數據集Car（1728個觀測值，6個自變量，因變量Car有unacc\acc\good\very good 4個取值。
分兩個過程實現，代碼如下：
1. PROC LOGISTIC 過程實現：
/*邏輯迴歸數據集Car（1728個觀測值，每個含6個屬性，目標變量Car(unacc\acc\good\very good)）*/
/*導入數據集australian到邏輯庫work中*/
proc import out=ds
datafile="\\vmware-host\Shared Folders\桌面\SAS\\data\\Car.csv" /*文件路徑*/
dbms=csv replace; /*文件類型指定*/
delimiter=',';
getnames=yes; /*是否將第一列作爲列名*/
run;
/**************************** 使用交叉驗證法選擇最優模型 *****************************************/
/*利用10-折交叉驗證法計算測試集上的預測準確率*/
%let k=10; /*定義宏變量-交叉驗證的折數k*/
%let rate=%sysevalf((&k-1)/&k); /*給出交叉驗證的樣本抽樣比率（因爲宏變量k的本質是文本，不能直接參與運算，要將其視爲數字計算要用%evalf or %sysevalf）*/
/*生成交叉驗證的10個樣例，保存在cv中*/
proc surveyselect data=ds
out=cv /*生成的樣例全部放在數據集cv中*/
seed=158
samprate=&rate /*抽樣比率設定，宏變量rate的調用要加&*/
outall /*輸出全部數據*/
reps=10; /*指定樣本重複的次數*/
run;
/*交叉驗證的生成數據集中，selected列爲1表示該行爲訓練集樣本，0表示測試集樣本，這裏爲new_y賦值，
若selected=1，則可獲得Y的值，若爲0，該行的new_y爲空。接下來給出new_y爲空行的預測值。*/
data cv;
set cv;
if selected then new_y=Car;
run;
/*邏輯迴歸主程序 - 使用LOGISTIC進行有序多分類logit迴歸 - 10折交叉驗證*/
PROC LOGISTIC data=cv ;
CLASS Buying Maint doors Persons Lug_boot Safety;
MODEL new_y=Buying Maint doors Persons Lug_boot Safety
/ LINK=cumLOGIT /*擬合有序多分類logistic迴歸模型*/
SELECTION=STEPWISE /*選擇建模方式 - 逐步排除法*/
SLE=0.1 SLS=0.1 ; /*擬合有序多分類logistic迴歸模型*/
by replicate;
score data=cv out=out1(where=(new_y='')) ;
RUN;
/*彙總交叉驗證的結果*/
/*計算預測準確率(測試集中預測準確的樣本佔預測總樣本的概率)*/
data out2;
set out1;
if Car=I_new_y then d=1; /*d爲真實值和預測值的誤差,這裏設無誤差爲1，有誤差爲0*/
else d=0;
run;
proc summary data=out2;
var d;
output out=out3 sum(d)=d1; /*預測正確的個數*/
by replicate;
run;
data out3;
set out3;
acc=d1/_freq_; /*預測準確率*/
keep replicate acc;
run;
title '交叉驗證最優模型選擇：組號、預測準確率';
ods output SQL_Results=cvparam; /*保存最優模型結果在cvparam數據集中*/
proc sql ;
select replicate,acc from out3 having acc=max(acc);
quit;
ods output close;
/***************** 以交叉驗證的最優結果組進行建模 *************************************/
/*以最優組合從cv的10個樣例中拿出最優樣例，作爲訓練集和測試集*/
/*取出最優組號對應的selected=1的行，作爲訓練集train，其餘的作爲測試集test*/
proc sql ;
create table train as
select * from cv where replicate in (select replicate from cvparam having replicate=min(replicate))
having selected=1;
create table test as
select * from cv where replicate in (select replicate from cvparam having replicate=min(replicate))
having selected=0;
quit;
TITLE '--------Logistic Regression - 數據集Neur - 建模方法 STEPWISE ---------------------------';
/* 邏輯迴歸主程序 - 通過訓練集建立logistic模型*/
proc logistic data=train /*根據分類值從大到小選擇建模組別，此處爲yes*/
covout outest=Nout_step /*輸出建模參數估計值及變量間的協方差矩陣*/
outmodel=model /*輸出建模結果（若想要通過已有的建模結果來預測新數據集，這裏可以用inmodel實現）*/
simple; /*輸出變量的簡單統計量*/
CLASS Buying Maint doors Persons Lug_boot Safety;
MODEL Car=Buying Maint Doors Persons Lug_boot Safety /*logistic迴歸模型：反應變量=自變量1 2 3...*/
/ LINK=cumLOGIT /*擬合有序多分類logistic迴歸模型*/
SELECTION=STEPWISE /*選擇建模方式 - 逐步排除法*/
SLE=0.1 SLS=0.1 /*變量在模型中的顯著程度，默認爲0.05*/
details /*輸出模型界定的過程，包括自變量的檢定和相關係數的值*/
lackfit /*輸出HL擬合優度*/
RSQ /*模型解釋度R方*/
STB /*輸出標準化模型後的參數*/
CL /*參數估計和置信區間*/
itprint /*輸出分析每個步驟的統計量*/
corrb /*輸出變量的相關矩陣*/
covb /*輸出變量的協方差矩陣*/
ctable /*輸出不同閾值下的二分類變量的分組情況，類似於ROC曲線上的每個點的值*/
influence /*輸出觀察體中每個變量統計量，便於找出對分析結果影響力較大的觀察體*/
IPLOTS ; /*針對influence的結果畫出圖形，影響力過高的觀察體在圖形上都會顯得特別突出*/
score data=train out=train_pred outroc=train_roc; /*通過score語句得到訓練集上一系列的sensitivity和specificity，畫出ROC曲線*/
score data=test
out=test_pred
outroc=test_roc; /*通過score來預測測試集，結果保存在test_pred中，畫出ROC曲線*/
run;
quit;
/* 輸出混淆矩陣 - 訓練集*/
ods output CrossTabFreqs=ct_train; /*保存混淆矩陣表（訓練集）*/
proc freq data=train_pred;
tables F_Car*I_Car;
run;
ods output close;
proc sql;
create table acc1 as
select sum(percent) from ct_train where (F_CAR=I_Car and F_Car^='');
proc print data=acc1;
title '訓練集上的預測準確率';
run;
/* 輸出混淆矩陣及準確率等指標 - 測試集*/
ods output CrossTabFreqs=ct_test; /*保存混淆矩陣表（測試集）*/
proc freq data=test_pred;
tables F_Car*I_Car ;
run;
ods output close;
proc sql;
create table acc2 as
select sum(percent) from ct_test where (F_CAR=I_Car and F_Car^='');
proc print data=acc2;
title '測試集上的預測準確率';
run;
2. PROC GENMOD 過程實現：
/*邏輯迴歸數據集Car（1728個觀測值，每個含6個屬性，目標變量Car(unacc\acc\good\very good)）*/
/*導入數據集australian到邏輯庫work中*/
proc import out=ds
datafile="\\vmware-host\Shared Folders\桌面\SAS\\data\\Car.csv" /*文件路徑*/
dbms=csv replace; /*文件類型指定*/
delimiter=',';
getnames=yes; /*是否將第一列作爲列名*/
run;
/**************************** 使用交叉驗證法選擇最優模型 *****************************************/
/*利用10-折交叉驗證法計算測試集上的預測準確率*/
%let k=10; /*定義宏變量-交叉驗證的折數k*/
%let rate=%sysevalf((&k-1)/&k); /*給出交叉驗證的樣本抽樣比率（因爲宏變量k的本質是文本，不能直接參與運算，要將其視爲數字計算要用%evalf or %sysevalf）*/
/*生成交叉驗證的10個樣例，保存在cv中*/
proc surveyselect data=ds
out=cv /*生成的樣例全部放在數據集cv中*/
seed=158
samprate=&rate /*抽樣比率設定，宏變量rate的調用要加&*/
outall /*輸出全部數據*/
reps=10; /*指定樣本重複的次數*/
run;
/*交叉驗證的生成數據集中，selected列爲1表示該行爲訓練集樣本，0表示測試集樣本，這裏爲new_y賦值，
若selected=1，則可獲得Y的值，若爲0，該行的new_y爲空。接下來給出new_y爲空行的預測值。*/
data cv;
set cv;
if selected then new_y=Car;
run;
/*邏輯迴歸主程序 - 使用LOGISTIC進行有序多分類logit迴歸 - 10折交叉驗證*/
PROC genmod data=cv ;
CLASS Buying Maint doors Persons Lug_boot Safety;
MODEL new_y=Buying Maint doors Persons Lug_boot Safety
/ DIST=multinomial
LINK=cumLOGIT; /*擬合有序多分類logistic迴歸模型*/
by replicate;
output out=out1(where=(new_y='')) P=P ;
RUN;
/*彙總交叉驗證的結果*/
/*計算預測準確率(測試集中預測準確的樣本佔預測總樣本的概率)*/
data out2;
set out1;
if Car=I_new_y then d=1; /*d爲真實值和預測值的誤差,這裏設無誤差爲1，有誤差爲0*/
else d=0;
run;
proc summary data=out2;
var d;
output out=out3 sum(d)=d1; /*預測正確的個數*/
by replicate;
run;
data out3;
set out3;
acc=d1/_freq_; /*預測準確率*/
keep replicate acc;
run;
title '交叉驗證最優模型選擇：組號、預測準確率';
ods output SQL_Results=cvparam; /*保存最優模型結果在cvparam數據集中*/
proc sql ;
select replicate,acc from out3 having acc=max(acc);
quit;
ods output close;
/***************** 以交叉驗證的最優結果組進行建模 *************************************/
/*以最優組合從cv的10個樣例中拿出最優樣例，作爲訓練集和測試集*/
/*取出最優組號對應的selected=1的行，作爲訓練集train，其餘的作爲測試集test*/
proc sql ;
create table train as
select * from cv where replicate in (select replicate from cvparam having replicate=min(replicate))
having selected=1;
create table test as
select * from cv where replicate in (select replicate from cvparam having replicate=min(replicate))
having selected=0;
quit;
TITLE '--------Logistic Regression - 數據集Neur - 建模方法 STEPWISE ---------------------------';
/* 邏輯迴歸主程序 - 通過訓練集建立genmod模型*/
proc genmod data=train ;
CLASS Buying Maint doors Persons Lug_boot Safety;
MODEL Car=Buying Maint Doors Persons Lug_boot Safety
/ DIST=multinomial
LINK=cumLOGIT ;
output out=train_pred P=P ;
run;
quit;
/* 輸出混淆矩陣 - 訓練集*/
ods output CrossTabFreqs=ct_train; /*保存混淆矩陣表（訓練集）*/
proc freq data=train_pred;
tables F_Car*I_Car;
run;
ods output close;
proc sql;
create table acc1 as
select sum(percent) from ct_train where (F_CAR=I_Car and F_Car^='');
proc print data=acc1;
title '訓練集上的預測準確率';
run;
/* 輸出混淆矩陣及準確率等指標 - 測試集*/
ods output CrossTabFreqs=ct_test; /*保存混淆矩陣表（測試集）*/
proc freq data=test_pred;
tables F_Car*I_Car ;
run;
ods output close;
proc sql;
create table acc2 as
select sum(percent) from ct_test where (F_CAR=I_Car and F_Car^='');
proc print data=acc2;
title '測試集上的預測準確率';
run;