第七章属性数据与FREQ过程课件.ppt

1、第七章第七章属性数据分析与属性数据分析与FREQ过程过程属性数据简介属性数据简介 在一个有三个主要大型商场的商贸中心，调查476个不同年龄阶段的人首先去三个商场中的哪一个。我们看到市场调查表中，所得到的信息一般是被调查我们看到市场调查表中，所得到的信息一般是被调查对象的对象的分类信息分类信息，而不是定量变量的具体值。，而不是定量变量的具体值。从例子中我们看到对观测对象通过商场和调查对象的从例子中我们看到对观测对象通过商场和调查对象的年龄段进行了分类，得到一个二维表格。年龄段进行了分类，得到一个二维表格。那么从这个数据我们是否能看出顾客的年龄段与他那么从这个数据我们是否能看出顾客的年龄段与他所去

2、的商场有联系吗？所去的商场有联系吗？为了了解广告是否对消费者产生影响，某广告公为了了解广告是否对消费者产生影响，某广告公司在某地区连续广告一个月，和在没有进行广告司在某地区连续广告一个月，和在没有进行广告宣传的地区分别随机抽取了宣传的地区分别随机抽取了100名消费者（实际名消费者（实际的或潜在的）进行问卷调查，得到下表：的或潜在的）进行问卷调查，得到下表：已购买打算购买 不打算购买看过广告60337没看过广告154035变量的类型 按类型可以分为：字符型和数值型，按类型可以分为：字符型和数值型，按测量水平可以分为：区间型和名义型。按测量水平可以分为：区间型和名义型。数值变量数值变量就是能用数字

3、来计量的变量；而不能用数字来计量就是能用数字来计量的变量；而不能用数字来计量的变量则称为的变量则称为字符型变量，也称为属性变量字符型变量，也称为属性变量。区间型变量区间型变量是指变量的取值可以为一个连续的数值区间，又是指变量的取值可以为一个连续的数值区间，又可可 分为比率变量和间隔变量分为比率变量和间隔变量。名义型变量名义型变量是指变量本身本质上不能用数值表示，用数字没有是指变量本身本质上不能用数值表示，用数字没有真正意义，又可分为真正意义，又可分为分类变量和有序变量分类变量和有序变量。按类型可以分为：字符型和数值型，按类型可以分为：字符型和数值型，按测量水平可以分为：区间型和名义型。按测量水

4、平可以分为：区间型和名义型。分类变量和有序变量统称为属性变量，也称字符型变量分类变量和有序变量统称为属性变量，也称字符型变量或定性变量。或定性变量。间隔变量和比率变量则称为数值型变量，也称为定量间隔变量和比率变量则称为数值型变量，也称为定量变量或连续型变量变量或连续型变量 分类变量和有序变量统称为属性变量，有时也称为字符型变量或定性变量；一般在属性数据分析中需要解决：一般在属性数据分析中需要解决：而间隔变量和比率变量则称为数值型变量，有时也称为定量变量或连续变量。对属性变量进行的数据分析称为属性数据分析。（1）产生汇总分类数据频数表；（2）属性变量之间的独立性检验；（3）在属性变量之间存在关联

5、的情况下，计算他们之间的关联系数。属性数据分析中一些常见概念与检验统计量属性数据分析中一些常见概念与检验统计量 双向表（二维表）由两个属性变量交叉分组所得到的表。多向表（多向交叉表或多维表）由两个以上属性变量构成的表。单向表（一维表）由一个属性变量进行分组构成的表。行变量与列变量有关行变量与列变量无关；:10HH检验统计量；2)1(检验统计量；）连续修正（22c 双向表无关联性检验的统计量双向表无关联性检验的统计量检验统计量；）似然比（23检验统计量；）（2anel4MHHaenszelM精确检验。）（isher5F 双向表中行变量与列变量相关性的检验双向表中行变量与列变量相关性的检验系数；)

6、1(相关系数；）（)(4Gamma系数；）（VsCramer3列联系数；）（oefficientontingency2CC相关系数；）（)(endall5bbtallsK相关系数。）（)(tuart6cctallsS行列变量都是有序变量时行列变量都是有序变量时主要功能主要功能 FREQ过程是过程是SAS系统中用于属性数据分析的主系统中用于属性数据分析的主要过程之一，可以生成单向到要过程之一，可以生成单向到N向的频率表和交向的频率表和交叉表。叉表。对于双向表（二维表），该过程计算检验统计量对于双向表（二维表），该过程计算检验统计量和关联度。和关联度。对于对于N向表，该过程进行分层分析，计算每一层

7、向表，该过程进行分层分析，计算每一层和交叉层的统计量。和交叉层的统计量。FREQ过程过程FREQ过程的一般格式过程的一般格式 PROC FREQ ;BY variable-list;TABLES request-list;WEIGHT variable;OUTPUT;FREQ过程语句说明：过程语句说明：（1）TABLES语句：语句：一般格式：一般格式：TABLES request-list;若没有任何选项，则对若没有任何选项，则对tables语句中规定的变量的每个语句中规定的变量的每个水平计算频数，累计频数，占总频数的百分比及累计百水平计算频数，累计频数，占总频数的百分比及累计百分数。分数。F

8、REQ过程中可包含任意多个过程中可包含任意多个TABLES语句语句 若没有若没有TABLES语句，则生成输入数据集中每个变量的语句，则生成输入数据集中每个变量的单向频数表单向频数表tables(a b c)*d;等价于等价于tables a*d b*d c*d;多项表由多个变量用星号连接产生多项表由多个变量用星号连接产生 如如 tables x1*x2*x3;简洁表示形式：简洁表示形式：tables ad;等价于等价于 tables a b c d;tables(a b)*(c d);等价于等价于tables a*c a*d b*c b*d;tables a*(b c);等价于等价于table

9、s a*b a*c;request-list：制表要求制表要求单向表由单个变量产生单向表由单个变量产生 如如 tables a b c;双向交叉表用一个双向交叉表用一个“*”连接两个变量产生连接两个变量产生 如如 tables a*b;常见类型常见类型：（1）ALL:求所有由求所有由CHISQ，MEASURES和和CMH选项给出的选项给出的检验和度量；检验和度量；（2）CHISQ:要求对每层的齐性或独立性进行要求对每层的齐性或独立性进行 检验统计量的关联度。并计算依赖于2,2检验（3）CMH:计算计算Cochran-Mantel-Haenszel统计量，统计量，用于用于2维以上表维以上表检验行

10、、列变量的相关。检验行、列变量的相关。（4）EXACT:对于对于大于大于22维表维表进行进行Fisher精确检验。精确检验。（5）MEASURES:计算相关度量和它们的渐进标准差。计算相关度量和它们的渐进标准差。（6）ALPHA=P值值:OUT=sas-data-set:规定输出数据集的名字规定输出数据集的名字output-statistic-list：输出统计量列表输出统计量列表可用的统计量是有可用的统计量是有PROC FREQ产生的关于双向交叉表的统计产生的关于双向交叉表的统计量及概括性统计量。量及概括性统计量。（2）WEIGHT variable:每个观测对频数为对应权数变量的值。每个观

11、测对频数为对应权数变量的值。（3）OUTPUT语句：语句：一般格式：一般格式：OUTPUT;创建一个包含有创建一个包含有PROC FREQ计算的统计量的计算的统计量的SAS数据集。数据集。nocol norow 要求不输出行、列百分比应用举例应用举例例例7.1 广告是否会显著影响消费者的购买意向广告是否会显著影响消费者的购买意向data ads;input ad$plan$number;cards;看过 已买 60看过 打算买 33看过 没打算买 7没看过 已买 25没看过 打算买 40没看过 没打算买 35;proc freq;tables ad*plan/chisq nocol norow

12、;weight number;run;输出1 按是否看过广告和购买意向分组的消费者分布情况 由卡方统计量，似然比卡方，以及由卡方统计量，似然比卡方，以及M-H卡方统计量值对应概率卡方统计量值对应概率都小于都小于0.05，从而在，从而在0.05的显著性水平下有行列不独立，即广告的显著性水平下有行列不独立，即广告对消费者的购买意向对消费者的购买意向有显著影响有显著影响。输出输出2 广告是否会显著影响消费者购买意向检验结果广告是否会显著影响消费者购买意向检验结果 且由且由Phi系数、系数、Cramer的的V系数为系数为0.4108，列联系数为，列联系数为0.38可知这种影响是正向的，即看过广告的消费

13、者更可能购可知这种影响是正向的，即看过广告的消费者更可能购买。买。例例7.2 顾客年龄段对首先去的商场的影响顾客年龄段对首先去的商场的影响 data client;do i=1 to 3;do j=1 to 3;input f ;output;end;end;cards;80 70 45 91 86 15 41 38 10;run;proc freq;weight f;tables i*j/expected chisq nocol norow nopercent exact;run;其中用其中用i=1,2,3分别表示顾客的年龄段为分别表示顾客的年龄段为30，3150，51；用用j=1,2,3分

14、别表示顾客首先去的商场为分别表示顾客首先去的商场为商场商场1，商场，商场2，商场，商场3。）例例7.2 顾客年龄段对首先去的商场的影响顾客年龄段对首先去的商场的影响 data client;do i=1 to 3;do j=1 to 3;input f ;output;end;end;cards;80 70 45 91 86 15 41 38 10;run;proc freq;weight f;tables i*j/expected chisq nocol norow nopercent exact;run;Expected要求给出期望频数要求给出期望频数Chisq 进行卡方检验进行卡方检验E

15、xact 进行进行Fisher精确检验精确检验Norow,nocol,nopercent 不要求输出行、不要求输出行、列及累计百分比列及累计百分比输出输出7.2(A)顾客年龄和首选商场分布情况顾客年龄和首选商场分布情况由卡方统计量，似然比卡方，以及由卡方统计量，似然比卡方，以及M-H卡方统计量值对应概率卡方统计量值对应概率都小于都小于0.05，从而在，从而在0.05的显著性水平下有行列不独立，即不同的显著性水平下有行列不独立，即不同年龄段顾客对商场是有选择的。年龄段顾客对商场是有选择的。Fisher精确检验也说明了这一点精确检验也说明了这一点（双侧检验的（双侧检验的P值值8.333E-04远小

16、于远小于0.05）。）。输出输出7.2(B)顾客年龄段是否会显著影响首选商场检验结果顾客年龄段是否会显著影响首选商场检验结果由于顾客年龄段和商场编号都是有序变量，故可利用由于顾客年龄段和商场编号都是有序变量，故可利用Gamma（-0.1481)、Tau-b(-0.0930)、Tau-c(-0.0870)和和Spearman(-0.1024)等级相关系数计算两者之间的关系，以上数值都是负的等级相关系数计算两者之间的关系，以上数值都是负的，表明两变量之间的关系是负相关的，即随着年龄的增大，会，表明两变量之间的关系是负相关的，即随着年龄的增大，会更倾向选择序号低的商场。更倾向选择序号低的商场。输出输

17、出7.2(C)顾客年龄段与商场编号之间的相关系数顾客年龄段与商场编号之间的相关系数 下表记录了某公司过去3个月中的顾客信息，包括顾客的性别、月收入、消费水平。试根据此表完成以下工作：（1）检验顾客月收入的高低是否显著影响顾客的消费水平，给出两者之间的关联系数；（2）以性别作为分层变量生成消费水平与顾客月收入之间的双向交叉表，并分析比较男女顾客收入高低人群的购买行为。表见P253例例7.3 顾客年龄段是否会显著影响首选商场检验结果顾客年龄段是否会显著影响首选商场检验结果data customer;input income purchase sex$number;cards;0 0 m 35 0

18、0 f 55 0 1 m 8 0 1 f 341 0 m 58 1 0 f 40 1 1 m 15 1 1 f 312 0 m 37 2 0 f 44 2 1 m 38 2 1 f 36;proc freq;tables purchase*income/chisq measure norow nocol nopercent;tables sex*income*purchase/chisq expected norow nocol;weight number;run;Income 收入，收入，0，1，2分别代表低收入、中等收入和分别代表低收入、中等收入和高收入高收入Purchase 消费水平，消

19、费水平，0，1分别代表消费额低于分别代表消费额低于300元元和消费额高于和消费额高于300元及以上元及以上tables purchase*income/chisq measure norow nocol nopercent;由卡方统计量对应的概率都小于由卡方统计量对应的概率都小于0.05，表明顾客的消费水平和，表明顾客的消费水平和收入具有关联性。收入具有关联性。tables purchase*income/chisq measure norow nocol nopercent;由于两变量都为有序变量，且由于两变量都为有序变量，且Gamma=0.2324，Tau-b=0.1312,Tau-c=0

20、.1466，Spearman=0.1391，表明两者之间正相关，即，表明两者之间正相关，即收入越高，消费越高。收入越高，消费越高。tables sex*income*purchase/chisq expected norow nocol;由卡方统计量对应的概率都大于于由卡方统计量对应的概率都大于于0.05，表明，表明女性顾客女性顾客的消费水的消费水平和收入没有有关联性。平和收入没有有关联性。tables sex*income*purchase/chisq expected norow nocol;由卡方统计量对应的概率都小于由卡方统计量对应的概率都小于0.05，表明男性顾客的消费水，表明男性顾

21、客的消费水平和收入具有关联性。平和收入具有关联性。我们看一个实际的例子，“Zagat饭店评论”是一个提供世界各地饭店数据的服务机构,他报告饭店各种变量的数据，例如：饭店的质量等级、典型的食品价格等。质量等级是定性数据，等级类型是好、非常好和优异。食品价格是定量变量，通常的变化范围是：10美元49美元。一个样本包括洛杉矶地区的300家饭店，收集他们的质量等级和食品价格数据，如下表所示：食品价格质量等级10-19美元20-29美元30-39美元40-49美元总计好非常好优异423424064142462806228415066总计781187628300 试根据上面的数据以及所给出的交叉分组表，分

22、析饭店的质量等级和饭店的价格是否有关系，若有关系是否能说明存在怎样的关联？data grade;input class$price number;cards;good 0 42 good 1 40 good 2 2 good 3 0 verygood 0 34 verygood 1 64 verygood 2 46 verygood 3 6 perfect 0 2 perfect 1 14 perfect 2 28 perfect 3 22;proc freq data=grade;tables class*price/chisq expected nocol norow nopercent measures;weight number;run;例：为了解某种药物的治疗效果，得到下面的数据：某病两种药物治疗结果药物疗效有效无效合计AB8142181032合计222042 data test;input drug$result$number;cards;a effect 8 a noeffect 2 b effect 14 b noeffect 18;proc freq;tables drug*result/chisq expected norow nocol;weight number;run;