SAS的t检验(正式)

4
选项列表
• vardef=df/weight/wgt/n/wdf——在方 差计算中规定除数d.。 • descending——规定输出数据集按_type_ 值下降的次序（缺省时为上升）。 • order=freq/data/internal/formatted/ ——规定输出时class变量按所指定方式排 序。 • alpha=数字——设置计算置信区间的置信 水平 ， 值在0与1之间。
7
其它语句
• • • • • • var语句——分析的连续型变量。 by语句——分组变量,须事先排序。 class语句——分组变量，无须事先排序。 freq语句——指定频数。 weight语句——指定权重。 id语句——在输出数据集中增加一个或几个 附加变量，目的在于识别输出数据集里的 观测。其值为生成这个观测的输入数据集 中相应观测组里id变量具有的最大值。 8
15
单样本t检验的基础理论
• 单样本t检验实际上是推断该样本来自的总 体均数µ与已知的某一总体均数µ0（常为 理论值或标准值） 有无差别。其检验统计 量按下式计算
X X X 0 t , n 1 SX S/ n S/ n
16
例题
• 某医生测量了36名从事铅作业男性工人的 血红蛋白含量，算得其均数为130.83g/L ，标准差为25.74g/L。问从事铅作业工人 的血红蛋白是否不同于正常成年男性平均 值140g/L？
SAS应用
t检验
蒋红卫
Email: JHWCCC@
华中科技大学公卫学院 流行病与卫生统计系
学习目标
• 掌握基本SAS过程的调用 • 掌握单样本、配对设计资料、两独立样本t 检验的基础理论及其SAS分析程序；
2
概述
• SAS系统的BASE软件提供了一些计算基础 统计量的过程，如：means过程、 univariate过程、ttest过程。 • 这些过程可完成单变量或多变量的描述统 计量计算。 • 它们也可完成各种t检验。
统计量名称
mode t prt q3 q1 qrange p1 p5 p10 p90 p95 p99 msign probm signrank probs normal probn
含义 众数，出现频数最高的数 总体均值等于0的t统计量 t分布的双尾p值 上四分位数（75%） 下四分位数（75%） 上下四分位数差（q3-q1） 1%分位数 5%分位数 10%分位数 90%分位数 95%分位数 99%分位数 符号统计量 大于符号秩统计量的绝对值概率 符号秩统计量 大于中心符号秩统计量的绝对值 p 检验正态性的统计量 11 检验正态分布假设的概率值
13
TTEST过程
• 对于配对设计定量数据，我们可以采用TTEST过 程进行统计分析。TTEST过程功能是对两组数据 的均数进行差别比较的t检验，它的一般格式如下 ： • proc ttest data= <options>; class 变量名称（分组变量）; paired variables; var 变量名称（待分析的数值变量）; by 变量名称（分组变量）; run;
5
统计量关键字
统计量名称 含义 未丢失的观测个数 n 丢失的观测个数 nmiss 算术平均 mean 均值的标准误差 stderr 加权和 sum 标准偏差 std 方差 var 变异系数的百分数 cv 加权平方和 uss 关于均值偏差的加权 css 平方和 对称性的度量——偏 skewness 度 对尾部陡平的度量— kurtosis —峰度 统计量名称 含义 众数，出现频数最高的数 mode 权数和 sumwgt 最大值 max 最小值 min 极差，max—min range 中间值 median 总体均值等于0的t统计量 T t分布的双尾p值 Prt 置信度上限和下限 Clm
t X1 X 2 1 1 S ( ) n1 n 2
2 c

X1 X 2
2 2 2 2 X ( X ) / n X ( X ) 1 1 2 2 / n2 1
பைடு நூலகம்
n1 n 2 2
1 1 ( ) n1 n 2

X1 X 2
2 ( n1 1) S12 ( n 2 1) S 2 1 1 ( ) n1 n 2 2 n1 n 2
选项列表
• vardef=df/weight/wgt/n/wdf——在方 差计算中规定除数d.。 • normal——要求计算关于输入数据服从正 态分布的假设的检验统计量。 • plot——要求生成一个茎叶图、一个盒型图 和一个正态概率图。 • pctldef=1/2/3/4/5——规定计算百分位 的五种方法, 缺省值为5。
output语句中的选项
• <out=输出数据集名>——输出数据集名。 • 统计量关键字=变量名列表——规定在输出 数据集中要包含的统计量并规定这些统计 量在新数据集中的变量名。 • means过程对output语句的次数没有限制 ，可以使用几个output语句来创建内容不 同的多个数据集。
12
其它语句
29
例题
• 提出检验假设H0与备择假设H1： H0：μ1=μ2，阿卡波糖胶囊组与拜唐苹胶囊组空 腹血糖下降值的总体均数相等； H1：μ1≠μ2，阿卡波糖胶囊组与拜唐苹胶囊组 空腹血糖下降值的总体均数不相等； • 定显著性水准α，并查出临界t值。现令α=0.05， • 计算检验统计量t： • 实验组空腹血糖下降值均数=2.065 mmol/L， 标准差S1=3.0601 mmol/L；对照组空腹血糖下 降值均数=2.625 mmol/L，标准差 S2=2.4205mmol/L；。
Lclm Uclm
置信度下限 置信度上限
6
output语句中的选项
• <out=输出数据集名>——输出数据集名。 • 统计量关键字=变量名列表——规定在输出 数据集中要包含的统计量并规定这些统计 量在新数据集中的变量名。 • means过程对output语句的次数没有限制 ，可以使用几个output语句来创建内容不 同的多个数据集。
24
两独立样本t检验的基础理论
• 两样本t检验又称成组t检验，适用于完全随 机设计两样本均数的比较，人们所关心的 是两样本均数所代表的两总体均数是否不 等。两组完全随机设计是将受试对象完全 随机分配到两个不同的处理组。 • 当两样本含量较小，且均来自正态总体时 ，要根据两总体方差是否不同而采用不同 的检验方法。
3
MEANS过程
• MEANS过程功能是对计量数据进行统计描述与 单样本或配对设计资料的t检验，它的一般格式如 下：
proc means 输入数据集名 <选项列表> ; var 变量列表 ; class 变量列表 ; by 变量列表 ; freq 变量 ; weight 变量 ; id 变量列表 ; output <out=输出数据集名> <统计量关键字= 变量名 列表> ; run ;
例题
• 计算检验统计量t：
( d ) d n Sd n1
2
2
d 0 t Sd / n v n1
22
SAS程序
• PROC MEANS • PROC UNIVARIATE • PROC TTEST
23
两独立样本的t检验
• 在日常工作中，我们经常要比较某两组计量资料 的均数间有无显著差别，如研究不同疗法的降压 效果或两种不同制剂对杀灭鼠体内钩虫的效果（ 条数）等。这时假若事先难以找到年龄、性别等 条件完全一样的人（或动物）作配对比较，那么 不能求每对的差数只能先算出各组的均数，然后 进行比较。两组例数可以相等也可稍有出入。检 验的方法同样是先假定两组相应的总体均数相等 ，看两组均数实际相差与此假设是否靠近，近则 把相差看成抽样误差表现，远到一定界限则认为 由抽样误差造成这样大的相差的可能性实在太小 ，拒绝假设而接受H1，作出两总体不相等的结论 。
27
近似t检验
• Cochran & Cox的检验统计量为t′，因 t′分布较复杂，故常利用t分布计算其近似 临界值。
t X1 X 2
2 S12 S 2 n1 n2
, v1 n1 1, v 2 n2 1
• Satterthwaite法 • Welch法
28
例题
• 为了研究新药阿卡波糖胶囊的降血糖效果 ，某医院用40名Ⅱ型糖尿病病人进行同期 随机对照试验。实验者将这些病人随机等 分到实验组（阿卡波糖胶囊）和对照组（ 拜唐苹胶囊），分别测得试验开始前和8周 后的空腹血糖，算得空腹血糖下降值，能 否认为该新药阿卡波糖胶囊与拜唐苹胶囊 对空腹血糖的降糖效果不同？
UNIVARIATE过程
• UNIVARIATE过程功能是对计量数据进行更为详 细的统计描述、少量统计图、正态性检验与单样 本或配对设计资料的t检验，它的一般格式如下：
proc univariate 输入数据集名 <选项列表> ;
var 变量列表 ; by 变量列表 ; freq 变量 ; weight 变量 ; id 变量列表 ; output <out=输出数据集名> <统计量关键字=变量名列 表> <pctlpts=百分位数 pctlpre=变量前缀名 pctlname=变量后缀名>; 9 run;
d d d 0 d t , n 1 Sd Sd / n Sd / n
20
例题
两种方法对乳酸饮料中脂肪含量的测定结果(%)
编号 (1) 1 2 3 4 5 6 7 8 9 10 哥特里－罗紫法 (2) 0.840 0.591 0.674 0.632 0.687 0.978 0.750 0.730 1.200 0.870 脂肪酸水解法 (3) 0.580 0.509 0.500 0.316 0.337 0.517 0.454 0.512 0.997 0.506 差值d (4)=(2)(3) 0.260 0.082 0.174 0.316 0.350 0.461 0.296 0.218 0.203 0.364 21 2.724