组变量; var 分析变量; paired 变量1*变量2;
proc glm<选项>; class 分组变量; model 分析变量=分组变量; lsmeans 分组变量; means 分组变量;
完全随机设计秩和检验:两组wilcoxon 多组kruskal-wallis proc nparlway<选项>; class 分组变量; var 分析变量; freq 频数;
随机区组设计秩和检验:friedman proc freq<选项>; table 区组分组变量分析变量/<选项>;
目前没有提供秩和检验两两比较的选项和菜单,可根据两两比较的公式自己编程来实现结果的输出,还可以采用基于秩的方差分析实现
proc multtest<选项>; class 分组变量; test 分析变量<选项>;
对于多组数据比较,只有每组数据均符合正态分布,才算符合正态分布 proc univariate normal; class 分组变量; var 分析变量; run;
shapiro-wilk检验常用于50例以下的正态性检验,kolmogorov-smirnov检验多用于50例以上的正态性检验
卡方检验的sas程序 proc freq<选项>; table 行*列/ <选项>; test 统计量关键字; weight 权重变量; by 分层变量;
proc corr<选项>; var 变量1 变量2; partial 变量1 变量2;
partial语句用于指定校正的变量
对数线性模型 proc catmod<选项>; weight 权重变量; model 变量1变量2…=response; loglin 效应;
proc corr pearson spearman; var bmi tc fbg; run;
proc corr pearson spearman; var bmi fbg; partial tc; run;
对数线性模型 二阶交互效应
proc reg<选项>; model 因变量=自变量</选项>; plot <y轴*x轴><=符号></选项>;
偏相关系数 标准化回归系数
proc princomp<选项>; var变量</选项>; run;
proc pls<选项>; model 因变量=自变量</选项>; run;
VIP代表自变量对模型拟合的重要程度
proc robustreg<选项>; model 因变量=自变量</选项>; run;
1.首先用线性回归对数据进行异常点诊断分析 2.由于存在强影响点,且其值较大,进行稳健回归分析
proc gam; model 因变量=param(自变量)spline(自变量)loess(自变量)spline2(自变量)</选项>; score out=数据集; run;
proc logistic<选项>; class 自变量</选项>; model 因变量=自变量</选项>; freq 变量;
proc catmod<选项>; direct 自变量; model 因变量=自变量;
proc lifetest<选项>; time 生存时间*生存状态(截尾值列表); strata 分组变量;
proc phreg<选项>; model 生存时间*生存状态(截尾值列表)=分析变量<选项>; output out=数据集名称 关键字1=名称1;
方差分析、简单线性回归、多重线性回归、协方差分析 proc glm<选项>; class 分类变量; model 因变量=自变量;
二项分布、poisson分布、负二项分布 proc genmod<选项>; class 分类变量; model 因变量=自变量; weight 变量;
proc mixed 选项; class 变量; model 因变量=自变量/选项; random 随机效应/选项;
proc genmod<选项>; class 分类变量; model 因变量=自变量; repeated subject=水平2变量/<选项>; weigh 变量;
步骤1:确定分析方法 步骤2:空模型拟合–只包含截距项 步骤3:在模型中加入解释变量 步骤4:拟合随机斜率模型 步骤5:在模型中加入交互项 步骤6:结论