Supplerende noter til "Kursus i brug af SAS" (på dansk)

endvidere sammenlignet parvist med hensyn til om der er en signifikant forskel p ˚a deres
tørstofindhold. Dette kan gøres at tilføje optionen PDIFF til LSMEANS statmentet.
Vi vil desuden lave lidt modelkontrol ved at plotte residualerne mod de predikterede
værdier og parcelnummer.
Vi benytter da følgende program:
TITLE ’FORSØG MED SUKKERROER - ANALYSE AF TOPUDBYTTE (TØRSTOF)’;
PROC GLM DATA=SASKURS.TOERSTOF(OBS=64);
CLASS REP BLOK KENDENR;
MODEL TOPT=REP BLOK(REP) KENDENR;
LSMEANS KENDENR / STDERR PDIFF;
OUTPUT OUT=B RESIDUAL=RTOPT PREDICTED=PTOPT STUDENT=STOPT;
RUN;
PROC GPLOT DATA=B;
PLOT RTOPT*(PTOPT PARC)/VREF=0;
PLOT STOPT*(PTOPT PARC)/VREF=0 1.96 -1.96;
RUN;
7.2 Regressionsanalyse
Der findes en række procedurer der kan udføre regressionsanalyser, heriblandt GLM og
REG, og det er kun disse, der vil blive beskrevet det følgende.
Disse procedurer forudsætter, som nævnt i forrige afsnit, at observationerne er normalfordelte,
uafhængige, alle med samme varians og at alle effekter er systematiske.
7.2.1 Simpel regression
Vi har indsamlet samhørende værdier af højde og diameterm ˚alinger p˚a 18 fyrretræer.
Vi starter med at plotte højden mod diameteren (data ligger i datasættet TRAER) med
programmet fra afsnit 6.1.
GOPTIONS RESET=all;
TITLE ’TRÆHØJDE’;
PROC GPLOT DATA=saskurs.traer;
SYMBOL POINTLABEL=("#trae" POSTITION=middle JUSTIFY=center)
VALUE=none REPEAT=18;
PLOT hoejde*diameter=trae;
RUN;
42