Introduction au système SAS Progiciel de traitement statistique des données

Transcription

1 Introduction au système SAS Progiciel de traitement statistique des données École de psychologie Université de Moncton Septembre 2013

2 Table des matières Avant-propos... 4 Chapitre 1 - Présentation Introduction Table SAS Programme SAS L'étape «data» Les étapes de procédures Le vocabulaire SAS Environnement La fenêtre éditeur (editor) La fenêtre Journal (Log) La fenêtre Sortie (Output) Les onglets Résultats/Explorateur (Results/Explorer) Étude fictive Chapitre 2 - Lecture des données et définition des variables Lecture des données Saisie de données directement dans SAS Données importées d un fichier externe (L importation et l exportation de fichiers) Importer des données Exporter des données L importation par la méthode INFILE Deux modes de lecture des données : mode libre et mode fixe Saisie d une matrice de corrélations Fusionner des données Transformations de variables Les étiquettes Fonctions mathématiques (arithmétiques et statistiques) Fonctions logiques (énoncés IF THEN) Changer les valeurs d une variable Créer une nouvelle variable à partir d une variable existante... 21

3 Inverser des données Appliquer une fonction mathématique selon une condition logique Techniques avancées de programmation Boucles «DO...TO...END» La fonction RANNOR(.) La fonction RAND(dist) L option ARRAY Chapitre 3 - Procédures SAS Introduction à la programmation de procédures SAS Les options de procédure Trois procédures de gestion des données L énoncé PROC PRINT L énoncé PROC PLOT L énoncé PROC STANDARD L énoncé PROC SORT Présentation graphique des données L énoncé PROC CHART L énoncé PROC GCHART Deux procédures de statistiques descriptives L énoncé PROC MEANS L énoncé PROC UNIVARIATE L énoncé PROC POWER Trois procédures de statistiques inductives L énoncé PROC TTEST L énoncé PROC CORR L énoncé PROC FREQ Les analyses multivariées La régression multiple La corrélation canonique L analyse factorielle exploratoire La modélisation structurale... 48

4 Avant-propos Quiconque souhaite utiliser le système SAS pour l analyse statistique de données dans un contexte pédagogique se heurte rapidement à la rareté de documents d accompagnement qui présentent une introduction non trop technique aux rudiments nécessaires à une utilisation appropriée en sciences humaines et sociales. C est cette situation qui a motivé le développement du présent guide. Ce document est conçu pour accompagner une introduction non technique à l utilisation de SAS dans des situations statistiques typiques de la psychologie, et en particulier du contenu des cours pour lesquels il a été mis au point : psychométrie et techniques multivariées 1. Ce guide, qui n est qu un document d accompagnement de cours, ne peut se suffire à lui-même. Ce n est pas non plus un manuel de référence, et on doit tout de suite se familiariser avec la documentation SAS 2 afin d acquérir une certaine autonomie et de pouvoir adapter les exemples donnés à la diversité des situations particulières. Ce guide doit beaucoup à un autre du même type élaboré par H. Ivers, C. Fortin et S. Fiset 3. Il est aussi beaucoup le fait des étudiants inscrits au cours PSYC6200 Méthodes quantitatives avancées à l hiver 2005 à l École de psychologie de l Université de Moncton, qui ont été les témoins actifs de ses premiers développements. Il reste cependant un document en chantier pour lequel les suggestions de mises à jour, d ajouts et d améliorations restent les bienvenues. La présente version, développée à l été 2006, a en outre été rendue possible en partie grâce à une participation du Fonds d initiatives pédagogiques du Service d animation et de soutien à l enseignement de l Université de Moncton. F.V. 1 À l École de psychologie de l Université de Moncton, il s agit essentiellement des cours PSYC4220 Théories psychométriques, PSYC6200 Méthodes quantitatives avancées et PSYC7200 Statistiques multivariées. 2 Voir la bibliographie sommaire en fin de document. 3 Introduction à l analyse informatisée de données et à l utilisation du progiciel SAS sous UNIX (Piaget) (3 e rév.). École de psychologie, Université Laval, Québec, 1998.

5

6 Chapitre 1 - Présentation 1.1 Introduction Le progiciel SAS est un ensemble de modules logiciels de gestion et de traitement statistique des données. Voici quelques exemples d analyses statistiques pouvant être effectuées à l aide du progiciel SAS : Analyses descriptives Moyennes, variances et écarts types Mode et étendue Asymétrie (skewness) et voussure («kurtose») Analyses inductives univariées Corrélation (Bravais-Pearson, Spearman) et association (khi-deux) Test t (pour échantillons appariés ou indépendants) Analyse de variance (ANOVA) Régression simple Analyse de séries chronologiques Analyses inductives multivariées Analyse de variance multivariée (MANOVA) Régression multiple (standard, hiérarchique) Corrélation canonique Analyse discriminante Analyse de regroupement («cluster») Analyse factorielle (composantes principales, facteurs communs) Analyses d équations structurales (analyse factorielle confirmatoire, analyse des pistes causales) Ce bref guide a pour objectif de présenter les éléments essentiels à la réalisation d analyses statistiques de données par l entremise du logiciel SAS (version 9.2 et précédentes, et utilisé dans un environnement Windows) en mode programmation. Seules les procédures et les fonctions de base seront abordées ici. De nombreux ouvrages détaillés, ainsi que les divers éléments de documentation SAS (dont on trouvera certaines références en fin de document) peuvent être consultés pour plus de détails Table SAS Les données soumises à l analyse statistique prennent la forme d un fichier de données. On peut saisir les données dans un fichier à même le progiciel SAS grâce à l une de ses fonctions (un «éditeur») ; SAS peut également importer des données en provenance d autres applications. Il faut bien distinguer fichier de données et table SAS (un «data set»). Un fichier de données est celui qui comprend les données recueillies qu on souhaite analyser. Une table SAS est un fichier de données virtuel défini à partir des données du fichier de données. Dans SAS, les analyses portent toujours sur les données telles que définies dans la table SAS.

7 Chapitre 1 Présentation Programme SAS Le Progiciel SAS a son propre langage. Le langage SAS est un système de codes et de symboles particuliers qui servent à la création de programmes. Un programme SAS est un enchaînement d étapes de lecture et de gestion des données («data step») et d appels de procédures («procedure») décrivant les traitements (statistiques entre autres) à réaliser. Ce sont ces deux aspects d un programme SAS : lecture et gestion des données et traitements sur ces données, qui seront traités, respectivement, aux chapitres 2 et 3 de ce guide L'étape «data» L'étape data sert à la manipulation des données. Elle permet de créer des variables, supprimer des variables et supprimer des observations. Il est possible de faire des analyses dans l étape Data, mais seulement des analyses par sujets. Par exemple, faire la moyenne d une série de questions pour chaque sujet ou additionner les scores aux questions d un test pour obtenir un score total par sujet. Dans l étape Data, l ordre dans lequel les opérations sont écrites est primordial. Par exemple, dans le cas où l on apporte des modifications aux valeurs de certaines variables, les commandes définissant ces modifications doivent survenir avant les commandes de calculs sur les variables modifiées. Si les commandes de calculs sont présentées les premières, ils seront effectués sur les variables avant modification Les étapes de procédures Les analyses axées sur les variables se font aux étapes de procédures. Par exemple, faire la moyenne de l âge de tous les sujets de l échantillon. Les étapes de procédures commencent toujours par la commande PROC Le vocabulaire SAS Énoncé («statement») : est une phrase inscrite dans l éditeur qui se termine par un pointvirgule. Commande («keyword») : est un mot clé reconnu par SAS qui permet à l utilisateur de communiquer avec le logiciel. Fonction («function») : est une expression arithmétique usuelle. On retrouve la plupart des fonctions dans l étape Data. Voir la liste de fonction page 19. Opérateurs de base : sont les signes utilisés pour effectuer des opérations mathématiques habituelles (+, -, =, /, *, <, >, etc.). Commentaires : peuvent être insérés dans un programme ; les commentaires sont placés entre astérisques (*). Énoncé de procédure : est la commande PROC suivie d une procédure d analyse SAS. Les énoncés de procédures importantes aux fins de ce guide sont listés à la page 25. Options : Les options SAS sont des commandes reconnues par SAS qui spécifient les types d analyse à effectuer ou qui modifient l affichage des résultats. - Options de l étape data : s applique à la table de données SAS - Options de procédure : s applique à l énoncé de procédure correspondante. Il existe aussi des options de procédure de deuxième niveau. Ceux-ci permettent de modifier l affichage des résultats dans la fenêtre sortie Environnement 7

8 Chapitre 1 Présentation La navigation dans l environnement SAS et les opérations sur les contenus des fenêtres respectent pour l essentiel les conventions de tout environnement de type Windows (options comprises dans des barres de menus qui s appliquent à une fenêtre activée, etc.). L environnement SAS se compose de plusieurs fenêtres. Parmi ces fenêtres, les principales sont : ÉDITEUR (Editor) JOURNAL (Log) SORTIE (Output) Pour créer, modifier et soumettre les analyses. On peut aussi y saisir, visionner et modifier les données. Le contenu de cette fenêtre est entièrement géré par l utilisateur. Lieu d affichage des commandes soumises ainsi que des messages générés par SAS. Le contenu de cette fenêtre est généré par SAS à la suite d une demande d analyse dans la fenêtre Éditeur. Affichage des résultats des analyses statistiques. Le contenu de cette fenêtre est généré par SAS à la suite d une demande d analyse dans la fenêtre Éditeur La fenêtre éditeur (editor) C est dans la fenêtre Éditeur qu on prépare le programme SAS. Ce programme peut y être créé, chargé, copié, modifié. On peut aussi y saisir, visionner et modifier des données. Pour produire des analyses, un programme SAS doit figurer à la fenêtre Éditeur, et ce programme doit être exécuté. On soumet un programme SAS à l exécution en choisissant l option Submit du menu Run. On peut aussi, plus simplement, cliquer sur l icône appropriée de la barre d outils : 8

9 Chapitre 1 Présentation Notons qu il est possible de ne soumettre qu une partie d un programme SAS. Il suffit alors de surligner la partie du programme à soumettre : seules les commandes sélectionnées seront alors soumises à SAS pour exécution. ***ATTENTION*** Le programme rédigé dans la fenêtre Éditeur doit respecter certaines conventions de programmation spécifiques à SAS. Plusieurs de ces conventions seront présentées aux chapitres 2 et 3. Précisons cependant dès maintenant que chaque énoncé SAS se termine par un point-virgule ( ; ) La fenêtre Journal (Log) La fenêtre Journal (Log) est le lieu d affichage des commandes soumises ainsi que des messages générés par SAS. Le contenu de cette fenêtre est généré par SAS à la suite d une demande d analyse dans la fenêtre Éditeur. Les messages renvoyés sont de 3 types : Note (Note ; en bleu): le traitement de la demande a été effectué sans aucun problème. Avertissement (Warning ; en vert): il est possible qu une erreur ait eu lieu pendant le traitement. Bien que ce message n interrompe pas le traitement en cours, il importe d en tenir compte puisqu il arrive souvent que ces erreurs correspondent à la génération par SAS de données manquantes (ce qui n est pas toujours souhaité par l utilisateur). Erreur (Error ; en rouge) : erreur grave de traitement qui a pour effet de mettre fin entièrement l étape en cours. La fenêtre Journal rapporte donc les éventuelles erreurs de syntaxe détectées par SAS dans les programmes qui lui sont soumis dans la fenêtre Éditeur. Comme SAS procède à la lecture de l ensemble du programme soumis même après avoir détecté une erreur, le Journal peut rapporter plusieurs erreurs qui résultent toutes d une même erreur initiale. Par ailleurs, les messages d erreur produits n indiquent pas toujours la nature exacte de l erreur. Lorsqu une erreur est détectée dans une procédure, cette dernière n est pas exécutée. Donc, si on soumet un énoncé et que rien n apparaît dans la fenêtre Sortie, c est qu il y a une erreur dans l énoncé ou en amont dans le programme. On peut alors recourir à l information générée dans le Journal afin d identifier cette erreur pour enfin la corriger dans le programme (fenêtre Éditeur) La fenêtre Sortie (Output) C est dans la fenêtre Sortie que s affichent les résultats des analyses statistiques exécutées à partir de la fenêtre Éditeur. Le formatage de cet affichage peut être contrôlé en partie à l aide de commandes spéciales du programme SAS (voir la section 2.1.1) Les onglets Résultats/Explorateur (Results/Explorer) 9

10 Chapitre 1 Présentation Ces onglets se trouvent sur le côté gauche de l écran dès l ouverture du logiciel SAS. Les onglets Résultats/Explorateur sont utilisés pour naviguer les banques de données (explorateur) et les différents résultats de procédures (résultats). Seulement l une des deux fenêtres peut être utilisée à la fois. Il est possible de passer d un onglet à l autre à l aide de la tabulation au bas de la fenêtre. La fenêtre Explorateur affiche quatre dossiers: «Bibliothèque», «Raccourcis de fichiers», «Dossiers favoris» et «Ordinateur». De ces dossiers, c est la bibliothèque qui nous intéresse. Ce dossier contient 4 sous-sections : «Maps», «Sashelp», «Sasuser» et «Work», dont celle qui nous intéresse est «Work». Cette section contient les documents créés par l utilisateur lorsqu il travaille dans SAS. Les tables de données sauvegardées dans Work sont temporaires, c est-à-dire qu elles sont seulement disponibles lors d une même session de travail dans SAS. Pour enregistrer une table de donnée en permanence, il faut la sauvegarder dans son compte étudiant «P :» ou sur une clé USB. Les tables de données dans le dossier SASUSER sont sauvegardées en permanence pourvu qu elles soient ouvertes sur le même ordinateur. Les fichiers dans SASUSER sur un ordinateur public sont effacés lorsque l ordinateur subit ses mises à jour. La fenêtre résultat permet de naviguer à travers les nombreux résultats de procédure créés lors d une même session SAS. 1.2 Étude fictive Dans ce guide, les procédures et les fonctions seront démontrées à l aide d illustrations tirées d un même exemple. Les données de cet exemple proviennent d une étude fictive portant sur la performance de sujets à une épreuve d attention et sur la perception qu ils ont de cette performance. Ces données sont contenues dans deux fichiers, bio.txt et psycho.txt, l un contenant les données biométriques de 60 sujets tandis que l autre contient les données psychométriques de 58 de ces mêmes sujets (les données psychométriques ne sont pas disponibles pour les sujets numéro 3 et 4). Les variables comprises dans cette étude sont présentées au tableau 1.1, et les données figurent aux tableaux 1.2 et 1.3. Tableau 1.1 Liste des variables Premier fichier (données biométriques) Variable Sujet Genre Age Poids Taille Note Numéro de sujet, identifiant numérique unique à chaque individu de l échantillon Masculin (M) ou féminin (F) En années En kilogrammes En centimètres Second fichier (données psychométriques) Variable Sujet Vitesse Erreurs Q1 à Q6 Estimation Note Numéro de sujet, identifiant numérique unique à chaque individu de l échantillon Nombre d items complétés Nombre d erreurs commises Estimation personnelle de la performance au test (sur une échelle de 1 à 4 ; les questions Q3 et Q6 sont inversées) Estimation personnelle de la performance au test (total des questions Q1 à Q6) 10

11 Chapitre 1 Présentation Tableau 1.2 Données biométriques Sujet Genre Age Poids (kg) Taille

12 Chapitre 1 Présentation Tableau 1.3 Données psychométriques Observation Sujet Vitesse erreurs Q1 Q2 Q3 Q4 Q5 Q6 Estim

13 Chapitre 2 - Lecture des données et définition des variables Lecture des données Pour être analysées à l aide d un logiciel informatique, les données doivent être saisies et organisées à l intérieur d un fichier. Il est alors utile de suivre certains principes généraux : - Typiquement, un fichier de données est constitué de rangées et de colonnes où les rangées correspondent à des sujets et les colonnes à des variables. - Les données peuvent être de nature numérique (des chiffres) ou alphabétique (des lettres). Cependant, certaines analyses ne pouvant être appliquées à des données alphanumériques, il est souvent plus commode de remplacer les données alphabétiques (comme M et F pour le sexe) par des données numériques (par exemple : 1 et 2, respectivement). - Les données manquantes peuvent être indiquées simplement par un point. La saisie de données peut se faire de différentes façons. Les données peuvent être entrées dans un fichier de traitement de texte (Word), dans un logiciel bloc-note (WordPad), dans un tableur (Excel), dans SPSS ou être entrées directement dans SAS Saisie de données directement dans SAS L énoncé DATA permet la création d une table SAS dans lequel l énoncé INPUT spécifie le nom des différentes variables. L énoncé INPUT contient les instructions nécessaires pour identifier précisément les valeurs affectées à chaque variable dans le fichier de données. De façon générale, l étape DATA se termine par l instruction RUN. (Dans l image ci-dessous, seule la fenêtre Éditeur a été reproduite.) Une fois cette étape terminée, vous pouvez sauvegarder votre travail (option Enregistrer sous dans le menu Fichier ; ici, on a donné à ce fichier programme le nom Bio).

14 Chapitre 2 Lecture des données et définition des variables Reprenons dans le détail chacun des énoncés de ce court programme : OPTIONS LINESIZE = 80 PAGESIZE = 60 PAGENO = 1 NOLABEL; L énoncé OPTIONS permet de formater l affichage de la sortie informatique. Dans le présent exemple, l énoncé fait en sorte que la sortie se fait sur 80 colonnes (LINESIZE = 80), que chaque page comprend 60 lignes de texte (PAGESIZE = 60) et que la pagination de chaque sortie débute à 1 (PAGENO = 1). L option NOLABEL permet d omettre les étiquettes de variable des fichiers externes (sans spécifier l option NOLABEL, la sortie affiche parfois deux étiquettes par variables : l étiquette SAS et l étiquette du fichier externe). DATA BIO; INPUT; CARDS; RUN; L énoncé DATA identifie la table SAS qui sera créée à la suite de la lecture des données. Cet énoncé est essentiel puisque c est à partir des noms de variables que peuvent être effectuées les diverses procédures statistiques SAS. Le nom donné ici («BIO») est arbitraire et peut être remplacé par n importe quel nom pourvu qu il respecte une longueur maximum de huit caractères et débute par une lettre. Dans des procédures ultérieures, ce nom permettra d identifier la table où se trouvent les variables à analyser. L énoncé INPUT spécifie le nom à donner à chacune des variables, le type de variable dont il s agit (de type numérique ou alphanumérique) et la position de la variable dans le fichier de données. Comme les noms des tables, les noms de variables doivent respecter une longueur maximum de huit caractères et débuter par une lettre. L utilisation d un suffixe numérique facilite la manipulation de séries de variables apparentées (par exemple, on pourra nommer les variables correspondant aux items d un questionnaire : ITEM01, ITEM02, ITEM03, etc.). Le tableau 2.1 présente certaines spécifications pouvant être insérées dans l énoncé INPUT. L énoncé CARDS indique que les informations qui le suivent sont des données. Typiquement, ces données sont présentées de telle sorte que chaque ligne corresponde à un sujet et chaque colonne à une variable. Ces colonnes sont séparées par un ou plusieurs espaces. Lorsqu on procède à la saisie de données dans la fenêtre Éditeur de SAS, le fond d écran de la section correspondante passe au jaune : c est l indication que le logiciel reconnaît qu il s agit de données. On indique la fin des données à l aide d un point-virgule inséré sur la ligne suivant la dernière ligne de données. L énoncé RUN indique la fin de l énoncé DATA. Il est possible de créer plusieurs énoncés DATA à l intérieur d un même programme d analyse Données importées d un fichier externe (L importation et l exportation de fichiers) Dans le cas précédant, les données lues par le progiciel SAS ont été saisies directement dans la fenêtre Éditeur. Il est également possible d importer des données contenues dans un fichier externe. 14

15 Chapitre 2 Lecture des données et définition des variables Importer des données Pour importer des données d un autre logiciel (ex : Excel, SPSS, etc.), il faut d abord sélectionner «Importer données» dans le menu déroulant «Fichier». La fenêtre qui apparait permet de choisir le type de fichier à importer. Choisissez ce type à partir du menu déroulant et appuyez sur Suivant En appuyant sur suivant, une nouvelle fenêtre apparait. Ici, on vous demande de repérer le fichier que vous souhaitez importer. * À noter que dans Excel, les virgules doivent être remplacées par des points avant l importation pour que SAS puissent lire ces données. 15

16 Chapitre 2 Lecture des données et définition des variables En appuyant sur suivant à nouveau, une troisième fenêtre apparaît. Cette fenêtre permet de choisir dans quel dossier SAS vous voulez sauver votre fichier de données. Le dossier par défaut est WORK, mais rappelez-vous que les fichiers sauvés dans ce dossier sont temporaires. Il est donc habituellement préférable de sélectionner le dossier SASUSER. Une quatrième fenêtre apparait, mais pour les fins de ce guide elle ne sera pas expliquée. Il suffit d appuyer sur terminer lorsque cette fenêtre apparaît et votre fichier de données externe est importé dans SAS. Une fois votre fichier dans SASUSER, vous devez spécifier à SAS que vos données proviennent de ce dossier. Les énoncés INPUT et CARDS deviennent alors inutiles. Le nom attribué dans l énoncé après SASUSER, dans cet exemple Bio, est arbitraire, mais doit correspondre à celui donné au fichier de données lors de l étape de l enregistrement des données importées dans SASUSER. 16

17 Chapitre 2 Lecture des données et définition des variables Exporter des données En sélectionnant «exporter des données» dans le menu «Fichier», il est possible d exporter une table de donnée SAS dans un dossier externe. La procédure est similaire à l importation. Il faut d abord repérer la table de donnée SAS. Ensuite il faut sélectionner dans quel type de programme les données seront exportées pour enfin le sauvegarder ce fichier dans un fichier externe L importation par la méthode INFILE Il est également possible de lire des données contenues dans un fichier externe grâce à l énoncé INFILE INFILE; L énoncé INFILE permet à SAS d identifier un fichier de données externe où les données sont stockées. Un fichier externe peut provenir de Word, Excel ou Notepad. Le nom du fichier et son endroit sur le disque dur doit toujours être inscrit entre guillemets ( ). Pour trouver facilement et rapidement l emplacement exact dans l ordinateur d un fichier de données externe, il suffit de cliquer sur l icône du fichier désiré avec le bouton droit de la souris et de choisir l option «créer un raccourci». Une nouvelle icône apparaît alors avec comme mention «raccourci vers [titre du ficher]». Recliquez avec le bouton droit de la souris sur cette nouvelle icône et choisissez l option «Propriétés». Une nouvelle fenêtre s ouvre. Vous trouverez alors une ligne avec le mot «Cible», copiez cette ligne ; il s agit de l endroit exact du fichier dans l ordinateur. Par exemple, un fichier situé sur le bureau de l ordinateur aura comme «Cible» l allure suivante : "C:\Documents and Settings\lab\Bureau\Bio.docx". Il vous suffit alors de coller cet énoncé dans l Éditeur SAS à l endroit désiré. Il faut bien distinguer fichier de données (un «data file», ici : bio.txt, un fichier texte enregistré sur le disque c:\) et table de données SAS (un «data set», ici : «bio» tel que défini dans l énoncé DATA). Un fichier de données est celui qui comprend les données recueillies qu on souhaite analyser, tandis qu une table SAS est un fichier de données virtuel défini à partir des données du fichier de données. Dans SAS, les analyses portent toujours sur les données telles que définies dans la table SAS. L option MISSOVER est nécessaire pour la lecture et l identification d éventuelles données manquantes dans le fichier de données. Note : L utilisation de données provenant d un fichier externe à l aide de l énoncé INFILE rend inutile l expression CARDS Deux modes de lecture des données : mode libre et mode fixe 17

18 Chapitre 2 Lecture des données et définition des variables Qu il s agisse de données intégrées au programme ou provenant d un fichier externe, divers types de lecture permettent d exploiter divers types de format de données. Il existe deux modes de lecture des données : le mode fixe et le mode libre. Le mode libre peut être utilisé lorsque, dans le fichier de données, les observations représentant des variables différentes sont séparées par au moins un espace, comme dans l exemple de saisie initial (données «bio» incluses directement au programme SAS ; section 2.1.1). Le mode libre consiste donc à nommer les variables dans l énoncé INPUT mais sans avoir à indiquer leur emplacement précisément. Dans le mode fixe, la position de chaque observation dans le fichier de données est précisée, comme dans l exemple INFILE ci-dessus (section 2.1.2). Comme l illustre cet exemple, l utilisation du mode fixe de lecture des données demande à ce que l emplacement des observations soit indiqué précisément. Un ensemble de commandes de pointeurs permettent de préciser ces indications et de les simplifier. Le tableau 2.1 ci-dessous en dresse une liste sommaire. Tableau 2.1 Quelques conventions de programmation de l énoncé INPUT en mode fixe Convention Position Rôle Devant un nom de variable Pointeur colonne 11 AGE indique que la variable age débute à la 11 e colonne # devant un numéro de ligne Pointeur ligne (dans les cas où le fichier de données comprend plus d une ligne par sujet) # 2 ITEM indique que les données correspondant à la variable item02 se situent aux colonnes 4 à 8 de la 2 e ligne pour chacun des sujets dans le fichier Les conventions suivantes peuvent par ailleurs être utilisées avec l un ou l autre des modes de lecture de l énoncé INPUT : Convention Position Rôle Exemple $ derrière un nom de variable Indicateur alphanumérique INPUT GENRE $ indique que la variable genre est alphanumérique.1 (.2,.3, etc.) derrière un nom de variable Indicateur de décimales (dans les cas où elles ne sont pas spécifiées dans le fichier de données) INPUT SCORE.1 indique que les données lues doivent être comprises avec une décimale Saisie d une matrice de corrélations La plupart des utilisations consistent à analyser un fichier de données brutes. La flexibilité offerte par la programmation permet cependant d analyser des données présentées sous d autres formes (matrices de corrélation, matrices de variances-covariances). 18

19 Chapitre 2 Lecture des données et définition des variables L énoncé data suivant permet de lire une matrice d intercorrélations de quatre variables (item01, item02, item03 et item04) calculée chez un échantillon de 250 sujets : 2.2 Fusionner des données Il est parfois utile de fusionner les données provenant d ensembles de données distincts, comme par exemple lorsque l on souhaite combiner les données de mêmes individus recueillies par des équipes de recherche différentes. Une telle fusion peut être réalisée à l intérieur d un énoncé DATA à l aide de la commande MERGE. La commande MERGE appliquée à l exemple permet de créer une table («biopsy») qui comprend à la fois les données biométriques provenant d un fichier de données externe bio.txt et les données psychométriques du fichier psycho.txt. La procédure SORT utilisée dans cet exemple est une procédure de tri nécessaire à l appariement des données à partir des numéros de sujets. Cette procédure sera présentée dans une section ultérieure. 2.3 Transformations de variables Les énoncés de lecture des données constituent la première partie de l énoncé DATA en créant des variables. À la suite de l énoncé INPUT, il est possible de modifier ces variables ou d en créer d autres qui en seront des dérivés. Le nombre de variables qu on peut créer grâce à 19

20 Chapitre 2 Lecture des données et définition des variables l énoncé DATA est pratiquement illimité. Les fonctions qui suivent ne sont que quelques possibilités de transformations ; pour plus de détails, consulter la documentation SAS Les étiquettes Le progiciel SAS limite le nom des variables à huit caractères. La commande LABEL permet à l utilisateur d étiqueter les variables avec des noms qui dépassent la limite de huit caractères. Ces étiquettes apparaissent dans la Sortie. Cependant, si l option NOLABEL est déjà inscrit dans les options de base SAS, les étiquettes n apparaitront pas dans la Sortie. Voici un exemple d étiquettes créées à partir de la commande LABEL Fonctions mathématiques (arithmétiques et statistiques) Diverses fonctions arithmétiques et fonctions statistiques sont disponibles afin de créer ou modifier des variables. Quelques exemples sont présentés dans la figure ci-dessous : Les variables var01, var02, var03 et var04 illustrent les opérations de base d addition (+), de soustraction (-), de multiplication (*) et de division (/). Afin de respecter l ordre de priorité des opérations, il est préférable d utiliser les parenthèses pour clarifier certains calculs plus complexes (comme dans le cas de la variable var02). Notons que les nouvelles variables créées grâce aux fonctions et opérateurs SAS doivent respecter les limites de l énoncé DATA (noms d une longueur maximum de huit caractères débutant par une lettre, etc.). Les variables var03 et var04 illustrent l utilisation de fonctions arithmétiques (ici, la somme) et statistiques (ici, la moyenne) de base sur un ensemble de variables. Notons pour la variable var03 l utilisation des suffixes numériques qui permet de citer les six variables q1, q2, q3, q4, q5 et q6 de façon simplifiée. Un aperçu des différentes fonctions disponibles est présenté au tableau 2.2 ci-dessous. À noter que ces fonctions permettent une analyse arithmétique et statistique par sujet et non par variable (ex : sum (of q1-q6) donne la somme des variables q1 à q6 pour chaque sujet). Tableau 2.2 Quelques fonctions arithmétiques et statistiques de l énoncé DATA Fonctions arithmétiques MIN MAX valeur minimum valeur maximum 20

21 Chapitre 2 Lecture des données et définition des variables MOD mode des données SQRT racine carrée **2 puissance 2 ABS valeur absolue Fonctions statistiques MEAN VAR STD SUM N NMISS RANGE moyenne des variables variance des observations écart type des variables somme des variables nombre d observations nombre d observations manquantes étendue des observations Fonctions logiques (énoncés IF THEN) Il est parfois utile d appliquer certaines conditions logiques afin de sélectionner ou de modifier des variables. La programmation d une règle logique IF THEN permet d appliquer une condition logique sans avoir à modifier une à une toutes les observations d un fichier de données. La figure suivante présente un exemple de programmation d une règle logique IF THEN pour appliquer une condition simple (retirer des analyses les sujets âgés de plus de 30 ans). La ligne de programmation if age > 30 then delete a pour effet de retirer de la table «bio» les sujets de plus de 30 ans. Notons que ces sujets ne sont pas effacés du fichier de données (bio.txt), mais simplement retirés de la table virtuelle définie par l énoncé DATA. L énoncé IF THEN peut être utilisé de diverses façons dans la création ou la modification de variables. Voici quelques exemples et notez qu on vous recommande d insérer les deux premières fonctions dans votre éditeur Changer les valeurs d une variable Dans le fichier de données biographiques, on note un âge égal à 228 pour le sujet numéro 10. Il s agit d une erreur qu il est difficile de corriger, à moins d avoir accès à l information en question. On peut alors vouloir transformer cette valeur extrême en donnée manquante : IF AGE = 228 THEN AGE =. ; Dans SAS, le point indique une donnée manquante. Notons que cette transformation modifie la table (celle qu on analyse) sans altérer le fichier de données initial (celui dans lequel on a saisi les valeurs) Créer une nouvelle variable à partir d une variable existante 21

22 Chapitre 2 Lecture des données et définition des variables La variable âge est une variable continue qu on souhaite traiter, dans certaines analyses, comme variable catégorielle. On peut créer une nouvelle variable (groupe) à partir des valeurs de la variable âge : IF AGE < 20 THEN GROUPE = 1 ; IF 20 =< AGE < 30 THEN GROUPE = 2 ; IF AGE => 30 THEN GROUPE = 3 ; Ou encore : IF AGE < 20 THEN GROUPE = 1 ; IF 20 =< AGE < 30 THEN GROUPE = 2 ; ELSE GROUPE = 3 ; Voici un exemple de l éditeur: Inverser des données Dans le fichier «psycho», les variables q3 et q6 sont des questions avec un sens négatif. Il faut donc inverser les réponses inscrites pour chaque sujet afin de calculer un score total (ex : si le sujet a inscrit 1 à la question q3 cette valeur doit être changée à 4). Deux façons simples peuvent être utilisées pour inverser les scores obtenus. D abord, il est possible d utiliser la méthode IF THEN: DATA PSYCHO; SET SASUSER.PSYCHO; IF q3 = 1 THEN q3s = 4; IF q3 = 2 THEN q3s = 3; IF q3 = 3 THEN q3s = 2; IF q3 = 4 THEN q3s = 1; IF q6 = 1 THEN q6s = 4; IF q6 = 2 THEN q6s = 3; IF q6 = 3 THEN q6s = 2; IF q6 = 4 THEN q6s = 1; RUN; Il est aussi possible de faire l inversion par soustraction. DATA PSYCHO; SET SASUSER.PSYCHO; q3s = 5-q3 q6s = 5-q6 RUN; 22

23 Chapitre 2 Lecture des données et définition des variables L option ELSE Lorsqu on commande l inversion de données par recouvrement de valeurs existantes, par exemple, IF x=1 THEN x=2; IF x=2 THEN x=1;, SAS ne fait que transformer toutes les données en la dernière valeur inscrite. Dans ce cas, toutes les valeurs de x = 1. En ajoutant l option ELSE à partir de la deuxième ligne de la commande IF-THEN l inversion par recouvrement est possible. IF x=1 THEN x=2; ELSE IF x=2 THEN x=1; Appliquer une fonction mathématique selon une condition logique On souhaite appliquer une correction (diminution de 20 %) aux scores obtenus au questionnaire d estimation de la performance, mais seulement aux sujets du groupe 1 qui ont obtenu un score supérieur à 10. IF GROUPE = 1 AND ESTIM > 10 THEN ESTIM = ESTIM*0.8 ; Si les deux conditions sont rencontrées, le score au questionnaire est multiplié par 0,8, soit 80 % de sa valeur initiale, ce qui correspond à une diminution de 20 %. Pour les sujets des autres groupes, la valeur de la variable estim demeure inchangée. L ensemble des fonctions mathématiques peut être utilisé dans les fonctions logiques. 2.4 Techniques avancées de programmation Boucles «DO...TO...END» Les options DO TO END dans l étape data permettent d exécuter une boucle répétitive. La commande DO commence la boucle et la commande END finie la boucle. Dans l exemple suivant, pour 20 observations, SAS génère une variable «x» qui augmente de deux pour chaque observation. L option «output» rend visibles les données créées par cette boucle dans le dossier «Work». DATA EXEMPLE; X=0 ; DO i = 1 TO 20 ; X+2 ; OUTPUT; END; RUN; La fonction RANNOR(.) La fonction RANNOR(.) permet de générer des nombres aléatoires en suivant une loi normale centrée réduite. Le nombre inscrit entre parenthèses sert de point de départ pour la génération de nombres aléatoires. Dans l exemple suivant, un nombre aléatoire «x» a été assigné à chaque sujet du fichier biopsy. DATA BIOPSY ; SET SASUSER.BIOPSY ; X = RANNOR(1) ; RUN; 23

24 Chapitre 2 Lecture des données et définition des variables Il est même possible d insérer la fonction RANNOR dans une Boucle DO TO END. L exemple ci-dessous génère des données aléatoires centrées réduites x et y pour 100 échantillons de 100 observations. DATA EXEMPLE ; DO SAMPLE = 1 TO 100 ; DO N = 1 TO 100 ; X = 0+SQRT(1)*RANNOR(0) ; Y = 0+SQRT(1)*RANNOR(0) ; OUTPUT; END; END; La fonction RAND(dist) La fonction RAND(dist) permet de générer des nombres aléatoires en spécifiant une distribution quelconque. Vingt distributions peuvent être spécifier parmi lesquelles on retrouve NORMAL, POISSON, EXPONENTIAL et UNIFORM. Ex : X = RAND(POISSON) L option ARRAY L option Array est utilisée dans l étape Data. Cette option permet la transformation de données. Par exemple, modifier les valeurs d une variable et vérifier l existence de données manquantes sur un grand nombre de sujets sont quelques-unes des manipulations possibles de l option Array. Modification des valeurs d une variable ARRAY nom du array {nombre d éléments à traiter} noms des éléments ; DO i = position des éléments à traiter dans la suite { } ; IF nom du array{i} = 2 THEN nom du array {i} = 1 ; IF nom du array{i} = 4 THEN noms du array {i} = 3 ; END DROP i ; Dans l exemple suivant, «quest» est le nom du ARRAY. Ce nom doit être différent pour chaque ARRAY. Le nombre entre parenthèses (6) est le nombre d éléments traités par ARRAY. La commande «q1-q6» est le nom de ces six éléments, c est-à-dire q1, q2, q3, q4, q5, q6. Les valeurs suivant la commande «do i =» sont les positions des éléments à traiter. Comme à la section 2.2.2, on applique la fonction IF THEN. Celle-ci s applique à tous les éléments spécifiés par ARRAY. Enfin, la commande «DROP i» élimine la variable «i» d apparaitre dans le tableau de données. Cette variable ne sert qu au traitement de la fonction ARRAY. Les modifications aux variables q1 à q6 sont visibles dans table de donnée du dossier «Work» de la bibliothèque SAS. DATA BIOPSY ; SET SASUSER.BIOPSY ; ARRAY QUEST {6} q1-q6 ; DO i = 1 TO 6 ; IF QUEST{i} = 2 THEN QUEST{i} = 1 ; IF QUEST{i} = 3 THEN QUEST{i} = 1 ; END ; DROP i; RUN ; 24

25 Chapitre 2 Lecture des données et définition des variables Vérification des données manquantes ARRAY nom du array {nombre d éléments à traiter} noms des éléments ; Nouvelle variable=0 DO i = position des éléments à traiter dans la suite entre { } ; IF nom du array{i} =. THEN nouvelle variable = nouvelle variable + 1; END DROP i ; Cette commande créée une nouvelle colonne dans la table de données qui compte le nombre de données manquantes pour chaque sujet pour les variables spécifiées dans ARRAY. Les exemples précédents ne présentent que quelques utilités de l option ARRAY. D autres méthodes d utilisation sont disponibles dans le guide de procédure «Base SAS» disponible sur 25

26 Chapitre 3 - Procédures SAS 3.1 Introduction à la programmation de procédures SAS Une fois qu une table virtuelle est formée à l aide de l énoncé DATA, des analyses statistiques peuvent être effectuées sur les variables. Les commandes d analyses statistiques sont effectuées grâce à des énoncés de procédure (PROC). De façon générale, les énoncés PROC requièrent un minimum de quatre lignes de programmation : PROC nom de l analyse DATA = nom de la table SAS ; VAR (dans certaines analyses : CLASS) identification des variables ; TITLE titre donné à l analyse ; RUN ; La ligne PROC L énoncé PROC est toujours suivi du nom de l analyse statistique souhaitée. Le tableau 3.1 présente une liste des principales analyses statistiques ainsi que de quelques autres procédures utiles. Le nom de la table (DATA =) doit suivre le nom de la procédure. Cette spécification peut toutefois être omise si l ensemble du programme ne porte que sur une seule table. Tableau 3.1 Liste de procédures SAS A. Analyses statistiques Statistiques descriptives Moyenne, écart type, étendue Analyse exploratoire des données Tableau de fréquences Cohérence interne (coefficient alpha) Analyses inductives univariées Corrélation (Pearson, Spearman) Proportion (khi-deux) Test t Analyse de variance (ANOVA, ANCOVA) Régression simple Analyses inductives multivariées Analyse de variance (MANOVA, MANCOVA) Régression multiple Analyse discriminante Analyse factorielle Analyse de regroupement («cluster») Modélisation structurale Énoncé PROC PROC MEANS PROC UNIVARIATE PROC FREQ PROC CORR PROC CORR PROC FREQ PROC TTEST PROC GLM PROC REG PROC GLM PROC REG PROC DISCRIM PROC FACTOR PROC CLUSTER PROC CALIS B. Autres procédures Visualisation des données Transformation en données ordinales Transformations linéaires (z, T, etc.) Tri PROC PRINT PROC RANK PROC STANDARD PROC SORT

27 L identification des variables La manière d identifier les variables soumises à l analyse dépend de l analyse souhaitée. Par exemple, pour le calcul de la moyenne pour la variable taille, l identification de la variable se fera comme suit : PROC MEANS DATA = bio; VAR TAILLE; RUN; Dans le cas d une analyse de variance (ANOVA) sur la variable taille en fonction du genre, l identification des variables se fera sur deux lignes afin de distinguer variable dépendante (taille) et indépendante (genre) : PROC GLM DATA = bio; CLASS GENRE; MODEL TAILLE = GENRE; RUN; Il est donc essentiel de connaître la syntaxe exacte qui correspond à la procédure qu on veut utiliser. La ligne TITLE On peut donner un titre (TITLE) à l analyse effectuée par chaque énoncé PROC. Ce titre apparaît au-dessus de chacune des pages de la sortie informatique correspondant à cette analyse, et peut être utilisé pour préciser certains détails en facilitant la compréhension. Un titre (TITLE) peut s étendre sur dix lignes, lesquelles sont spécifiées par TITLE1, TITLE2,, TITLE10. Le texte du titre pour chaque ligne doit être placé entre guillemets ( ) et se terminer par un point-virgule (;). La ligne RUN Cette ligne indique la fin d un énoncé PROC Les options de procédure Les procédures dans SAS peuvent être suivies d une liste d options qui modifieront l apparence des résultats de la sortie. Par exemple, si on prend l énoncé PROC MEANS, la sortie par défaut affiche le N, la moyenne, l écart type, le minimum et le maximum. 27

28 Si l on veut modifier la sortie pour qu elle affiche seulement le N, la moyenne et l écart type, on ajoute les options nécessaires à la fin de l énoncé PROC : La sortie affichera alors : Les sections suivantes listent des énoncés PROC et quelques-unes de leurs commandes d options respectives. 3.2 Trois procédures de gestion des données Les procédures présentées ici ont été conçues pour être effectuées sur une table combinée des données biométriques et psychométriques de l exemple («biopsy») L énoncé PROC PRINT La procédure PRINT affiche, dans la fenêtre Sortie, les données de la table définie dans l énoncé DATA pour les variables indiquées dans une commande VAR. L affichage des données est utile entre autres suite à la transformation de variables, puisqu elle permet de s assurer que les variables ont été correctement transformées. Elle permet aussi de vérifier que les analyses seront faites sur les bonnes données. PROC PRINT DATA = BIOPSY; VAR SUJET GENRE AGE VITESSE Q1 Q2 Q6; TITLE Extrait de la table de l exemple ; RUN; Cette procédure fournit l information sous la forme suivante afin de permettre la vérification de l intégrité de la lecture des données de l énoncé DATA. 28

29 3.2.2 L énoncé PROC PLOT La procédure PLOT permet d obtenir un diagramme de dispersion. Un tel diagramme permet de visualiser la relation entre deux variables en plus de permettre de constater si certains postulats (linéarité, homogénéité des variances) sont rencontrés. PROC PLOT DATA = BIOPSY; PLOT ERREURS*VITESSE; TITLE Diagramme de dispersion ; RUN; Ces lignes de programme permettent d obtenir, dans la fenêtre Sortie, le diagramme présenté au début de la page suivante. À noter que le graphique est composé lettre au lieu de points. La légende du graphique nous indique ce qu elles signifient. 29

30 Les lettres indiquent combien d observations se trouvent à un point particulier dans le graphique. Deux des sujets ayant complété le test en 169 secondes ont commis 22 erreurs L énoncé PROC STANDARD La procédure STANDARD permet de normaliser les valeurs de quelques-unes ou de toutes les variables d une table de données. Cette procédure permet entre autres de remplacer les données manquantes d une variable par la moyenne de la variable. À la section nous avons remplacé l âge 228 par un point. Il est possible, avec la procédure STANDARD de remplacer les données manquantes de la variable «age» par la moyenne d âge : PROC STANDARD DATA = BIOPSY REPLACE; VAR AGE; RUN; La procédure STANDARD peut aussi être utile si on cherche à standardiser une variable, il suffit de préciser la moyenne et l écart type dans les options de procédure: PROC STANDARD DATA = BIOPSY MEAN = 0 STD = 1; VAR ESTIM; RUN; La procédure STANDARD produit par défaut une nouvelle table de donnée dans Work nommée «Data#». Pour renommer cette table il suffit d ajouter l option OUT=nom de table de données dans les options de procédures. Les commandes BY, FREQ et WEIGHT peuvent être utilisées comme options pour la ligne VAR. 30

31 3.2.4 L énoncé PROC SORT La procédure SORT est une procédure de tri. Elle permet de trier les observations en fonction d une ou de plusieurs variables spécifiées dans une commande BY : PROC SORT DATA = BIOPSY; BY GENRE; RUN; Le tri est nécessaire à chaque fois qu une commande BY ou CLASS est requise dans une procédure subséquente. Une procédure SORT, une fois exécutée, demeure opérationnelle pour le reste du programme, à moins qu une nouvelle procédure SORT ne survienne. Par défaut, les observations sont triées de façon ascendante. Un tri descendant est possible grâce à l option DESCENDING placé après la commande BY. La procédure SORT ne produit aucune sortie informatique ; il s agit simplement d une réorganisation de la table virtuelle en vue d un traitement. Les lignes suivantes illustrent l utilisation de l énoncé PROC SORT pour l affichage des données de l exemple séparément pour chaque groupe d âge. : PROC SORT DATA=BIOPSY; BY GROUPE; RUN; PROC PRINT DATA=BIOPSY; VAR SUJET AGE VITESSE Q1-Q4; BY GROUPE; TITLE Extrait de la table de l exemple séparément pour chaque groupe ; RUN; 31

32 32

33 3.3 Présentation graphique des données L énoncé PROC CHART La procédure CHART permet d obtenir un histogramme de fréquence dans la fenêtre sortie. PROC CHART DATA= BIOPSY; VBAR VITESSE; TITLE histogramme de fréquence ; RUN; 33