《SAS软件与统计应用论文.docx》由会员分享，可在线阅读，更多相关《SAS软件与统计应用论文.docx（13页珍藏版）》请在第壹文秘上搜索。
1、摘要木学期通过对GSAS软件与统计应用这门课的学习，让我知道SAS系统是个大型的应用软件系统，具有完备的数据访问、管理、分析、呈现，以与应用开发功能。这篇文章运用主成分分析综合评价方法，对1999年我国西部地区教化人力资源发展水平进行处理和分析，采纳的是西域，新疆等西部省份教化人力资源发展水平（原始数据见附录）。选出14个省的状况作为统计分析数据，其中分析的项目为：每百万人口学校数；每十万人口毕业生数；每十万人口招生数：每十万人口在校生数；每十万人口探讨生数：每十万人口教职工数：每十万人口专职老师数；高级老师占专职老师的比例；每所学校在校生数：生师比。依次用Al,A2,A3,A4,A5,A6,
2、A7,A8,A9,AlO表示。用“分析家”作主成分分析，并且对数据进行如下处理：第一：对r所选取的统计数据进行简洁描述统计分折，得出数据的平均值、数据标准差，最大值，最小值等。其次：对于所选取的统计数据用“analyst”作主成分分析计算相关系数矩阵的特征值、上下特征值之差、各主成分的方差贡献率、以与累积贡献率。第三：由相关系数矩阵的两个最大特征值的特征向量，可以写出第、其次主成分的得分。第四：在insight”里面绘制了散点图。由图可知，在散点图越靠向右上角的地区，教化人力资源发展水平越高，越靠向左上角的地区，教化人力资源发展水平越低。从以上结论分析可以知道影响各省份教化人力资源发展水平的主
3、要因素，从而可以更好地帮助国家调整教化人力资源结构，更好地发展我国西部教化事业。关键字：analyst主成分分析教化人力资源发展MEANS过程目录第一章基本介绍11.l探讨目的11.2 采纳方法11.3 理论学问1其次章数据预处理2第三章详细模型23.1 建立数据集23.2 详细模型（程序）4运行结果与分析54.1 运用“分析家”做主成分分析的步骤54.2 主成分的结果分析6参考文献9附录10第一章基本介绍1.1 探讨目的通过SAS软件分析，对1999年我国西部地区教化人力资源发展水平有一个大致J解。随着国家教化方针的调整，西部各地区为促进本地区的教化发展，分别实行了各种措施，教化方面的发展有
4、了显著地成就。本文通过SAS软件分析，对1999年我国西部地区教化人力资源发展水平有一个大致了解，从而可以更好地帮助国家调整（优化）教化人力资源结构，使人民的受教化水平更加优越。1.2 采纳方法（1）描述性统计量：means0（2）检验：运用analyst模块进行主成分分析。1.3 理论学问MeanS过程（均值过程）：用于对数据型变量产生针对单个变量的简洁描述性统计。pr。CmeanS过程时，会对全部数值型变量进行操作，得到各变量的非缺失观测数N,均值MEAN,标准差STDDEV,最大值MaX和域小值Min五种统计值，但means过程可以计算16种统计星。主成分分析：是对于原先提出的全部变量，
5、建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变型在反映课题的信息方面尽可能保持原有的信息。主成分分析是数学上对数据降维的种方法。其基本思想是设法将原来众多的具有肯定相关性的指标(比如P个指标，重新组合成组新的互不相关的综合指标来代替原来指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。在全部的线性组合中所选取的Fl应当是方差最大的，故称Fl为第一主成分。假如第主成分不足以代表原来P个指标的信息，再考虑选取12即选其次个线性组合。为了有效地反映原有信息，Fl已有的信息就不须要再出现在F2中，用数学语言表达就是要求COV(F1,F2)=0d称F2为其次主成分，
6、依此类推可以构造出第三、第四、第P个主成分。其次章数据处理对数据较少的程序，可以用DATA步建立永久的SAS集。永久的SAS集，由定义逻辑库与定义数据集两步完成。逻辑库定义通过1.IBNAME语句完成，数据集定义用DATA语句实现。指定逻辑库的吩咐语句为全程语句，其格式如下：1.IBNAME逻辑库名路径；指定要建立数据集的吩咐语句格式如下：DT逻辑库名.数据集名；1.IBNAME语句把磁盘中的子书目与用户定义的逻辑库名连接起来.用此方法依据已知的数据就可以建立生成以下的数据集。第三章详细模型3.1建立数据集2012年11月19日星期一卜,午12时19分55秒5ObsregionlA2A3A4A
7、5A6A7A8A9AlO1海南0.66496419112.047192广西0.62416919234.0401830.33山西311310.4500.726111819360.0743040.334092内蒙古10.1700.80467721153.0713250.36四川26177.4300.7566112314164.0773260.39重庆419910.1000.504177211120.0532170.37贵州419210.1000.54286715221.0351680.33云南28238.9500.57386617649.0442090.38西藏307983611.56426515
8、73.96830O.1410陕西10055.1001.19100188496398.014055110.36I甘肃41739.9000.715590246113.065270.3112青海34809.2301.18-196818317.0683413宁更0.92498324225.073330.3326247.52014新瓠0.966611030551.096420.3031807.2303.2详细模型（程序）Datawork,datal;inputregion$1-10AlA2A3A4A5A6A7A8A9A10：cards:海南0.6649641911247190.33291410.16广西
9、0.6241691923440180.33311310.45山西0.72611181936074300.33409210.17内蒙古0846772115371320.3626177.43四川0.756611231416477320.39419910.1重庆0.5417721112053210.37419210.1贵州0.5428671522135160.3328238.95云南0.380.57383079661764944208361西敏0.141.56421005651573.968305.1陕西0.361.191004173188496398140559.9甘肃0.310.71553480
10、9024611365279.23青海0.21.18491558681831768345.32宁夏0.330.92492624832422573337.52新疆0.96660.33180run：procprint;run：HO3055196427.23第四章运行结果与分析4.1运用“分析家”做主成分分析的步骤1）在“分析家”中打开数据集Work.datal；2）选择菜单“Statistics（统计）“wMultivariate（多元分析）”wPrincipalComPOnentS（主成分分析）”,打开PrincipalComponents,对话框；3）在对话框中输入主成分分析的变量,如图4-1；
11、图4T4）单击“Statistics（统计）按钮,打开uPrincipalComponents：Statisticsn对话框:在#ofcomponents：,右边的框中指定主成分的个数10,如图4-2,单击“0K”返回；图4-25）单击SaveData”按钮,打开“PrincipalComponents：SaveData,对话机在该对话框中可选择存储数据。选中“Createandsavescoresdata”，如图4-3所示。单击“OK”返回；图4-36）单击“Plots”按钮，打开*PrincipalComponents：Plots对话框，可以设置图形输出。在ScreePlot（碎石图）”选
12、项卡中（图47）,选中Createscreeplot（建立碎石图）”复选框。在ComponentPlot（成分图）选项卡中（图4-5）,选中wCreatecomponentPlOt（建立成分图）”复选框。图4-4图4-54.2主成分的结果分析输出的数字分析结果包括4个部分：简洁统计量、相关系数矩阵、相关系数矩阵的特征值以与相关系数矩阵的特征向量。1）图4-6给出变量的简洁统计量，图中显示10项指标中A9（每所学校在校生数）、A5（每十万人口探讨生数）、A4（每十万人口在校生数）是最为重要的，其标准差远远高出其他变量图4-62）图4-7可得：A2（每十万人口毕业生数）与A3（每十万人1.l招生数
13、）、A4（每十万人口在校生数）、A6（每十万人口教职工数）；A7（每十万人口专职老师数）与A6（每十万人口教职工数与）：A4（每十万人口在校牛.数）与A3（每十万人1.l招生数）、A5（每十万人1.I探讨牛.数）有较强的相关性。CorretionIMrlAA23A4能ASAllAlAt1.(0lI.3CS41.247?九25G0.1?0.83110.MC?OM2彻1-.M1t0.4H.nnWA2.3W41.OICrt1.94733113.208o.w0.8?3O-IMO0.2185MA3t.24771.34口1.0l0.81B!0.WI20.SII20.23130.S8)1o.nA4M.2U2.9113I.32W1.0IWe.Me0.W7o.meo.mtO.4O.2W2崎1.17.9X11.8181.SI5.0)(0o.ni3o.mo.t。.硝I解.5tt?.8W.Mt70.7t31.0Jlo0.M1S0.(Qlg。抑5.727
