Die gebr\u00e4uchlichste Methode zur Identifizierung von Ausrei\u00dfern in einem Datensatz ist die Verwendung des Interquartilbereichs.<\/span><\/p>\n Der Interquartilbereich (IQR) ist die Differenz zwischen dem 75. Perzentil (Q3) und dem 25. Perzentil (Q1) in einem Datensatz. Es misst die Verteilung der durchschnittlichen 50 % der Werte.<\/span><\/p>\n Im Allgemeinen definieren wir eine Beobachtung als Ausrei\u00dfer, wenn sie das 1,5-fache des Interquartilbereichs oberhalb des dritten Quartils (Q3) oder das 1,5-fache des Interquartilbereichs unterhalb des ersten Quartils (Q1) betr\u00e4gt.<\/span><\/p>\n Ausrei\u00dfer = Beobachtungen > Q3 + 1,5*IQR oder < Q1 \u2013 1,5*IQR<\/strong><\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Formel verwenden, um Ausrei\u00dfer in einem Datensatz in SAS zu identifizieren.<\/span><\/p>\n Nehmen wir an, wir haben den folgenden Datensatz in SAS:<\/span> <\/p>\n Der einfachste Weg, Ausrei\u00dfer in SAS zu identifizieren, besteht darin, ein Boxplot zu erstellen, das automatisch die zuvor genannte Formel verwendet, um Ausrei\u00dfer im Datensatz als kleine Kreise zu identifizieren und anzuzeigen:<\/span> <\/p>\n Aus dem Boxplot k\u00f6nnen wir erkennen, dass sich am oberen Rand des Diagramms zwei kleine Kreise befinden. Dies weist darauf hin, dass es zwei Ausrei\u00dfer gibt.<\/span><\/p>\n In der Tabelle unterhalb des Boxplots sehen wir die genauen Werte der beiden Ausrei\u00dfer: 221<\/strong> und 223<\/strong> .<\/span><\/p>\n Mit der vorherigen Formel k\u00f6nnen wir manuell \u00fcberpr\u00fcfen, ob diese beiden Werte Ausrei\u00dfer sind:<\/span><\/p>\n Ausrei\u00dfer = Beobachtungen > Q3 + 1,5*IQR oder < Q1 \u2013 1,5*IQR<\/strong><\/span><\/p>\n Der Interquartilbereich betr\u00e4gt: Q3 \u2013 Q1 = 89,5 \u2013 36 = 53,5.<\/span><\/p>\n Die Obergrenze f\u00fcr Ausrei\u00dfer w\u00e4re: Q3 + 1,5*IQR = 89,5 + 1,5*53,5 = 169,75.<\/span><\/p>\n Da 221<\/strong> und 223<\/strong> beide gr\u00f6\u00dfer als dieser Wert sind, werden sie als Ausrei\u00dfer klassifiziert.<\/span><\/p>\n Wenn wir wollten, k\u00f6nnten wir dann den folgenden Code verwenden, um diese beiden Ausrei\u00dfer aus dem Datensatz zu entfernen:<\/span> <\/p>\n Beachten Sie, dass die beiden Ausrei\u00dfer entfernt wurden.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in SAS ausf\u00fchren:<\/span><\/p>\n So verwenden Sie die Verfahrenszusammenfassung in SAS<\/a> Ein Ausrei\u00dfer ist eine Beobachtung, die ungew\u00f6hnlich weit von anderen Werten in einem Datensatz entfernt ist. Ausrei\u00dfer k\u00f6nnen problematisch sein, da sie die Ergebnisse einer Analyse beeinflussen k\u00f6nnen. Die gebr\u00e4uchlichste Methode zur Identifizierung von Ausrei\u00dfern in einem Datensatz ist die Verwendung des Interquartilbereichs. Der Interquartilbereich (IQR) ist die Differenz zwischen dem 75. Perzentil (Q3) und […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Ausrei\u00dfer in SAS identifizieren<\/strong><\/span><\/h3>\n
\/*create dataset*\/\ndata<\/span> original_data;\n input<\/span> team $points;\n datalines<\/span> ;\nAt 18\nB24\nC26\nD 34\nE 38\nF45\nG 48\nH 54\nI 60\nDay 73\nK 79\nL 85\nM 94\nNo. 98\nO 221\nP 223\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> = original_data;\n<\/span><\/span><\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/valeur-aberrante1-1.jpg\")
<\/p>\n \/*create boxplot to visualize distribution of points*\/\nods<\/span> output<\/span> sgplot=boxplot_data;\nproc sgplot<\/span> data<\/span> =original_data;\n vbox<\/span> points;\nrun<\/span> ;\n\n\/*view summary of boxplot descriptive statistics*\/\n<\/span>proc print<\/span> data<\/span> =boxplot_data;<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/valeur-aberrante2-1.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/valeur-aberrante3.jpg\")
<\/p>\n \/*create new dataset with outliers removed*\/\ndata<\/span> new_data;\n set<\/span> original_data;\n if<\/span> points >= 221<\/span> then<\/span> delete;\nrun<\/span> ;\n\n\/*view new dataset*\/\n<\/span>proc print<\/span> data<\/span> =new_data;<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/valeur-aberrante4.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So verwenden Sie Proc Tabulate in SAS<\/a>
So berechnen Sie die Korrelation in SAS<\/a>
So erstellen Sie H\u00e4ufigkeitstabellen in SAS<\/a>
So ersetzen Sie fehlende Werte in SAS durch Null<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"