sas相关性分析和方差分析的区别

其实这两种分析方法都是分析两个变量之间关系的，相关分析一般用于两个连续正态变量；方差分析则用于一列为正态连续变量，一列为分数变量，它是相关分析的特例。

在SAS中，他们的句法不同：

相关分析：CORR过程

方差分析：ANOVA过程、GLM过程

看你的变量是什么罗

举个例子

data aa;

input x1 x2 x3 y;

cards;

19993 114 40575 117161

20254 81 37750 69862

20010 107 33733 113444

21072 112 31352 124770

18941 90 35190 59618

20188 125 34278 112210

19362 101 38518 88416

21072 85 41373 79483

19843 83 42719 98014

19904 108 49872 110765

17836 107 30091 63744

19730 88 43073 93993

19414 102 43965 98420

20519 90 41673 82510

19626 111 40186 106400

18651 142 34175 66433

;

proc reg;

model y=x1 x2 x3;

run;

Ⅲ 用SAS做回归分析第四张方差分析表中（下图左），看到p值<00001，拒绝原假设并可作出至少有一个回归系数不为零的结论，说明所建模型的线性关系是显著的。

III型检验表（上图右）与参数估计表（下图）给出各个自变量的回归系数为零的假设检验，各自变量的回归系数的F检验与t检验在这里是一致的。

参数估计表（上图右）包括截距的显著性检验，还给出了容差（Tolerance）和方差膨胀因子（VIF）。

数学建模培训徐雅静08年7月

Ⅲ 用SAS做回归分析两表中自变量x2、x3、x4的回归系数假设检验的p值较大，说明这些自变量对Y的影响不显著，这种情况可能是这些变量对预测Y值作用不大，也可能是由于这些变量之间的高度相关性所引起的共线问题。如果自变量之间具有高度的共线关系，则它们所提供的预测信息就是重复的，在参数（回归系数）检验中这些变量的显著性就可能被隐蔽起来，故应考虑剔除一些自变量，重新拟合回归方程。（本例中x1的方差膨胀系数较大，说明x1与其余自变量有一定的线性关系）

数学建模培训徐雅静08年7月

Ⅲ 用SAS做回归分析(2)剔除自变量

在上面的例子中首先考虑剔除变量x3，对此只需在刚才已打开的拟合窗的任一处选中变量x3，如图4-31所示，再在主菜单中选择“Edit”→“Delete”所有的结果就会修改为不含x3的拟合结果。

类似地剔除作用不显著的自变量x2，得到拟合结果如图4-32所示。

数学建模培训徐雅静08年7月

Ⅲ 用SAS做回归分析从下图所示的拟合结果可以看到，回归方程的显著性检验以及x1、x4的显著性检验都已通过。但是方程的判定系数

00331 x的判定系数大。因R2还不如前述一元回归方程Y1此，考虑进一步优化模型，拟合不含常数项而仅含x1、x4的回归方程。

以上就是关于sas相关性分析和方差分析的区别全部的内容，包括:sas相关性分析和方差分析的区别、什么SAS的回归分析程序、sas如何在回归中进行方差膨胀因子等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！