SAS软件与统计应用论文
SAS数据分析与统计
SAS数据分析与统计SAS是一种常用的数据分析与统计软件，被广泛应用于各个领域的数据分析工作中。
它具有强大的数据处理和统计分析能力，能够帮助用户从庞大的数据中获取有价值的信息。
本文将详细介绍SAS的相关特点和应用。
首先，SAS具有强大的数据处理能力。
用户可以通过SAS对数据进行导入、整理和清洗，将各种格式的数据转换为SAS可识别的格式。
此外，SAS还支持对数据集进行合并、拆分和排序等操作，提供了丰富的数据处理函数和方法，方便用户进行复杂的数据处理工作。
其次，SAS拥有多种统计分析方法。
用户可以利用SAS进行描述性统计、推断统计、回归分析、聚类分析、因子分析等各种统计分析工作。
SAS提供了丰富的统计函数和过程，用户可以根据具体的需求选择合适的方法进行数据分析。
此外，SAS还支持高级统计技术，如时间序列分析、生存分析、多元分析等，满足不同领域的数据分析需求。
此外，SAS还具有数据可视化功能。
用户可以利用SAS进行数据可视化，通过绘制图表、制作报表等方式直观地展示数据分析结果。
SAS提供了丰富的统计图表类型，如柱状图、折线图、散点图等，用户可以根据数据类型和目的选择合适的图表类型进行数据可视化。
另外，SAS还有自动化分析和报告生成功能。
用户可以通过编写SAS语言进行数据分析和处理的自动化，提高数据处理效率和准确性。
SAS还支持批处理模式，用户可以将多个SAS任务整合为一个批处理程序，实现自动化执行和报告生成。
在实际应用中，SAS被广泛应用于各个领域的数据分析与统计工作。
例如，在金融领域，SAS被用于风险管理、信用评估、投资组合分析等工作；在医疗领域，SAS被用于临床试验数据分析、医疗成本分析等工作；在市场调研领域，SAS被用于数据挖掘、市场预测、客户分析等工作；在制造业领域，SAS被用于质量控制、生产优化、供应链管理等工作。
总之，SAS作为一种全面、灵活和高效的数据分析与统计工具，为各个领域的用户提供了强有力的支持。
SAS课程论文
SAS课程论文城乡居民医疗保健消费支出分析城乡居民医疗保健消费支出分析摘要：医疗保健消费支出在居民消费支出中占有重要地位，在一定程度上反映着国家医疗制度与居民生活水平的情况。
分析历年城乡居民医疗保健消费支出具有一定的现实意义。
本文用SAS软件，对1996—2009年的统计数据进行各种分析。
其中包括，城乡居民医疗保健消费支出发展趋势，以及城乡差异显著性分析。
关键词：医疗保健消费支出城乡居民一、引言改革开放以来，我国进入了高速发展阶段，人民生活水平有了很大提高。
与此同时，城乡医疗保健消费支出的发展趋势是怎样的？城镇与农村居民在医疗保健上的支出到底有着怎样的差距？带着这些问题，本文进行了下文的分析。
二、数据的选取和录入本文选取数据为1996—2009年全国城镇和农村家庭人均每年的医疗保健消费支出，数据均来源于国家统计局网站的统计年鉴。
在SAS中录入数据如下：data payment;input year urban rural@@;cards;1996 143.28 58.261997 179.68 62.451998 205.16 68.131999 245.59 70.022000 318.07 87.572001 343.28 96.612002 430.08 103.942003 475.98 115.752004 528.15 130.562005 600.85 106.452006 620.54 191.512007 699.09 210.242008 786.2 245.972009 856.41 287.54;run;proc print ;run;运行后得到结果：三、数据分析（一）画出时间数列图为了看清楚城乡家庭人均医疗保健消费支出逐年的发展趋势，有必要画出时间数列图进行分析。
城乡家庭人均医疗保健消费支出时间序列图其中，细线为城镇的时间序列，粗线为农村的时间数列。
从上图可以看出，从1996年到2009年，城乡人均医疗保健消费支出总体都呈现出增长趋势，但是城镇增长速度大于农村。
SAS论文 统计分析与应用 sas统计分析
SAS统计分析与应用学号：xxxxxxxx班级：xxx姓名：xxx第一早第——早：摘要，”，”，”2.1 研究目的”，””2.2采用方法,,,,,,,2.3理论知识.,,,,,,,第三章第四章第五早第六章第七章数据预处理及具体模型,,,,,,,3.1建立的数据集3.2主要程序.，,,计算结果及分析,,,,,,,,4.1使用INSIGHT模块做主成分分析的步骤，,,,,,,4.2主成分的结果分析总结分析””,，”,参考文献,,,,,,,,,附录,,,,,,,,,,SAS系统是世界公认的权威性统计软件之一，是一个大型集成信息分析管理系统。
本次论文是用SAS系统对2007各地区农村居民家庭平均每人现金现金支出状况进行分析采用的数据是北京、天津等省农村居民家庭平均每人现金现金支出状（原始数据见附录）。
选出31省的情况作为统计分析数据，其中分析的项目为：期内现金支出、生产费用支出、家庭经营费用支出、农业生产支出、牧业生产支出、购买生产性固定资产支出、税费支出、生活消费现金支出、财产性支出、转移性支出，次用变量XI、X2、X3、X4、X5、X6、X7、X8、X9、X10。
运用SAS软件，运用主成分分析的方法对数据进行处理：（一）对于所选取的统计数据用MEANS过程进行简单描述统计分析，得出数据平均值、数据标准（二）对于所选取的统计数据用 INSIGHT模块做主成分分析计算协方差矩阵的特征值或是计算相关系数矩阵的特征值（Eigenvalue ）、简单统计量、相关系数矩阵、相关系数矩阵的特征值以及相关系数矩阵的特征向量。
系统默认计算相关系数矩阵的特征值和特征向量。
（三）由相关系数矩阵的两个最大特征值的特征向量，可以写出第一、第二主成分以及第三主成分的得分。
从以上结论分析可以知道影响各地区地区农村居民家庭平均每人现金支出的主要因素，从、可以更好的帮助国家调节国民经济和产业结构，使人民的生活更加富裕。
关键字：主成分分析、简单统计量、相关系数矩阵、相关系数矩阵的特征值及特征向量。
SAS统计分析及应用
INFILE ‘文件名’ 选项;
SET语句
功能 CARDS与DATALINES功能相
同，均用于标志数据块的 开始
从外部文件中读入数据块
将所读入的数据存放在缓存 中，也可用OUTPUT语句 强制输出一条新记录
对数据集中的数据进行编辑， 也可将指定数据集的内容 复制到新建数据集中
五、SAS程序的过程步
SAS数据集等价于关系数据库系统中的一个表， 实际上一个SAS数据集有时也称作一个表。 在数据库术语中一个观测称作一个记录，一 个变量称作一个域。
在C0401数据集中：
有 5个观测，分别代表5个学生的情况， 每个学生有5个数据，
分别为姓名、性别、数学成绩、语文成绩、平均分 此数据集有5个变量， 变量名依次为NAME、SEX、MATH、CHINESE和AVG
功能 将数据集按指定变量排序 将数据集中数据列表输出 绘统计图 对指定的数值变量作详细的统计描述 对指定的数值变量作简单的统计描述 对指定的分类变量作统计描述和检验 非参数检验 进行t检验 进行方差分析 拟合一般线性模型 拟合线性回归模型 进行相关分析 拟合Logistic回归模型 拟合cox比例风险模型
SAS程序的书写规则与程序注释 SAS对程序的书写格式比较灵活，大小写一般不区 分（字符串中要区分大小写），
SAS程序与其它编程语言相似，采用缩进格式，使得 源程序结构清楚，容易读懂。
SAS程序的程序注释有以下两种格式： 注释语句：以星号“*”开始，可占多行，以分号 “;”结束。～ 注释段落：用“/*”和“*/”包括起来的任何字符，可 占多行。
SAS有三个最重要的子窗口： 程序窗口（PROGRAM EDITOR） 运行记录窗口（LOG） 输出窗口（OUTPUT）。
sas论文
sas论文
SAS（Statistical Analysis System）是一个全面的数据分析工具，广泛应用于统计分析、数据挖掘、预测建模、操作研究和商业智能等领域。
SAS论文可以涵盖各种主题，例如：
1. 统计分析：使用SAS进行概述统计、假设检验、方差分析、回归分析、多元分析等统计方法的应用研究。
2. 数据挖掘：使用SAS进行数据清洗、数据预处理、特征选择、模式发现、聚类分析、预测建模等数据挖掘任务的实践研究。
3. 预测建模：利用SAS进行时间序列分析、回归模型、决策树、神经网络、支持向量机等方法对未知数据进行预测和建模的研究。
4. 操作研究：使用SAS进行线性规划、整数规划、动态规划、决策优化等操作研究问题的建模和求解方法的研究。
5. 商业智能：应用SAS的商业智能工具和技术进行数据分析、报表生成、数据可视化等内容的研究与应用。
在撰写SAS论文时，可以包括SAS代码的使用和结果的解释，还可以进行实证分析和案例研究，展示SAS在实际问题中的
应用和效果。
此外，学术研究中的SAS论文还应包含相关理论基础、研究
方法的选择和质量保证等方面的论述，以确保研究的科学性和可靠性。
总之，SAS论文可以围绕统计分析、数据挖掘、预测建模、操作研究和商业智能等领域展开，融合SAS工具的使用和相关理论的研究，为学术界和实践领域提供有价值的研究成果。
SAS_QC在统计质量管理中的功能与应用
２、判 断 是 否 控 制 界 限 和 存 在 趋 势
从和 Ｒ 控制图可以看出， 此过程是处于受控状态， 因为
该钢棒直径都控制在上下控制线之间， 因此无需进行修改
控制界限。从控制图上可以看出它们在中心线周围， 上下控
制线之间呈旋螺式运动， 即不存在趋势。
３、制 作 控 制 用 控 制 图
第一步， 先 ｓａｖｉｎｇ ｃｏｎｔｒｏｎｌ ｌｉｍｉｔｓ
ｐｒｏｃ ｐｒｉｎｔ ｄａｔａ＝ｂａｎｇｓ ｎｏｏｂｓ；
ｒｕｎ；
ｔｉｔｌｅ ＇Ｍｅａｎ ａｎｄ Ｒａｎｇｅ Ｃｈａｒｔ ｆｏｒ Ｄｉａｍｅｔｅｒｓ＇；
ｓｙｍｂｏｌ ｖ＝ｄｏｔ；
ｐｒｏｃ ｓｈｅｗｈａｒｔ ｄａｔａ＝ｗａｆｅｒｓ ｇｒａｐｈｉｃｓ；
ｘｒｃｈａｒｔ ｄｉａｍｔｒ＊ｂａｔｃｈ；
ｒｕｎ；
由于篇幅限制对 ４０ 个子群体的和 Ｒ 控制图略。
一、产品数据的性能分析 对 产 品 数 据 的 性 能 分 析 ， ＳＡＳ 系 统 是 通 过 调 用 过 程 ＣＡＰＡＢＩＬＩＴＹ 实现的。过程 ＣＡＰＡＢＩＬＩＴＹ 提供了对产品数据
性能分析的多种统计和图形功能。 １、过程 ＣＡＰＡＢＩＬＩＴＹ 提供概括描述变量特性的各种常
用 统 计 量Βιβλιοθήκη （ 矩 统 计 量 、次 序 统 计 量 、分 位 点 等 ） ； 反 映 工 序 过
２、过 程 ＣＡＰＡＢＩＬＩＴＹ 提 供 很 强 的 利 用 图 形 表 现 数 据 分 布 的 功 能 ， 提 供 统 计 中 表 现 数 据 分 布 最 常 用 的 图 形— ——直 方图的制作， 提供了显示对分析数据拟合多种分布的功能， 如 正 态 分 布 密 度 曲 线 图 、对 数 正 态 分 布 、指 数 分 布 、威 布 尔 分 布 、咖 玛 分 布 、贝 塔 分 布 密 度 曲 线 ； 显 示 数 据 的 经 验 分 布 和拟合的累积分布曲线； 还提供灵活的选择图形色彩的功 能 ， 自 定 义 其 图 形 坐 标 轴 、图 例 、标 题 、脚 注 、注 释 、颜 色 、字 体、符号标记等， 以加强图象的效果。
SAS软件在生物统计上的应用
F
Value
Prob>F 0.0001
3.61688 24.184 0.14956
14 2.09381
C Total 17 12.94444 Root MSE（均方根误差） 0.38673 R-square 0.8382
Dep Mean （因变量均值） 1.94444
C.V. 19.88884 Parameter Estimates
Adj R-sq
0.8036
Parameter Standard T for H0： Variable DF Estimate Error Parameter=0 INTERCEP 1 0.036598 0.26296650 Prob>|T| 0.139 0.8913
X１ 1
X2 X3 1 1
11. 1
6.5
15. 3
17. 7
5.9
10. 6
8.3
6.0
8.5
10. 1
3.5
1 直线回归分析（Linear Regression）
首先在PROGRAM EDITOR 窗口中输入如下信息： data linear； input x y @@; cards; 77 8.8 64 7.9 62 8.9 72 7.7 71 8.6 83 8.1 79 9.1 94 5.6 104 8.5 96 7.6 61 4.9 90 8.1 81 12 122 15.7 65 11.9 130 11.1 111 6.5 160 15.3
例如 国营大岭农村橡胶树大型系比二组无性系，1960年刺检干胶量（毫克）与1965年正式割胶 产量（克）如下，试求正式割胶量回归于刺检干胶量的回归方程。
SAS期末论文
摘要：本文回归分析SAS运用SAS软件对GDP的4个影响因素进行多元统计分析，首先对于数据进行编程录入，录入后对GDP进行单变量进行必要的分析，并对于数据进行正态性检验，然后对于5组变量进行多元分析，并对于方程和系数进行F检验和T检验，并建立回归模型，对GDP影响因素的贡献做出正确的分析。
关键字：国内生产总值固定资产投资引言：从1978年改革开放到2007年，中国经济经历了一个增长的“神话”30年来，我国的GDP年均增长率达到9.8%。
即使以再挑剔的眼光来看，这也是一个了不起的成就，那么接下来的一个问题就是：在过去的30年中，是什么原因使中国能保持如此高速的增长？是固定资产投资，第三产业增加值，人均GDP，工业总产值的增加？如果这些个因素都起到了一定的作用，那么它们的作用有多大？除此之外，我国的高速增长能否继续下去以及如何更好地促进我国的国的长期经济增长也都是值得关注的问题。
因此，对中国经济增长因素的分析，无论在理论上还是实证上，都有着重要的意义。
在影响经济增长的各种因素中，固定资产投资一般会受到特别的关注。
随着我国经济的不断发展以及改革开放的深入，研究经济的发展状况及分析经济发展的各个因素，成为决策部门的一个重要课题。
影响我国各地区经济发展的因素有很多，而如何定量化地分析和揭示影响各地区社会经济发展的主要因素及潜在综合因素的影响，是制定切实可行的缩小差距、促进地区经济协调发展的对策的重要基础之一。
理论综述：决定GDP的因素主要有固定资产投资，工业总产值，第三产业增加值等等因素，本文通过对几大因素的回归分析，从而体现出哪几个因素对于GDP 增长起着重要的作用，而哪几个因素是必不可少的，而哪些个因素是要剔除的。
（一）数据选取：本文选取数据为90年到08年的国内生产总值、人均GDP、第三产业增加值、固定资产投资和工业总产值，数据均来源于国家统计局网站中国统计年鉴2009（二）数据录入：首先运行SAS软件并在编辑器内编辑如下内容，使得国内生产总值为因变量，而人均GDP、第三产业增加值、固定资产投资和工业总产值为自变量。
- 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)。
摘要本学期通过对《SAS软件与统计应用》这门课的学习，让我知道SAS系统是一个大型的应用软件系统，具有完备的数据访问、管理、分析、呈现，以及应用开发功能。
这篇文章运用主成分分析综合评价方法，对1999年我国西部地区教育人力资源发展水平进行处理和分析，采用的是西藏，新疆等西部省份教育人力资源发展水平（原始数据见附录）。
选出14个省的情况作为统计分析数据，其中分析的项目为：每百万人口学校数；每十万人口毕业生数；每十万人口招生数；每十万人口在校生数；每十万人口研究生数；每十万人口教职工数；每十万人口专职教师数；高级教师占专职教师的比例；每所学校在校生数；生师比。
依次用A1，A2，A3，A4，A5，A6，A7，A8，A9，A10表示。
用“分析家”作主成分分析，并且对数据进行如下处理：第一：对于所选取的统计数据进行简单描述统计分析，得出数据的平均值、数据标准差，最大值，最小值等。
第二：对于所选取的统计数据用”analyst”作主成分分析计算相关系数矩阵的特征值、上下特征值之差、各主成分的方差贡献率、以及累积贡献率。
第三：由相关系数矩阵的两个最大特征值的特征向量，可以写出第一、第二主成分的得分。
第四：在“insight”里面绘制了散点图。
由图可知，在散点图越靠向右上角的地区，教育人力资源发展水平越高，越靠向左上角的地区，教育人力资源发展水平越低。
从以上结论分析可以知道影响各省份教育人力资源发展水平的主要因素，从而可以更好地帮助国家调整教育人力资源结构，更好地发展我国西部教育事业。
关键字：analyst 主成分分析教育人力资源发展 MEANS过程目录第一章基本介绍 (3)1.1 研究目的 (3)1.2 采用方法 (3)1.3 理论知识 (3)第二章数据预处理 (3)第三章具体模型 (4)3.1 建立数据集 (4)3.2 具体模型（程序） (4)运行结果及分析 (5)4.1 使用“分析家”做主成分分析的步骤 (5)4.2 主成分的结果分析 (7)参考文献 (11)附录 (13)第一章基本介绍1.1 研究目的通过SAS软件分析，对1999年我国西部地区教育人力资源发展水平有一个大致了解。
随着国家教育方针的调整，西部各地区为了促进本地区的教育发展，分别采取了各种措施，教育方面的发展有了显著地成就。
本文通过SAS软件分析，对1999年我国西部地区教育人力资源发展水平有一个大致了解，从而可以更好地帮助国家调整（优化）教育人力资源结构，使人民的受教育水平更加优越。
1.2 采用方法（1）描述性统计量：means。
（2）检验：使用analyst模块进行主成分分析。
1.3 理论知识Means过程（均值过程）：用于对数据型变量产生针对单个变量的简单描述性统计。
proc means过程时，会对所有数值型变量进行操作，得到各变量的非缺失观测数N，均值MEAN，标准差STD DEV，最大值Max和最小值Min五种统计值，但means过程可以计算16种统计量。
主成分分析：是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
主成分分析是数学上对数据降维的一种方法。
其基本思想是设法将原来众多的具有一定相关性的指标（比如p个指标），重新组合成一组新的互不相关的综合指标来代替原来指标。
通常数学上的处理就是将原来p个指标作线性组合，作为新的综合指标。
在所有的线性组合中所选取的F1应该是方差最大的，故称F1为第一主成分。
如果第一主成分不足以代表原来p个指标的信息，再考虑选取F2即选第二个线性组合。
为了有效地反映原有信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1，F2)＝0。
称F2为第二主成分，依此类推可以构造出第三、第四、…、第p个主成分。
第二章数据预处理对数据较少的程序，可以用DATA步建立永久的SAS集。
永久的SAS集，由定义逻辑库与定义数据集两步完成。
逻辑库定义通过LIBNAME语句完成，数据集定义用DATA 语句实现。
指定逻辑库的命令语句为全程语句，其格式如下：LIBNAME <逻辑库名> "<路径>"；指定要建立数据集的命令语句格式如下：DATA <逻辑库名>.<数据集名>；LIBNAME语句把磁盘中的子目录与用户定义的逻辑库名连接起来。
用此方法根据已知的数据就可以建立生成以下的数据集。
第三章具体模型3.1 建立数据集2012年11月19日星期一下午12时19分55秒 5 Obs region A1 A2 A3 A4 A5 A6 A7 A8 A9 A101 海南0.66 49 64 191 12.0 47 19 0.33 2914 10.1602 广西0.62 41 69 192 34.0 40 18 0.33 3113 10.4503 山西0.72 61 118 193 60.0 74 30 0.33 4092 10.1704 内蒙古0.80 46 77 211 53.0 71 32 0.36 2617 7.4305 四川0.75 66 112 314 164.0 77 32 0.39 4199 10.1006 重庆0.50 41 77 211 120.0 53 21 0.37 4192 10.1007 贵州0.54 28 67 152 21.0 35 16 0.33 2823 8.9508 云南0.57 38 66 176 49.0 44 20 0.38 3079 83619 西藏 1.56 42 65 157 3.9 68 30 0.14 1005 5.10010 陕西 1.19 100 188 496 398.0 140 55 0.36 4173 9.90011 甘肃0.71 55 90 246 113.0 65 27 0.31 3480 9.23012 青海 1.18 49 68 183 17.0 68 34 0.20 1558 5.32013 宁夏0.92 49 83 242 25.0 73 33 0.33 2624 7.52014 新疆0.96 66 110 305 51.0 96 42 0.30 3180 7.2303.2 具体模型（程序）Data work.data1;input region $1-10 A1 A2 A3 A4 A5 A6 A7 A8 A9 A10;cards;海南0.66 49 64 191 12 47 19 0.33 2914 10.16 广西0.62 41 69 192 34 40 18 0.33 3113 10.45 山西0.72 61 118 193 60 74 30 0.33 4092 10.17 内蒙古0.8 46 77 211 53 71 32 0.36 2617 7.43 四川0.75 66 112 314 164 77 32 0.39 4199 10.1 重庆0.5 41 77 211 120 53 21 0.37 4192 10.1 贵州0.54 28 67 152 21 35 16 0.33 2823 8.95 云南0.57 38 66 176 49 44 20 0.38 3079 8361 西藏 1.56 42 65 157 3.9 68 30 0.14 1005 5.1陕西 1.19 100 188 496 398 140 55 0.36 4173 9.9甘肃0.71 55 90 246 113 65 27 0.31 3480 9.23 青海 1.18 49 68 183 17 68 34 0.2 1558 5.32 宁夏0.92 49 83 242 25 73 33 0.33 2624 7.52 新疆0.96 66 110 305 51 96 42 0.3 3180 7.23 ;run;proc print;run;第四章运行结果及分析4.1 使用“分析家”做主成分分析的步骤1) 在“分析家”中打开数据集work.data1；2) 选择菜单“Statistics（统计）” “Multivariate（多元分析）” “Principal Components（主成分分析）”，打开“Principal Components”对话框；3) 在对话框中输入主成分分析的变量，如图4-1；图4-14) 单击“Statistics（统计）”按钮，打开“Principal Components：Statistics”对话框；在“# of components：”右边的框中指定主成分的个数10，如图4-2，单击“OK”返回；图4-25) 单击“Save Data”按钮，打开“Principal Components：Save Data”对话框，在该对话框中可选择存储数据。
选中“Create and save scores data”，如图4-3所示。
单击“OK”返回；图4-36) 单击“Plots”按钮，打开“Principal Components：Plots”对话框，可以设置图形输出。
在“Scree Plot (碎石图)”选项卡中（图4-4），选中“Create scree plot(建立碎石图)”复选框。
在“Component Plot (成分图)”选项卡中（图4-5），选中“Create component Plot(建立成分图)”复选框。
图4-4图4-54.2 主成分的结果分析输出的数字分析结果包括4个部分：简单统计量、相关系数矩阵、相关系数矩阵的特征值以及相关系数矩阵的特征向量。
1) 图4-6给出变量的简单统计量，图中显示10项指标中A9（每所学校在校生数）、A5（每十万人口研究生数）、A4（每十万人口在校生数）是最为重要的，其标准差远远高出其他变量图4-62) 图4-7可得：A2（每十万人口毕业生数）与A3（每十万人口招生数）、A4（每十万人口在校生数）、A6（每十万人口教职工数）；A7（每十万人口专职教师数）与A6（每十万人口教职工数与）；A4（每十万人口在校生数）与A3（每十万人口招生数）、A5（每十万人口研究生数）有较强的相关性。
图4-73) 图4-8给出相关系数矩阵的特征值（Eigenvalues）、上下特征值之差（Difference）、各主成分的方差贡献率（proportion）以及累积贡献率（Cumulative）图4-8相关系数矩阵的特征值即各主成分的方差，可以看出，第一主成分的方差贡献率为58.54%，第二主成分的方差贡献率为34.40%，第三主成分的方差贡献率为3.05%。
说明第一、二主成分方差贡献率已经达到85%以上，可以很好地概括这组数据。