在 SAS 中运行回归

在 SAS 中运行回归分析可以帮助我们探索和建模两个或更多变量之间的关系。在本文中，我们将介绍如何在 SAS 中运行线性回归，包括如何拟合模型、如何检验模型、如何进行各种统计检验以及如何解释结果。

数据集

我们将使用SAS自带的经典数据集sashelp.cars作为示例数据集，该数据集包含了某一品牌汽车在YM年份的16个特征的数据，包括车长、车宽、车重等，我们将试图预测汽车的mpg。

拟合模型

首先，我们使用proc reg命令运行一个线性回归分析。我们使用mpg作为响应变量， weight, displacement和horsepower作为预测变量。

proc reg data=sashelp.cars;
  model mpg = weight displacement horsepower;
run;

这段代码告诉 SAS 使用sashelp.cars数据集，并对 mpg 进行回归分析，使用weight, displacement和horsepower作为预测变量。 proc reg 命令可以计算模型的各种统计量、参数估计和预测值。

检验模型

在完成拟合后，我们需要评估回归模型是否合适，下列步骤在检测模型时必不可少。

统计检验

首先，我们可以通过检测模型的残差来评估模型的拟合程度。我们可以使用proc reg命令中的plot选项来绘制残差图。

proc reg data=sashelp.cars plots=resid;
  model mpg = weight displacement horsepower;
run;

该命令会生成一幅图，展示了残差与拟合值的关系。 如果偏离了水平线，这可能表示模型与数据不符合。

残差分析

我们还可以通过对残差分析来检测模型是否符合如下要求：残差应当近似服从正态分布，且随机地分布在0周围。

proc resid data=sashelp.cars noprint;
   model mpg = weight displacement horsepower;
   output out=resid predicted=yhat r=resid;
run;
 
proc univariate data=resid normal;
   var resid;
run;

这种方法可以为我们提供有关残差分布和异常值的更多信息，如果在残差分析中检测到任何的不符合，我们可能需要调整模型并重新运行回归分析。

解释结果

最后，我们需要解释回归模型的结果。对于这个模型，我们可以使用coefplot proc来绘制系数和其标准误的置信区间

proc reg data=sashelp.cars plots=coefficient;
  model mpg = weight displacement horsepower;
run;

另一个可视化的解释方法是使用fitsplot命令。 fitsplot图显示了拟合值和实际响应值之间的关系。

proc reg data=sashelp.cars plots=fits;
  model mpg = weight displacement horsepower;
run;

在理解回归模型的结果之后，我们可以使用模型的预测来做预测并做出决策!

以上就是在 SAS 中运行回归的介绍。