基于SAS的属性数据分析PDF电子书下载

第1章 类别变量与属性数据 1

1.1 属性数据简介 1

1.2 属性数据表示形式 1

1.3 SAS指定类别变量水平顺序的方法 4

1.4 SAS的属性数据分析过程 6

习题1 7

第2章 列联表分析 8

2.1 一维表分析 8

2.1.1 输出一维表 8

2.1.2 比例检验 9

2.2 2×2列联表 13

2.2.1 2×2表的比例差 14

2.2.2 相对风险和优势比 14

2.3 二维列联表（r×s表）及其相关性分析 18

2.3.1 名义类别变量的相关性分析 18

2.3.2 2×2表的Fisher精确检验 22

2.3.3 有序类别变量的相关性分析 27

2.4 高维列联表相关性分析 33

2.4.1 条件关联分析 33

2.4.2 边缘关联分析 36

2.4.3 辛普森悖论的概率 37

2.4.4 多重关联的CMH检验 39

2.5 二维列联表的一致性分析 41

2.5.1 简单卡帕系数 42

2.5.2 加权卡帕系数 44

2.6 列联表的对称性检验 48

习题2 51

第3章 logistic回归——类别变量的广义线性回归模型（上） 54

3.1 二值logistic回归 54

3.1.1 二值logistic回归模型简介 55

3.1.2 SAS的logistic过程简介 57

3.1.3 事件数—试验数简便输入 61

3.1.4 含有类别自变量的二值logistic回归 63

3.1.5 自变量无序的logistic回归 65

3.1.6 含有有序类别自变量的二值logistic回归 66

3.1.7 模型选择 68

3.1.8 含有交互效应的logistic回归 71

3.1.9 通过模型选择作多项式logistic回归 72

3.2 多值logistic回归 73

3.2.1 多值名义logistic回归：基线—类别logit回归 73

3.2.2 多值顺序logistic回归 77

3.3 条件logistic回归 85

3.3.1 用exact语句作条件logistic回归 86

3.3.2 用strata语句作条件logistic回归 88

3.4 probit回归和补log-log模型 90

3.4.1 补log-log模型 90

3.4.2 累积probit回归 92

习题3 93

第4章 一般广义线性回归模型——类别变量的广义线性回归模型（下） 96

4.1 广义线性模型及genmod过程 96

4.1.1 广义线性模型简介 96

4.1.2 SAS的genmod过程简介 98

4.1.3 目前SAS的genmod过程使用的分布 99

4.1.4 目前SAS的genmod过程使用的链接函数 101

4.1.5 拟合优度检验与模型选择 102

4.1.6 GLM模型链接函数的选择 106

4.1.7 GLM的优势 109

4.2 二项分布的广义线性模型 109

4.2.1 二项分布的线性模型 109

4.2.2 二项分布的logistic模型 109

4.2.3 二项分布的probit模型 112

4.2.4 有序响应的累积logistic回归 114

4.3 泊松分布的广义线性模型 120

4.3.1 泊松分布的线性回归模型 120

4.3.2 泊松分布的对数线性回归模型 122

4.3.3 “过度分散”数据的对数线性回归模型 123

4.3.4 比率数据的对数线性回归模型 126

4.4 列联表的对数线性模型 128

4.4.1 对数线性模型用于列联表计算 129

4.4.2 对数线性模型用于关联性分析 134

4.5 配对数据的分析模型 144

4.5.1 拟独立性模型在一致性分析中的应用 144

4.5.2 配对数据边缘分布的齐性检验 151

4.5.3 配对数据的对称性检验 158

习题4 173

第5章 对应分析 177

5.1 简单对应分析 177

5.2 多重对应分析 182

习题5 187

第6章 重复测量模型和多层数据GLMM模型 188

6.1 重复测量边缘模型 189

6.1.1 重复测量边缘模型和GEE方法 189

6.1.2 二分响应边缘logit模型 191

6.1.3 续存检验和交叉设计 206

6.1.4 多项响应重复测量模型 212

6.1.5 计数数据的重复测量模型 216

6.1.6 缺失数据的重复测量模型 223

6.2 重复测量模型的广义线性混合模型（条件模型的特例） 226

6.2.1 广义线性混合模型和nlmixed过程简介 227

6.2.2 二分响应logistic—正态模型 231

6.2.3 多项响应GLMM模型 245

6.2.4 计数数据的GLMM模型 265

6.2.5 缺失数据的GLMM模型 269

6.2.6 多个随机效应的GLMM模型 270

6.2.7 边缘模型与GLMM模型的比较 276

6.3 多层数据的GLMM模型 276

6.3.1 没有第一层解释变量的两层GLMM模型 279

6.3.2 没有第二层解释变量的GLMM模型 295

习题6 309

参考文献 317