SAS做的聚类分析
SAS中的聚类分析方法总结
SAS中的聚类分析方法总结（1）——聚类分析概述说起聚类分析，相信很多人并不陌生。
这篇原创博客我想简单说一下我所理解的聚类分析，欢迎各位高手不吝赐教和拍砖。
按照正常的思路，我大概会说如下几个问题：1. 什么是聚类分析？2. 聚类分析有什么用？3. 聚类分析怎么做？下面我将分聚类分析概述、聚类分析算法及sas实现、案例三部分来系统的回答这些问题。
聚类分析概述1. 聚类分析的定义中国有句俗语叫“物以类聚，人以群分”——剔除这句话的贬义色彩。
说白了就是物品根据物品的特征和功用可以分门别类，人和人会根据性格、偏好甚至利益结成不同的群体。
分门别类和结成群体之后，同类（同群）之间的物品（人）的特征尽可能相似，不同类（同群）之间的物品（人）的特征尽可能不同。
这个过程实际上就是聚类分析。
从这个过程我们可以知道如下几点：1) 聚类分析的对象是物（人），说的理论一点就是样本2) 聚类分析是根据物或者人的特征来进行聚集的，这里的特征说的理论一点就是变量。
当然特征选的不一样，聚类的结果也会不一样；3) 聚类分析中评判相似的标准非常关键。
说的理论一点也就是相似性的度量非常关键；4) 聚类分析结果的好坏没有统一的评判标准；2. 聚类分析到底有什么用？1) 说的官腔一点就是为了更好的认识事物和事情，比如我们可以把人按照地域划分为南方人和北方人，你会发现这种分法有时候也蛮有道理。
一般来说南方人习惯吃米饭，北方习惯吃面食；2) 说的实用一点，可以有效对用户进行细分，提供有针对性的产品和服务。
比如银行会将用户分成金卡用户、银卡用户和普通卡用户。
这种分法一方面能很好的节约银行的资源，另外一方面也能很好针对不同的用户实习分级服务，提高彼此的满意度。
再比如移动会开发全球通、神州行和动感地带三个套餐或者品牌，实际就是根据移动用户的行为习惯做了很好的用户细分——聚类分析；3) 上升到理论层面，聚类分析是用户细分里面最为重要的工具，而用户细分则是整个精准营销里面的基础。
sas聚类作业
SAS作业（聚类分析）40901075 09级经济学基地二班辛凯璇1、给出一个样本事务数据库，对它实施K-平均算法n=8,k=2),试给出迭代过程和最后得到的聚类。
将数据放入坐标轴中，横轴为属性1，纵轴为属性2。
n=8 k=2首先选择4和7作分别作为两个类中的初始样本对象，计算余下6个对象与4和7的距离，根据相似度，数据被聚为两类：C1={1,2,3,4} C2={5,6,7,8}计算C1、C2中心点M1和M2M1={(1+2+1+2)/4,(1+1+2+2)/4}={1.5,1.5}M2={(4+5+4+5)/4,(4+4+5+5)/4}={4.5,4.5}此时，E2=e12+e22=2+2=4重新计算1-8与M1,M2的距离，数据的聚类仍然保持不变，C1={1,2,3,4} C2={5,6,7,8}此时，算法停止，因为如果继续分析新中心和样本之间的距离，样本会全部分配给同样的类。
因此，数据被分为两类，第一类中心点为{1.5,1.5}，C1=｛1，2，3，4｝，第二类中心点为｛4.5，4.5｝，C2=｛5，6，7，8｝。
2、给出一个样本事务数据库，采用凝聚层次聚类(n=8,k=2)，利用最小距离方法，试给出聚类过程和最后形成的聚类。
将数据放入坐标轴中，横轴为属性1，纵轴为属性2。
n=8 k=2将每个对象看成一个新类。
首先计算两两对象之间的距离，根据最小距离法，分别由1，2和5，6形成一个新类，1，2与3，5，6与7可以分别再形成一个新类，1，2，3与4，5，6，7与8分别可以再形成一个新类。
此时，形成的两个聚类是：C1={1,2,3,4}，C2={5,6,7,8}。
甚至还可以将1，2，3，4，5，6，7，8形成一个聚类。
凝聚层次聚类法需要设定阀值，因此最终的聚类结果和设定的距离阀值有关。
SAS 聚类分析方法
SAS 聚类分析（描述算法）系统聚类法系统聚类法（Hierarchical clustering method ）是目前使用最多的一种方法。
其基本思想是首先将n 个样品看成n 类（即一类包括一个样品），然后规定样品之间的距离和类与类之间的距离。
将距离最近的两类合并为一个新类，在计算新类和其他类之间的距离，再从中找出最近的两类合并，继续下去，最后所有的样品全在一类。
将上述并类过程画成聚类图，便可以决定分多少类，每类各有什么样品。
系统聚类法的步骤为：①首先各样品自成一类，这样对n 组样品就相当于有n 类；②计算各类间的距离，将其中最近的两类进行合并；③计算新类与其余各类的距离，再将距离最近的两类合并；④重复上述的步骤，直到所有的样品都聚为一类时为止。
下面我们以最短距离法为例来说明系统聚类法的过程。
最短距离法的聚类步骤如下：① 规定样品之间的距离，计算样品的两两距离，距离矩阵记为()0S ，开始视每个样品分别为一类，这时显然应有pq d q p D =),(；② 选择距离矩阵()0S 中的最小元素，不失一般性，记其为),(q p D ，则将p G 与q G 合并为一新类，记为m G ，有q p m G G G ⋃=；③ 计算新类m G 与其他各类的距离，得到新的距离矩阵记为()1S ；④ 对()1S 重复开始进行第②步，…，直到所有样本成为一类为止。
值得注意的是在整个聚类的过程中，如果在某一步的距离矩阵中最小元素不止一个时，则可以将其同时合并。
● 系统聚类法是最常用的一种聚类方法，常用的系统聚类方法有最短距离法、最长距离法、中间距离法、类平均法、重心法、Ward 最小方差法、密度估计法、两阶段密度估计法、最大似然估计法、相似分析法和可变类平均法。
● 大多数的研究表明：最好综合特性的聚类方法为类平均法或Ward 最小方差法，而最差的则为最短距离法。
Ward 最小方差法倾向于寻找观察数相同的类。
类平均法偏向寻找等方差的类。
SAS聚类分析程序
SAS聚类分析程序：聚类分析过程命令Data pgm33b;Input x1-x3;cards;9.30 30.55 8.7（样品数据）1.85 20.66 12.75;Proc cluster standard method= single nonormnosquare ccc pseudo out=tree;Proc tree data=tree horizontal spaces=1; run;Data pgm33bInput x1-x4;cards;9.30 30.55 8.7（样品数据）1.85 20.66 12.75;Proc cluster standard method=complete nonormnosquare ccc pseudo out=tree;Proc tree data=tree horizontal spaces=1; run;刷黑该块过程命令程序，提交便计算出相应聚类结果。
语句解释: 聚类指定的方法是在“method=”后面填入一个相应的选择项，它们是：single（最短距离法），complete（最长距离法），average(类平均法), centroid（重心法），median（中位数法），ward（离差平方和法），flexible （可变类平均法），density（非参数概率密度估计法），eml（最大似然法），twostage（两阶段密度法）。
主成分分析程序：1. 主成分分析实验程序例：主成分分析过程命令data socecon;input x1-x6;cards;16369 3504887 66047 2397739 198.46 104395513379 566257 4744 456100 76.96 2026379707 397183 1303 887034 18.88 10594810572 414932 1753 751984 27.67 12826112284 876667 18269 1015669 60.09 3327009738 604935 5822 1307908 30.54 22279916970 778830 2438 630014 76.64 27220310006 617436 13543 866013 58.59 22279410217 636760 9967 996912 34.55 16102520946 1380781 16406 526527 150.15 42693711469 720416 7141 853778 43.41 15727414165 1504005 29413 1025363 149.17 56889912795 966188 11580 723278 45.13 16531912762 584696 13583 343107 65.31 16645412008 501780 4986 278310 15.04 86575 11208 981367 13364 1295189 79.8 337947 12719 716491 4448 408796 15.68 99949 ;proc princomp out=aaa prefix=z;var x1-x6; run;data a2;set aaa;proc print;var z1-z2 ;run;。
SAS 聚类
1、类平均法（METHOD=AVERAGE）测量两类每对观测间的平均距离，2、重心法（METHOD=CENTROID）重心法测量两个类的重心（均值）之间的（平方）欧氏距离。
3、最长距离法（METHOD=COMPLETE）计算两类观测间最远一对的距离，4、最短距离法（METHOD=SINGLE）计算两类观测间最近一对的距离，5、密度估计法（METHOD=DENSITY）密度估计法按非参数密度来定义两点间的距离。
如果两个点和是近邻（两点距离小于某指定常数或在距离最近的若干点内）则距离是两点密度估计的倒数的平均，否则距离为正无穷。
密度估计有最近邻估计（K=）、均匀核估计（R=）和Wong 混合法（HYBRID）。
6、Ward最小方差法（或称Ward离差平方和法，METHOD=WARD）Ward方法并类时总是使得并类导致的类内离差平方和增量最小。
其它的聚类方法还有EML法、可变类平均法（FLEXIBLE）、McQuitty相似分析法（MCQUITTY ）、中间距离法（MEDIAN）、两阶段密度估计法（TWOSTAGE）等。
Data d;Input name$ x;Datalines;li 56jin 58tong 59tie 61xi 62qian 65xin 89gai 95;Proc distance data=d method=euclid out=dist; var interval(x);id name;Run;Proc print data=dist;Id name;Run;proc cluster data=dist method=centroid;id name;var li--gai;run;proc tree h;id name;run;proc tree spaces=2 graphics horizontal h=n ; run;proc tree spaces=2 horizontal n=2 out=result; proc print data=result;run;proc freq data=result;table cluster;run;。
sas聚类分析(SAS)分解
个体与小类、小类与小类间“亲 疏程度”的度量方法
SPSS中提供了多种度量个体与小类、小类 与小类间“亲疏程度”的方法。与个体 间“亲疏程度”的测度方法类似，应首 先定义个体与小类、小类与小类的距离。 距离小的关系亲密，距离大的关系疏远。 这里的距离是在个体间距离的基础上定 义的，常见的距离有：
似程度通常可以用简单相关系数或者等 级相关系数等；一是个体间的差异程度 ，通常通过某种距离来测度。
1、定距型变量个体间距离的计算方式
欧式距离（Euclidean distance）
k
(xi yi )2 (73 66)2 (68 64)2 i1
平方欧式距离（Squared Euclidean distance ） 切比雪夫（Chebychev）距离
各变量间不应有较强的线性相关关系
学校
参加科研 人数
（人）
投入经费 （元）
立项课题 数（项）
样本的欧氏距离
元
万元
1
410
4380000
19
（1，2） 265000
81.623
2
336
1730000
21
（1，2） 218000
193.7
3
490
220000
8
（1，2）
47000
254.897
层次聚类
1 层次聚类的两种类型和两种方式 层次聚类又称系统聚类，简单地讲是指聚类过程
（1）间隔尺度。变量用连续的量来表示，如“ 各种奖金”、“各种津贴”等。
（2）有序尺度。指标用有序的等级来表示，如 文化程度分为文盲、小学、中学、中学以上 等有次序关系，但没有数量表示。
（3）名义尺度。指标用一些类来表示，这些类 之间没有等级关系也没有数量关系，如表中 的性别和职业都是名义尺度。
使用SAS进行数据分析的基础知识
使用SAS进行数据分析的基础知识一、SAS数据分析简介SAS（Statistical Analysis System）是一套全面的数据分析软件工具，它具备强大的数据处理和统计分析能力。
它适用于各种领域的数据分析，包括市场调研、金融分析、医疗研究等。
二、数据准备在进行SAS数据分析之前，首先要进行数据准备。
这包括数据的收集、整理和清洗。
收集数据可以通过调查问卷、实地观察、数据库查询等方式。
整理数据即将数据格式统一，包括去除重复数据、统一变量命名等。
清洗数据则是去除异常值、缺失值处理等。
三、SAS基础语法1. 数据集（Data set）的创建和导入SAS中的数据以数据集的形式存在，可以使用DATA步骤创建数据集，也可以从外部文件导入数据集。
导入数据可使用INFILE 语句指定文件位置，并使用INPUT语句将数据导入到数据集中。
2. 数据操作和处理SAS提供了多种数据操作和处理函数，如排序、合并、拆分等。
常用的函数有SUM、MEAN、COUNT、MAX、MIN等，它们可以对数据集中的变量进行统计和计算。
3. 数据可视化SAS提供了多种可视化方式，用于更直观地展示数据。
可以使用PROC SGPLOT语句进行绘图，如折线图、散点图、柱状图等。
还可以使用PROC TABULATE语句生成数据报表。
四、统计分析SAS强大的统计分析功能是其独特的优势之一。
以下为几种常用的统计分析方法：1. 描述统计分析描述统计分析用于对数据进行概括和描述。
可以使用PROC MEANS进行均值、中位数、标准差等统计指标的计算，使用PROC FREQ进行频数分析。
2. t检验t检验用于比较两组样本均值的差异是否显著。
可以使用PROC TTEST进行t检验分析，根据t值和显著性水平判断差异是否显著。
3. 方差分析方差分析用于比较两个或多个样本均值的差异是否显著。
可以使用PROC ANOVA进行方差分析，根据F值和显著性水平判断差异是否显著。
SPSS聚类分析详解
指标 地区（样品） 1
2
3
456
性能
9 1 10
928
颜色
827
946
式样
728
357
用分类法对6个样品进行分类，以估计哪些地区最有可能经销 这类新产品？
按公式计算两两样品间的相似系数，得相似矩阵
Q (Coij) s(qij)
1
2
3
4
5
6
1 1
2 0.933 1
Q=
3
0.994
2）形成一个由小到大的分析系统。 3）把整个分类系统画成一张分类图
二、聚类统计量
首先定义一些分类统计指标 —— 刻画样或指标之间 的相似程度（这些统计指标称为聚类统计量）
在市场研究中，样品 —— 用作分类的事物
指标 —— 用来作为分类依据的变量。（如： 年龄、收入、销售量）
（一）相似系数（夹角余弦）
0.47
X4
0.93
X2
0.68
X7
X5
-0.94
0.49
X8
主要城市日照时数
注：连续变量
SPSS提供不同类间距 离的测量方法
1、组间连接法 2、组内连接法 3、最近距离法 4、最远距离法 5、重心法 6、中位数法 7、Ward最小偏差平 方和法
观测量概述表
聚类步骤，与图结合看！
4、5
输入格式
55列为城市
15位
输出F及t 统计量
平均法 重心法 最小距离法
输出结果：
新类中的观测值数
观测值之间距离的均方根
类间距离除以 观测值间距离 均方根得来
类数
指出被合并的类
F、t**2峰值(起伏)越大 说明分类显著
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验项目二聚类分析实验目的：通过聚类分析的实验,熟悉聚类分析问题的提出、解决问题的思路、方法和技能，会调用SAS软件聚类分析有关过程命令，根据计算机计算的结果，分析和解决聚类分析问题。
实验原理：解决聚类分析问题的思路、理论和方法。
实验设备：计算机与SAS软件。
实验步骤：调用聚类分析过程命令输入数据得到聚类过程表和聚类图,距离选用欧氏距离,方法选用最短距离法。
实验数据：实验数据：我国西部环境保护的数据一、问题的提出西部大开发是我国在新世纪提出的一项国家发展战略。
基于西部地区特殊的地理位置和生态环境状况，国家在提出西部大开发之初就明确指出，西部开发绝不能以牺牲环境为代价，西部地区生态环境极其脆弱，一经破坏就难以恢复，所以实施西部大开发，环境保护是关键，必须建设一个“山川秀丽的西部”。
近几年国家在保护西部地区的环境上也花了大力气，并取得了良好的效果，但并没有从根本上解决在发展西部过程中环境保护的问题。
西部环境保护现状、特点怎样？本实验就这一问题用聚类分析进行探索并提出一些看法和建议。
指标选取考虑的因素：（1）指标的选择要能尽量反映西部现时的生态环境状况；（2）数据尽量从统计年鉴等规范、权威的刊物中获取。
下面十三个指标和数据符合以上要求。
表1 西部环境保护的原始数据X 1X 2X3X4X5X6X7X8X9X10X11X12X13内蒙古12.14 67.71 78.10 4.23 2.09 1.0446 106 423 3319 7.56 26709 28.5 19.1 广西25.34 4.51 83.20 16.57 1.14 0.553 312 258 3136 6.47 25192.2 46.3 1020.5 重庆7.79 63.23 82.40 43.76 0.60 0.4198 200 245 1793 9.66 26312.6 -38.6 403.5 四川20.37 21.09 70.10 20.71 0.64 0.5223 346 512 5340 13.0 35397.8 0 524.8 贵州14.75 43.05 62.70 5.73 0.96 0.6231 158 263 1930 2.63 16040 -6.1 552 云南24.58 37.52 74.30 9.78 0.78 0.731 225 386 2889 7.06 34661.2 15.3 650 西藏 5.84 9.39 10.00 74.27 0.06 0.0684 28 22 180 33.4 798 7.7 360.2 陕西24.15 67.79 79.90 10.02 0.78 0.6581 341 322 4758 2.89 26589.8 -50.1 103.4 甘肃 4.33 67.01 80.80 7.42 1.08 0.4994 168 248 2444 17.7 20737.1 -28.7 46.7 青海0.35 25.29 46.40 5.18 1.62 0.7036 21 97 683 28.6 3858.2 -7.4 79.7 宁夏 1.54 55.83 62.90 7.96 2.33 0.7655 67 43 629 4.43 29121.8 -2.2 18.3 新疆0.97 64.76 80.30 7.14 1.25 0.4179 85 208 2096 12.8 32008.7 20.4 58.7X1-森林覆盖率（％）；X2-水土流失率(%)；X3-工业废水排放达标率(%)；X4-人均工业废水排放量(万吨/万人)；X5-人均工业废气排放量(亿标立方米/万人)；X6-人均工业固体废物产生量 (万吨/万人)；X7-各地区工业污染治理汇总工业企业数(个)；X8-环保系统机构总数(个)；X9-环保系统人员总数(人)；X10-自然保护区面积占辖区面积比率（%）；X11-污染治理项目本年完成投资（万元）；X12-各地径流深与常年比较（±％）；X13-各地径流深(mm)。
原始数据来自《2002年中国统计年鉴》《2001年中国水资源公报》和《2002中国可持续发展战略报告》。
实验结果、实验分析、结论（有关表图要有序号、中文名、表的上下线为粗线、表的内线为细线、表的左右边不封口、表图不能跨页、表图旁不能留空块；表的序号、中文名在表的上方；图的序号、中文名在图的正下方；引用结论要注明参考文献）：1.给出最短距离法得到的聚类过程表2；表2：最短距离法聚类过程（Cluster History）TMin iNCL --Clusters Joined-- FREQ SPRSQ RSQ ERSQ CCC PSF PST2 Dist e11 OB9 OB12 2 0.0186 .981 . . 5.3 . 2.305210 OB3 CL11 3 0.0358 .946 . . 3.9 1.9 2.52369 OB5 OB6 2 0.0236 .922 . . 4.4 . 2.60038 OB4 CL9 3 0.0465 .875 . . 4.0 2.0 2.61077 OB2 CL8 4 0.0434 .832 . . 4.1 1.2 2.7746 CL7 CL10 7 0.1510 .681 . . 2.6 4.5 2.99255 CL6 OB11 8 0.1041 .577 . . 2.4 2.0 3.05874 CL5 OB8 9 0.0697 .507 . . 2.7 1.2 3.54533 OB1 CL4 10 0.0758 .432 . . 3.4 1.2 3.65592 CL3 OB10 11 0.1319 .300 .431 -1.4 4.3 2.1 3.87911 CL2 OB7 12 0.2996 .000 .000 0.00 . 4.3 5.42312.给出最短距离法聚类图1；图1：最短距离法聚类图3.用有关统计量给出最短距离法分类结果；最短距离法得到的聚类过程表2中，PSF出现峰值4.1所对应的分类数7较合适、PST2出现峰值4.5的前一行所对应的分类数7较合适，故分为7类。
在图1中，取阈值T=2.8，得样品分为七类:第一类：内蒙古；第二类：广西、四川、贵州、云南；第三类：重庆、甘肃、新疆；第四类：宁夏；第五类：陕西；第六类：青海；第七类：西藏。
4.用分类结果和原始数据给出西部最好一类环境保护现状的基本结果。
结合分类结果、原始数据找出西部环境保护的基本情况：表3 七类样品的均值数据1x2x3x4x5x6x7x8x9x10x11x12x13x第一类 第二类 第三类 第四类 第五类 第六类 第七类12.14 21.26 4.3633 1.54 24.15 0.35 5.8467.71 26.5425 65 55.83 67.79 25.29 9.3978.1 72.575 81.167 62.9 79.9 46.4 104.23 13.1975 19.44 7.96 10.025.18 74.272.09 0.88 0.9767 2.33 0.78 1.62 0.061.0446 0.60735 0.4457 0.7655 0.6581 0.7036 0.0684106 260.25 151 67 341 21 28423 354.75 233.666643 322 97 223319 3324 2111 629 4758 683 1807.56 7.29 13.3867 4.43 2.89 28.6 33.426709 27823 26353 29121.8 26589.8 3858.2 79828.5 13.875 -15.633 -2.2 -50.1 -7.4 7.719.1 686.825 169.6333 18.3 103.4 79.7 360.2从表3的数据得出：西部环境保护最好的一类是第七类（即西藏）。
与西部地区的其他省份相比，西藏的水土流失率X 2最小(与其他地区相差2.69-7.2倍)，人均工业废气排放量X 5(与最大废气排放量相差38.8倍）、人均工业固体废物产生量X 6均为最小，自然保护区面积占辖区面积比率X 10最大，各地径流深与常年比较X 12和各地径流深X 13均位于居中位置，说明西藏在控制人为破坏环境的方面做得很好，可是却在工业废水排放达标率X 3做得不够好(只有10%)，人均工业废水排放量X 4却达到最大值74.27万吨/万人。
但由于西藏的地势决定森林覆盖面积不大，本身的环境保护情况基于良好，所以在工业污染治理汇总工业企业数X 7却只有28个(居于倒数第二)，环保系统机构总数X 8和环保系统人员总数X 9均为倒数第一(分别为22个/180人)，故西藏需要增加工业污染治理汇总工业企业、环保系统机构和环保系统人员；在污染治理项目本年完成投资X 11方面是最差的，只有798万元（与其他地区相差4.83-36.49倍），说明西藏在投资污染治理方面还需加强。
实验程序：Data pgm33b; Input x1-x13; cards ;12.14 67.71 78.10 4.23 2.09 1.0446 106 423 3319 7.56 26709 28.5 19.1 25.34 4.51 83.20 16.57 1.14 0.553 312 258 3136 6.47 25192.2 46.3 1020.5 7.79 63.23 82.40 43.76 0.60 0.4198 200 245 1793 9.66 26312.6 -38.6 403.5 20.37 21.09 70.10 20.71 0.64 0.5223 346 512 5340 13.0 35397.8 0 524.8 14.75 43.05 62.70 5.73 0.96 0.6231 158 263 1930 2.63 16040 -6.1 552 24.58 37.52 74.30 9.78 0.78 0.731 225 386 2889 7.06 34661.2 15.3 650 5.84 9.39 10.00 74.27 0.06 0.0684 28 22 180 33.4 7987.7 360.224.15 67.79 79.90 10.02 0.78 0.6581 341 322 4758 2.89 26589.8 -50.1 103.4 4.33 67.01 80.80 7.42 1.08 0.4994 168 248 2444 17.7 20737.1 -28.7 46.7 0.35 25.29 46.40 5.18 1.62 0.7036 21 97 683 28.6 3858.2 -7.4 79.71.54 55.83 62.90 7.96 2.33 0.7655 67 43 629 4.43 29121.8 -2.2 18.3 0.97 64.76 80.30 7.14 1.25 0.4179 85 208 2096 12.8 32008.7 20.4 58.7;Proc cluster standard method=single nonormnosquare ccc pseudo out=tree;Proc tree data=tree horizontal spaces=1; run;Data pgm33b;Input x1-x13;cards;12.14 67.71 78.10 4.23 2.09 1.0446 106 423 3319 7.56 26709 28.5 19.1;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;25.34 4.51 83.20 16.57 1.14 0.553 312 258 3136 6.47 25192.2 46.3 1020.5 20.37 21.09 70.10 20.71 0.64 0.5223 346 512 5340 13.0 35397.8 0 524.8 14.75 43.05 62.70 5.73 0.96 0.6231 158 263 1930 2.63 16040 -6.1 55224.58 37.52 74.30 9.78 0.78 0.731 225 386 2889 7.06 34661.2 15.3 650;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;7.79 63.23 82.40 43.76 0.60 0.4198 200 245 1793 9.66 26312.6 -38.6 403.5 4.33 67.01 80.80 7.42 1.08 0.4994 168 248 2444 17.7 20737.1 -28.7 46.7 0.97 64.76 80.30 7.14 1.25 0.4179 85 208 2096 12.8 32008.7 20.4 58.7 ;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;1.54 55.83 62.90 7.96 2.33 0.7655 67 43 629 4.43 29121.8 -2.2 18.3 ;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;24.15 67.79 79.90 10.02 0.78 0.6581 341 322 4758 2.89 26589.8 -50.1 103.4 ;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;0.35 25.29 46.40 5.18 1.62 0.7036 21 97 683 28.6 3858.2 -7.4 79.7 ;Proc corr cov;run;Data pgm33b;Input x1-x13;cards;5.84 9.39 10.00 74.27 0.06 0.0684 28 22 180 33.4 798 7.7 360.2;Proc corr cov;run;说明:不可改变实验报告项目的具体要求与排版字号，有何不妥之处，欢迎提出意见。