众文网1.求研究回归分析的论文,题目无所谓,本人现在只会用一点SAS,许
秩和比综合评价法及SAS运行程序 摘要： 简述秩和比综合评价法的原理及分析步骤，结合实例编制SAS运行程序，并对运行结果进行了分析。
关键词： 秩和比； 综合评价； SAS运行程序 秩和比（Rank Sum Ration,RSR） 统计方法是我国统计学家田凤调教授于1988年提出的一种新的综合评价方法〔1〕，该法在医疗卫生领域的多指标综合评价、统计预测预报、统计质量控制等方面已得到广泛的应用。秩和比指行（或列）秩次的平均值，是一个非参数统计量，具有0~1连续变量的特征。
近年来秩和比统计方法不断完善和充实。田凤调（1992,1997）〔2~4〕分别提出利用RSR确定权重系数的5种方法以及RSR进行伴有Y的因素分析方法。
李俊等（1994）〔5〕提出平均秩和比（）与秩和比标准差（SRSR）这两个指标，以便在多个评价对象和在较长时期间求得一个更加稳定的代表值，从而合理地反映出RSR的全貌。柳青和林爱华（1999）〔6〕探讨了RSR的分布理论及建立区间估计和假设检验方法，认为秩和的分布接近正态分布对秩和与秩和比可以应用正态分布理论作区间估计和假设检验。
戈早川和徐春华（1999）〔7〕 提出了一种非整秩次秩和比法，用类似于线性插值的方式对指标值进行编铁，以改进RSR法编铁方法的不足，所编秩次与原指标值之间存在定量的线性对应关系，克服了RSR法秩次化时易损失原指标值定量信息的缺点。陈冠民等（2001）〔8〕利用SAS软件编制了秩和比综合评价法的SAS计算程序。
本研究主要阐述了秩和比综合评价法的原理及分析步骤，并结合实例介绍该法的SAS运行程序。 1 分析原理及步骤 分析原理 秩和比综合评价法基本原理是在一个n行m列矩阵中，通过秩转换，获得无量纲统计量RSR；在此基础上，运用参数统计分析的概念与方法，研究RSR的分布；以RSR值对评价对象的优劣直接排序或分档排序，从而对评价对象作出综合评价。
分析步骤 ① 编秩：将n个评价对象的m个评价指标列成n行m列的原始数据表。编出每个指标各评价对象的秩，其中高优指标从小到大编秩，低优指标从大到小编秩，同一指标数据相同者编平均秩。
② 计算秩和比（RSR）：根据公式RSRi=1[]m・n∑m[]j=1Rij计算，式中i=1,2，…，n;j=1,2，…，m;Rij为第i行第j列元素的秩。当各评价指标的权重不同时，计算加权秩和比（WRSR），其计算公式为WRSRi=1[]n∑m[]j=1WjRij, Wj为第j个评价指标的权重，∑Wj=1。
③ 计算概率单位（Probit）：编制RSR（或WRSR）频率分布表，列出各组频数f，计算各组累计频数∑f；确定各组RSR（或WRSR）的秩次范围R和平均秩次；计算累计频率p=AR/n；将百分率p转换为概率单位Probit,Probit为百分率p对应的标准正态离差u加5。 ④ 计算直线回归方程：以累计频率所对应的概率单位Probit为自变量，以RSR（或WRSR）值为因变量，计算直线回归方程，即RSR(WRSR)=a+b*Probit。
⑤ 分档排序：根据RSR（或WRSR）值对评价对象进行分档排序。常用分档情况下的百分数Px临界值及其对应的概率单位Probit值见文献〔9〕。
依据各分档情况下概率单位Probit值，按照回归方程推算所对应的RSR（或WRSR）估计值对评价对象进行分档排序。具体的分档数根据实际情况决定。
2 秩和比SAS运行程序 应用实例 某市人民医院1983~1992年工作质量统计指标及权重系数见表1〔7〕。表1 统计指标及权重系数（略）注：X1=治愈率，X2=病死率，X3=周转率，X4=平均病床工作日，X5=病床使用率，X6=平均住院日；X2及X6为低优指标，其余为高优指标。
SAS运行程序 计算秩和比（RSR）的SAS语句 data a; n=10; m=6; input year $ X1-X6 @@; cards; proc rank out=b1; var X1 X3X5; ranks RX1 RX3RX5; proc rank descending out=b2; var X2 X6; ranks RX2 RX6; data b; merge b1 b2; RSR=sum(of RX1RX6)/(n*m); proc print; var year RX1RX6 RSR; run； 计算加权秩和比（WRSR）的SAS语句 data c; set b;WR1=RX1*0.093; WR2=RX2*0.418; WR3=RX3*0.132; WR4=RX4*0.100; WR5=RX5*0.098; WR6=RX6*0.159; WRSR=sum(of WR1WR6)/n; proc sort; by WRSR; proc rank out=d; var WRSR; ranks ; proc print; var year WR1WR6 WRSR; run； 计算概率单位Probit的SAS语句 data e; set d; p=/n; if =10 then do;p=1-1/(4*n); end; probit=PROBIT(p)+5; proc print; var year WRSR p probit; run; 224 计算回归方程的SAS语句 proc reg data=e; model WRSR=probit; plot WRSR*probit; run; 225 分档排序及各类间差异比较的SAS语句 data f; set e; if WRSR0.37767 then type="T1"; if 0.66581WRSR=0.37767 then type="T2"; if WRSR=0.66581 then type="T3"; proc print; var year probit WRSR type; proc anova; class type; model WRSR=type; means type/SNK hovtest; run; SAS运行程序说明及结果分析 编秩及计算秩和比（RSR） 高优指标从小到大编秩，低优指标从大到小编秩，同一指标数据相同者编平均秩。SAS软件默认升序排列。
通过merge语句将高优指标和低优指标的数据集合并。表2 各指标的秩与秩和比（略） 加权秩和比（WRSR） 根据各评价指。
2.多元回归分析的应用
原发布者：男苏锦荣
多元线性回归分析1多元回归分析多元回归分析是研究因变量对两个或两个以上解释变量的统计依赖关系。多元回归模型是具有两个或两个以上解释变量的回归模型。2多元线性回归分析很少有经济现象能够只用一个解释变量来解释。比如：消费水平、股票价格、工资水平、破产率、新生婴儿死亡率等等。因此，要解释这些复杂经济现象或经济相关现象，那么在建立回归模型的时候必须纳入多个解释变量，以充分反映多种因素对因变量的影响。3多元回归模型的一般形式总体回归函数的随机形式Yi12X2i3X3i。。kXkiui总体回归函数的确定形式EYiX2i,。,Xki12X2i3X3i。。kXkij称为偏回归系数，partial regression coefficient）（表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，因变量的均值如何变化。j体现了Xj对Y的均值的“直接”或“净”的影响。4二元回归实例研究美国非农业未偿还抵押贷款余额与个人收入和抵押贷款费用的关系。Y：美国非农业未偿还抵押贷款余额（亿美元）。X2：个人收入总水平（亿美元）。X3：抵押贷款费用（%）Y12X23X3u2度量了当抵押贷款费用不变时，个人收入每变化一个单位会引起未偿还抵押贷款的均值变化多少个单位。3度量了当个人收入不变时，抵押贷款费用每变化一个单
3.回归分析的基本过程及其应用意义
回归分析（英语：Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。
回归分析是建立因变量Y（或称依变量，反应变量）与自变量X（或称独变量，解释变量）之间关系的模型。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。
如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对具有相关关系的现象，择一适当的数学关系式，用以说明一个或一组变量变动时，另一变量或一组变量平均变动的情况，这种关系式称为回归方程。
4.多元线性回归分析的优缺点
一、多元线性回归分析的优点：
1、在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。
2、在多元线性回归分析是多元回归分析中最基础、最简单的一种。
3、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果。
二、多元线性回归分析的缺点
有时候在回归分析中，选用何种因子和该因子采用何种表达 式只是一种推测，这影响了用电因子的多样性和某些因子的不可测性，使得回归分析在某些 情况下受到限制。
多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。
扩展资料
社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，我们把包括两个或两个以上自变量的回归称为多元线性回归 。
多元线性回归与一元线性回归类似，可以用最小二乘法估计模型参数，也需对模型及模型参数进行统计检验 。
选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。
Matlab、spss、SAS等软件都是进行多元线性回归的常用软件。
转载请注明出处众文网 » 关于多元回归分析毕业论文