Neue Dimensionen der statistischen Datenanalyse. - SAS-Wiki

Neue Dimensionen der statistischen Datenanalyse mit Version 8 des SAS Systems 1 

Neue Dimensionen der statistischen Datenanalyse 

mit Version 8 des SAS Systems 

Reinhard Strüby 

SAS Institute 

Abstract 

Im Rahmen des Nashville-Projekts wurden auch die statistischen Module des SAS Systems um 

neue Funktionalitäten erweitert, die sich in weiterentwickelten und völlig neuen Prozeduren 

zeigen: 

SAS/INSIGHT ® Software unterstützt multivariate Analysetechniken wie Hauptkomponenten- 

Rotationsanalysen, Kanonische Korrelationsanalyse, Maximum-Redundanzanalyse, Kanonische 

Diskriminanzanalyse und Mittelwertsvergleiche. 

SAS/STAT ® Software wird durch zusätzliche Prozeduren erweitert: PLS, KRIGE2D, 

VARIOGRAM, SURVEYSELECT, SURVEYMEANS, SURVEYREG, KDE, LOESS, 

TPSPLINE und NLMIXED. 

SAS/ETS ® Software ist in verschiedenen Prozeduren ergänzt worden und bietet ein stark 

überarbeitetes Zeitreihenvorhersage-Menüsystem, welches ein integriertes Arbeiten mit den ETS- 

Prozeduren ermöglicht. 

SAS/INSIGHT 

1. Konferenz der SAS Benutzer 

KSFE in Forschung und Entwicklung 

4. Konferenz der SAS® -Anwender 

in Forschung und Entwicklung 

SAS/INSIGHT 

SAS/INSIGHT unterstützt weitere multivariate Analysetechniken wie Hauptkomponenten- 

Rotationsanalysen, Kanonische Korrelationsanalyse, Maximum-Redundanzanalyse, Kanonische 

Diskriminanzanalyse und Mittelwertsvergleiche. Es werden neue robuste Streuungsmaße 

berechnet als auch Tests auf Normalität univariater Daten angeboten. Multiple Mittelwertsvergleiche 

über Gruppen sind möglich. 

Erhebliche Erweiterungen der grafischen Darstellungsmöglichkeiten ermöglichen jetzt 

Flächendarstellungen, Konturplots, Mittelwertsvergleichskreise in Box-Plots und datenabhängige 

Einfärbungen mit bis zu 5 Farben. Flächenanpassungen werden unterstützt durch 

Lineare Interpolation, Spline- und Kernschätzungen und durch Anpassung parametrischer 

Modelle.

2 4. KSFE 2000 in Gießen - Vorträge 

SAS Analyst 






Die SAS Analyst Applikation unterstützt interaktive grafische und statistische Analysen. Sie 

arbeitet als Programmgenerator, so dass automatisch erzeugte und gesicherte Programme für 

weitere automatisierte Auswertungen zur Verfügung stehen. 

Grafische Analysen beziehen ein: Bar Charts, Pie Charts, Histogramme, Box Plots, 

Wahrscheinlichkeitsplots, Scatter, Contour und Surface Plots. 

Statistische Analysen umfassen: Deskriptive Verfahren, Kreuztabellen, Tests von Hypothesen, 

Regression, ANOVA, Hauptkomponentenanalyse, Überlebensanalyse und die 

Berechnung von Stichprobengrößen für verschiedene Testverfahren. 






Für die Berechnung und grafische Darstellung von Boxplots steht eine neue Prozedur 

BOXPLOT zur Verfügung.






Interaktive Zeitreihenanalyse 

SAS/ETS ist in verschiedenen Prozeduren ergänzt worden und bietet ein stark überarbeitetes 

Zeitreihenvorhersage-Menüsystem. Die Modellierung ermöglicht eine einfachere Anpassung 

der Zeitreihen und individuelle Prognosen. In den Autokorrelationsplots werden zusätzlich 

Konfidenzgrenzen dargestellt. Ein integriertes Arbeiten mit den SAS/ETS-Prozeduren und 

dem Menüsystem wird unterstützt. 





Prognose 

mit Konfidenzgrenzen






PROC TPSPLINE 

• Kleinste-Quadrate-Schätzungen mit 

Straffunktionen 

• multidimensionale Daten 

• multiple SCORE Statements 

• semiparametrische und 

nichtparametrische Modelle 

• Optionen für große Datenmengen 

Die Prozedur TPSPLINE paßt nichtparametrische Regressionsmodelle nach der Methode der 

Kleinsten Quadrate mit Straffunktion an. Es sind keine Annahmen über die Form des Modells 

erforderlich. Der Grad der Glättung kann gewählt werden. 

Die generalized cross validation (GCV) Funktion wird zur Steuerung des Glättungsgrades 

verwendet. 





PROC TPSPLINE: Syntax 

PROC TPSPLINE < option > ; 

MODEL dependents = < variables > (variables) < /options > 

; 

SCORE data=SAS-data-set out=SAS-data-set ; 

OUTPUT < out=SAS-data-set > keyword < ... keyword > ; 

BY variables ; 

FREQ variable ; 

ID variables ;














PROC TPSPLINE: Beispiel 

proc TPSPLINE data=measure; 

model y=(x1 x2) /lognlambda=(-4 to -2 

by 0.1); 

score data=pred out=predy; 

output out=estimate pred uclm lclm; 

run; 

PROC TPSPLINE: Output 

Estimates from Proc TPSPLINE 

Obs x1 x2 y P_y LCLM_y UCLM_y 

1 -1.0 -1.0 15.5448 15.6474 15.5115 15.7832 

2 -1.0 -1.0 15.7631 15.6474 15.5115 15.7832 

3 -0.5 -1.0 18.6740 18.5783 18.4430 18.7136 

4 -0.5 -1.0 18.4972 18.5783 18.4430 18.7136 

5 0.0 -1.0 19.6609 19.7270 19.5917 19.8622 

6 0.0 -1.0 19.8023 19.7270 19.5917 19.8622 

7 0.5 -1.0 18.5984 18.5552 18.4199 18.6905 

8 0.5 -1.0 18.5190 18.5552 18.4199 18.6905 

9 1.0 -1.0 15.8684 15.9436 15.8077 16.0794 

10 1.0 -1.0 16.0391 15.9436 15.8077 16.0794 

11 -1.0 -0.5 10.9238 11.0467 10.9114 11.1820 

PROC KDE 

univariate und bivariate 

Kerndichteschätzungen 

Approximation einer unbekannten 

Dichte aus bekannten Dichten 

(Kernen) 

datenabhängige Glättung


Die Prozedur KDE berechnet univariate und bivariate Kerndichteschätzungen mit Gaußschen 

Kernen. 





PROC KDE < options > ; 


FREQ variable ; 

VAR variables ; 

WEIGHT variable ; 





PROC KDE 

Gaussche Dichte als Kern 

Angenommene Varianz bestimmt die 

Glättung. 

Ausgabe der Dichteschätzung in eine 

SAS-Datei 

Berechnung von Statistiken, z.B. 

Perzentile der geschätzten Dichte 

PROC KDE: Output 

Bivariate Kernel Density Estimate 

The KDE Procedure 

Percentiles 

Percent x y 

10.0 -4.18 -4.11 

25.0 -2.24 -2.30 

50.0 -0.11 -0.058 

75.0 2.22 2.21 

90.0 3.81 3.94 

95.0 4.88 5.22 

97.5 6.03 5.94 

99.0 6.90 6.77 

99.5 7.71 7.07






PROC VARIOGRAM options ; 

COMPUTE computation-options ; 

COORDINATES coordinate-variables ; 

DIRECTIONS directions-list ; 

VAR analysis-variables-list ; 





PROC VARIOGRAM 

berechnet Maße der räumlichen 

Stetigkeit zweidimensionaler 

Raumdaten 

Isotropische und anisotropische Maße 

können ausgewählt werden. 

Ergebnisse dienen der Prozedur 

KRIGE2D zur räumlichen Vorhersage. 

PROC KRIGE2D 

gewöhnliches Kriging in 2 

Dimensionen 

anisotropische und isotropische 

Semivariogramme 

Semivariogrammodelle: Gauß, 

Exponentiell, Sphärisch und Power 

Nugget-Effekte 

PROC KRIGE2D options ; 

COORDINATES | COORD coordinate-variables ; 

GRID grid-options ; 

PREDICT | PRED | P predict-options ; 

MODEL model-options ;






PROC LOESS 

Nichtparametrische Methode zur 

Schätzung von Regressionsflächen 

keine Annahmen über die Form der 

Regressionsfläche erforderlich 

Alternative zu Prozeduren GLM, REG 

und NLIN 

robuste Methode bei Ausreissern 

Die Prozedur LOESS stellt eine nichtparametrische Methode für die Berechnung von 

Regressionsflächen zur Verfügung. Dieses Verfahren ist bei Vorhandensein von Ausreissern 

in den Daten oder bei anderen Fragestellungen des robusten Schätzens sinnvoll. 





PROC LOESS 

• multidimensionale Daten 

• multiple abhängige Variable 

• iteratives Gewichten bei 

Vorhandensein von Ausreissern 

• multiple SCORE Statements 

PROC LOESS ; 

MODEL dependents=regressors < / options > ; 

ID variables ; 



SCORE DATA=SAS-data-set < ID=(variable list) > < / options > ;






PROC NLMIXED 

Nichtlineare Modelle mit festen und 

zufälligen Effekten 

bedingte Verteilung (Normal, Binomial, 

Poisson) wählbar, andere selbst kodierbar 

Maximierung eines approximierten 

Likelihoods (adaptives Gauss, Taylor- 

Reihen-Approximation 1. Ordnung) 

Die Prozedur NLMIXED paßt nichtlineare gemischte Modelle an, d.h. Modelle, in denen 

feste und zufällige Effekte nichtlinear eingehen. Der Nutzer kann bedingte Verteilungen 

selbst angeben, aus vorbereiteten Verteilungen (Normal, Binomial, Poisson) oder über 

Programmcode. Die Schätzungen basieren auf dem Maximum-Likelihood-Prinzip. 





PROC NLMIXED options ; 

ARRAY array specification ; 

BOUNDS boundary constraints ; 


CONTRAST 'label' expression ; 

ESTIMATE 'label' expression ; 

ID expressions ; 

MODEL model specification ; 

PARMS parameters and starting values ; 

PREDICT expression ; 

RANDOM random effects specification ; 

REPLICATE variable ; 

Program statements ; 

PROC NLMIXED 

Vorhersagen für beliebige Funktionen 

möglich (mit Empirisch-Bayesschen 

Schätzungen der zufälligen Effekte) 

beliebige Funktionen der nichtzufälligen 

Parameter schätzbar (Standardfehler nach 

Delta-Methode)






PROC PLS 

Partial least squares (PLS) 

ursprünglich entwickelt vom 

Ökonometriker Herman Wold (1964) 

Modellierung von „Pfaden“ kausaler 

Beziehungen zwischen „Blöcken“ von 

Variablen 

Die Prozedur PLS bietet für die Anpassung von linearen Vorhersagemodellen verschiedene 

Methoden an, einschließlich Partial Least Squares (PLS). Neben der optimalen Anpassung 

der Responsevariablen aus erklärenden Variablen werden auch Abhängigkeiten der 

erklärenden Variablen untereinander genutzt, um die Vorhersagegüte zu verbessern. 

Linearkombinationen (Faktoren) einiger erklärender Variablen modellieren auch andere 

erklärende Variable. 





PROC PLS 

Prozedur PLS berechnet nur 

predictive partial least squares 

Modelle mit einem “Block" von 

Regressoren und einem “Block" von 

Wirkungen. 

Allgemeinere „Pfadmodelle“: Prozedur 

CALIS 

PROC PLS < options > ; 


CLASS variables ; 

MODEL dependent-variables = effects < / options > ; 

OUTPUT OUT= SAS-data-set < options > ;










PROC SURVEYSELECT options ; 

STRATA variables ; 

CONTROL variables ; 

SIZE variable ; 

ID variables ; 

PROC PLS: Output 

The PLS Procedure 

Model Effect Weights 

Number of Inner 

Extracted Regression 

Factors P3 P4 Coefficients 

1 0.294469 -0.209809 0.594626 

2 0.374385 0.429566 0.202252 

PROC SURVEYSELECT 

Anspruchsvolle Stichproben-verfahren 

– Schichtungen 

– Clusterverfahren 

– ungleiche Selektionswahrscheinlichkeiten






PROC SURVEYMEANS 

Schätzung von Populationsmittelwerten 

aus Umfragedaten 

Varianzschätzungen 

Konfidenzgrenzen 

weitere deskriptive Statistiken 

Komplexität des Stichprobenplanes 

wird berücksichtigt. 

PROC SURVEYMEANS < options > < statistic-keywords > ; 



CLUSTER variables ; 

STRATA variables < / option > ; 

VAR variables ; 






PROC SURVEYREG < options > ; 



CLUSTER variables ; 

CONTRAST 'label' effect values 

< ... effect values > < / options > ; 

ESTIMATE 'label' effect values 

< ... effect values > < / options > ; 

MODEL dependent = < effects > < / options > ; 

STRATA variables < / options > ; 


PROC SURVEYREG 

Regressionsanalysen für komplexe 

Stichprobenpläne auf Umfragedaten 

– Regressionskoeffizienten 

– Varianz-/Kovarianzmatrizen






SAS System Hilfe 

Die SAS System Hilfe unterstützt den Analytiker über Stichwort- und Themensuchfunktionen 

und hält für alle statistischen Verfahren reproduzierbare Beispielprogramme 

bereit. 

Für die individuelle Gestaltung von Ergebnisreports werden die durch Prozeduren 

berechneten Größen als SAS-Variable zugänglich gemacht (ODS) und in der SAS System 

Hilfe beschrieben.

Neue Dimensionen der statistischen Datenanalyse. - SAS-Wiki

Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!

Template löschen?

Als Template speichern ?