一、Proc summary 过程
  可以从此过程中，我们可以简单的看到一些变量的统计值（默认是最大值，最小值，个数标准差以及平均值，当然关于那些统计量可以自己选定，如果看到更多的统计量可以使用univariate，）。根据这些统计量，我们粗略的看到变量情况。另外我们可以使用output out=数据集  输出一些统计量。
   (此处说明个细节，proc means与proc summary 之间的区别，proc means自动打印，而proc summary需要加上print才能打印)

proc summary data=quan.baipu print;

var x1;

proc means data=quan.baipu mean max;

var x1;

run;




二、Proc corr过程
Proc corr data=data-set;
  With variable ;
   Var variable ;
可以通过此过程看出两变量之间的相关性。当然可以再corr 后面加上spearman。这里简要介绍pearson检验与spearman的区别，spearman可以检验变量间非线性关系，而pearson只能检验线性关系。

三、Proc sgplot
Sgplot过程十分强大。
Sgplot可以展示很多类型的图表，比如说散点图（scatter）、线图（seriers）、回归图（reg）、条形图（vbar、hbar）、柱状图（histogram），点图（dot）等等。当然可以很多设置，有人说sas可以做任何图。的确很强大，但是就是各种设置。比如colour：options color=（black等）；

回归图

proc sgplot data=quan.baipu;

reg x=x1 y=x2/clm cli;

run;

Dot 图

option fmtsearch=(quan);

proc sgplot data=quan.cydc;

dot q2/group=q1;

format q1 quana. format q2 quanb.;

run;



四、Proc reg; model 因变量=自变量/option;
   做回归部分需要有一定的回归基础，比如回归的时候有很多检验，只有检验通过了才能说明模型的合理性。
  先从F检验说起吧，F检验通过说明模型整体的显著性通过。
  T检验显著性通过说明模型中的参数拒绝假设。
F、T检验在回归过程出来的结果是可以看到的，但是其它相关的东西必须要在模型后面添加。
异方差性检验：
1、残差图
2、对残差做spearman相关性检验，利用残差与x之间的相关性检验。如果残差符合模型假设的话，与x之间没有关系的。也就是相关性比较低。
3、怀特检验（white）检验假设是同方差性

proc reg data=quan.baipu;

      model x2=x1/white;

run;



可以从后面的概率值得知，存在异方差性。
补救方法：加权最小二乘估计。
关于加权最小二乘需要使用宏编程，需找最合适的权数。

序列相关性检验（自相关性）：即残差之间存在自相关性。
1.      通过残差图检验。
2.      D.w检验（根据计量经济学原理d.w检验有五个方面的假设）

proc reg data=quan.baipu;

model x2=x1/dw;

run;

关于D.W检验的区间段，可以判断序列间具有正、负相关。

补救方法：迭代法、差分法、科克伦-奥科特法

共线性性检验：即变量间是否存在共线性性。（vif膨胀因子检验）

proc reg data=quan.baipu;

model x2=x1 x3 x4/vif;

run;



关于膨胀因子大于10，则说明有明显的多重共线性。
补救方法：
逐步回归、主成分回归等等。
逐步回归（selection=stepwise）可以看到逐步回归过程。

其他：
Model 因变量=自变量/r(强影响点)   aic（赤持信息）cli（预测的置信区间） clm（检验的置信区间）