Using SAS to Analyze 

Data 
Nadia Akseer 
Nadia
MSc. Candidate 
MSc . Candidate 
Brock University
Brock University 
 Agenda 
a.  Examine Individual Variable Distributions 

i. 
i 
.  Continuous data: 
Proc Univariate 
Proc Univariate­ 
­ distributions, tests for normality, plots 
­  distributions, tests for normality, plots 
Proc Means 
ii.  Categorical data: 
Proc Freq­ 
Proc Freq 
­ distributions 

b.  Examine Relationships Between Variables 

i. 
i 
.  Continuous data: 
Scatter plots 
Correlation ­ 
Correlation  ­ Spearman, Pearson 
Spearman, Pearson 
ii.  Categorical data: 
Freq tables, probabilities, Chi­ 
Freq tables, probabilities, Chi 
­square, Fishers Exact 
square, Fishers Exact 
iii.  Continuous and Categorical data:
Continuous and Categorical data: 
Proc t­ 
Proc t ­test 
test 
 Example 
Height, Weight, BMI, sex and activity level 
measurements are available for a group of 
physically active students 

**Note: 5 activity questions asked ‘1=none…4=very active’ **
**Note: 5 activity questions asked ‘1=none…4=very active’ ** 
 Example Con’td 
Example Con’td 
n 
n What are the mean, median, mode of the BMI? 
n  How dispersed is the BMI data? 
n

n  Is BMI normally distributed? 
n Is BMI normally distributed?
 Proc Univariate 
Proc Univariate 
n 
n Provides information on: 
n 
n Measures of central tendency 
n 
n (mean, median, mode etc.) 
n 
n Measures of dispersion 
n 
n (standard deviation, range, IQR etc.) 
n 
n Allows us to visualize data 
n 
n (stem­ 
(stem 
­leaf, normality & box plots) 
leaf, normality & box plots) 

n 
n Used for a continuous variable
Used for a continuous variable 
 Proc Univariate 
Proc Univariate Syntax 
Univariate  Syntax 

Proc univariate data= 
Proc univariate data=bmi 
bmi plot normal ; 
bmi plot normal ; 
Var bmi 
Var bmi; 
; 
Histogram/normal; 
Run; 

6
6 
Proc Univariate 
Proc Univariate Output 
Univariate  Output
Is the data normally distributed? 
If not? Which way is it skewed? 

8
8 
Variable is normally distributed if p­ 
Variable is normally distributed if p 
­value>0.05 
value>0.05
 Example Con’td 
Example Con’td 
n 
n How many individuals have complete data for 
height, weight and BMI? 
n  What is the range of data for all three 
n

variables? 
n  What are the means and standard deviations? 
n What are the means and standard deviations?
 Proc Means 
Used to obtain mean, standard deviation, min 
and max for multiple continuous variables 

Proc means data= bmi; 
Proc means data=bmi ; 
Var bmi 
Var bmi ht wt; 
ht wt; 
Run; 

11
11 
 Example Con’td 
Example Con’td 
n 
n What proportion of the sample are boys? 
n  What proportion are girls? 
n

n  What proportion of the sample are not 
n
physically active in the first activity question? 
n  What are the physical activity trends in all 5 
n What are the physical activity trends in all 5
activity questions? 
 Proc Freq 
n 
n Looks at distribution of categorical variables 
n  Gives information about frequency and 
n
proportions 
n  Can look at multiple variables at a time 
n

Proc Freq data= bmi; 
Proc Freq data=bmi  ; 
Table sex active1­ 
Table sex active1 
­active5; 
active5; 
Run; 
13
13 
14
14 
 Correlation 
n 
n Correlation 
n 
n Two variables are considered to be correlated 
Two variables are considered to be
when there is a relationship 
when there is a relationship between them 

n ρ (rho) a.k.a. “Correlation Coefficient (r)” 
ρ (rho) a.k.a. “Correlation Coefficient (r)” 
n 
n Used to express the strength of the association 
between the two variables 
n Has a range of values: 
n  1 ≤ ρ ≤ 1 
Has a range of values: ­ 
­1 ≤ 
n 
n |ρ
ρ|= 1 
|= 1 èè perfect 
perfect linear 
linear relationship 
relationship 
n ρà à 0 
0èè weak 
weak linear 
linear relationship 
relationship 
n ρà à 1 
1èè strong 
strong linear 
linear relationship 
relationship
relationship 
 Correlation 
n 
n Hypotheses 
n 
n What is our H 0  in correlation? 
= 0 è There is no 
ρ = 0  There is no linear 
linear correlation 

n 
n What is our H A  in correlation? 
≠ 0 è There is a 
ρ ≠ 0  There is a linear 
linear correlation 
correlation
 Correlation 
n 
n Procedure for determining if there is a 
correlation between two variables 
1.  Run a scatter plot 
2.  Check Assumptions­ 
Check Assumptions  ­ Normal distribution 
3.  Run either a Pearson or a Spearman 
4.  Determine if you reject/fail to reject Ho 
5.  If you reject, look at correlation coefficient – 
If you reject, look at correlation coefficient 
How strong is the relationship?
How strong is the relationship? 
 Review 
5.  If H 0  is rejected, determine the strength of the 
relationship 

ρ Relationship 
>0.7  Strong 
0.4 – 0.7  Medium 
<0.4  Weak
 Example 
n 
n Both the Pearson Correlation and the Spearman 
Correlation will be used on the same example data 
to show the differences between the two methods 

Table 9.1. Lengths and Weights of Male Bears 
Table 9.1. Lengths and Weights of Male Bears 
x Length (in.)  53.0  67.5  72.0
72.0   72.0  73.5  68.5  73.0  37.0 
y Weight (lb)  80  344  416  348  262  360  332  34
 Example 
1.  Run a Scatter Plot 
proc plot; 
plot y*x; 
title ‘….’; 
run;

proc plot; 
plot weight*length; 
run; 
Can you see an 
association??
association?? 
 Example 
Check Assumptions 
þ n 
n Random sample 
þ n 
n Points approximately on a straight line 
þ
þ n 
n Outliers examined 
ý
ý n 
n Normal distribution for both 
Normal distribution for 
P­values<0.05 
both variables 

Weight 
Weight  Length
 Example 
3.  Decide Between a Pearson and a Spearman 
n 
n Only 3/4 assumptions were met, therefore we 
should proceed with a…. 

*Normal distribution most important* 
*Normal distribution most important*
 Example
Example 

Pearson 
Proc corr 
Proc corr; 
; 
Var weight length; 
Var 
Run; 
 Example 

Correlation  Is there a linear 
coefficient (r)  relationship? 
p­value  Strength?
 Example
Example 

Spearman 
Proc corr 
Proc corr spearman; 
Var weight length; 
Var 
Run; 
Example
Example 
 Example 
4.  Determine the fate of H 0 
5.  Determine the strength of the relationship 

n 
n Spearman è
Spearman è r=0.35929, p=0.3821 
r=0.35929, p=0.3821 
∴ FTR H 0  – 
∴  – There is no 
There is no linear 
linear relationship between the 
linear 
weight and length of a bear 
n 
n Pearson è r=0.897, p=0.0025 
Pearson è
∴ Reject H 0  – 
∴  – There is a 
There is a strong  linear relationship 
strong linear 
strong 
between the weight and length of a bear
between the weight and length of a bear 
 Chi­ 
Chi 
­square Tests 
square Tests 
n 
n Chi ­Square testing is generally used to test 
Chi­ Square testing is generally used to test 
claims about categorical 
claims about  data consisting of 
categorical data consisting of 
categorical 
frequency counts for different categories 
n  Uses Chi 
n Uses Chi­ 
­square distribution 
square distribution 
n  Many different types of tests: 
n
i.e. Independence, Homogeneity, Goodness of fit, Fisher’s 
i.e. Independence, Homogeneity, Goodness of fit, Fisher’s
exact, McNemars 
exact, 
 Example: Test of Independence 
n 
n Lets do a test of independence between sex (M 
or F) and BMI group (Normal, Overweight, 
Obese) 
n  H 0  : Sex and BMI group are independent 
n

n  H A  : Sex and BMI group are not independent 
n : Sex and BMI group are not independent
 SAS Syntax 
proc freq data=mydata.newbmi; 
table sex*owt/nopercent norow nocol expected 
chisq; 
run; 

Explanation of Syntax: 
n 
n expected = based on the independent assumption to calculate 
= based on the independent assumption to calculate
expected = based on the independent assumption to calculate 
the expected frequency 
n 
n chisq = chi 
chisq = chi­ 
­square test 
square test 
 P­value>0.05 
What is our 
FTR Ho 
conclusion? 

What is our conclusion?
 Fisher’s Exact Test 
n 
n When the expected values is <5, then Chi ­ 
When the expected values is <5, then Chi­ 
square test is not valid 
n  In this case, we use 
n In this case, we use Fisher’s Exact test 
Fisher’s Exact test 
n  Example: Association between wearing helmets and 
n
getting face injuries? 
Helmet  yes  no

Face Injury 
yes  2  13
no  6  19
 SAS Syntax 
Data helmet; 
Data
Input helmet $ faceinj $ count @@; 
Datalines; 
yes yes 2 no yes 13 
yes no 6 no no 19 
; 
; 
run; 
run 

proc freq 
proc order=data; 
freq order=data; 
weight count; 
table faceinj*helmet/nopercent norow nocol expected;
table faceinj*helmet/nopercent norow nocol expected; 
exact chisq; 
; 
run; 
run 
This tells us Chi 
square test is not 
valid, therefore use 
Fisher’s exact p­ 
value
Using the two sided p­value and significance level=0.05, 
value and significance level=0.05,
what is our conclusion? 
 T­ 
T 
­Test 
Test 
n 
n Used to compare a continuous variable between two 
populations or groups of a categorical variable 
n 
n Assess difference between 
Assess difference between the two means 
n 
n Assumptions: 
1.  Equal variance for both populations 
2.  The sample data need to be randomly sampled 
3.  The two samples are independent 
4.  Small sample size (<30) if it is ND, or 
5.  Larger sample size if it not ND
Larger sample size if it not ND 
 Example 
n 
n Let’s examine if the systolic blood 
pressure is different between a normal 
pressure is different between a normal 
blood pressure group (n=15) and 
hypertensive (n=10) group 

n 
n Ho: µNormal=µHypertensive=0 
n Ha: µNormal=µHypertensive≠0 
n 

38
38 
 Input Data into SAS 
Normal BP  Hypertensive BP 
(mmHg)  (mmHg)  data bp; 
114  117  130  input SYM $ sbp @@; 
155  115  115  datalines; 
. 
125  138  148  . 
132  121  100  . 
115  122  156  . 
; 
122  162  Run;
140  151 
110  156 
122  162 
130  158 

39 
 Mean SBP For Both Groups 
Proc sort; 
By sym; 
Run; 

proc means; 
Var sbp; 
By sym; 
Run; 
40
40 
n 
n Assumption: Check to see if the groups are 
normally distributed? 

Proc univariate normal plot; 
Var sbp; 
by sym; 
Run; 

41
41 
Normality Check 
Is the normal group ND? 

Is the hypertensive group 
ND?

42 
n 
n Assumption: Are variances are equal? 
n 
n Yes ­> use the pooled method (t) 
Yes­ > use the pooled method (t) 
n No 
n  No­ 
­> use 
> use satterthwaite’s 
satterthwaite’s method (t’) 

Proc ttest; 
Proc ttest ; 
Class sym; 
Var sbp 
Var sbp; 
; 
Run; 
43
43 
 Difference between means is significant 
CI does not include O  (p<0.05) so REJECT NULL

F­value>1 and 
p value<0.05; 
44 
variances not 
equal 
 Example 
n 
n Variances are not equal (p=0.0499<0.05) 
n Satterthwaite 
n  Satterthwaite p=0.0276 <0.05 
p=0.0276 <0.05 
­ > Reject null 
­> Reject null 
­> Blood pressure between the normal and 
­ > Blood pressure between the normal and 
hypertensive groups is significantly different 

*Interpret with caution since normal distribution assumption not met* 
* 
Interpret with caution since normal distribution assumption not met*
 Further Readings 
n 
n Step ­By 
Step­ By­ 
­Step Basic Statistics Using SAS: 
Step Basic Statistics Using SAS: 
Exercises 
Author: Larry Hatcher 

n 
n Data analysis using SAS for Windows: Basic
Data analysis using SAS for Windows: Basic 
Author: Mirka 
Author: Mirka Ondrack 
Ondrack