華東理工大學多元統(tǒng)計分析與SPSS應用實驗

1、華東理工大學20132014 學年 第 二 學期 多元統(tǒng)計分析與SPSS應用實驗報告6班級 學號 姓名 開課學院 商學院 任課教師 任飛 成績 實驗內(nèi)容：實驗 6 判別分析方法1. 使用默認值進行判別分析 選用數(shù)據(jù)文件data14-04 將slen,swid,plen,pwid移入Independents框 將spno移入Grouping Variables框 對輸出結果的認識2.使用選擇項進行判別分析 選用數(shù)據(jù)文件data14-04 將slen,swid,plen,pwid移入Independents框 將spno移入Grouping Variables框3.逐步判別法實驗要求：熟悉SPSS

2、中判別分析功能 Analyze Classify Discriminant2. 對“Employee data”進行數(shù)據(jù)整理教師評語： 教師簽名： 年 月 日實驗報告：1、 使用默認值進行判別分析打開“data14-04.sav”文件，依次選擇AnalyzeClassify Discriminant，將變量“slen,swid,plen,pwid”移入Independents框，將變量“spno”移入Grouping Variables框，單擊Grouping Variables框，再在Define Range彈出框中，Minimum輸入1，Maximum輸入2， 如圖1.1所示，單擊OK輸入

3、結果如圖1.2、圖1.3、圖1.4、圖1.5所示圖1.1圖1.2分析：總體樣本為150個，有效樣本數(shù)為150個，占總數(shù)的100%，無效或者未分組的樣本數(shù)為0個。圖1.3分析：圖1.4為分組統(tǒng)計量列表分析：圖1.4為Fisher判別法的兩個Fisher判別函數(shù)特征值。Function1的特征值為30.419，解釋了99%的變異.典型相關系數(shù)為0.984。Function2的判別函數(shù)的特征值為0.293，解釋了1%的變異.典型相關系數(shù)為0.476。其特征值是組間平方和與組內(nèi)平方和之比。圖1.5分析：圖1.5為WilksLambda的值，0.025表示判別函數(shù)具有較高的判別力，概率P值.000,判別

4、效果顯著；0.774表示判別函數(shù)，可能存在不顯著變量，應當可以考慮逐步判別法，判別函數(shù)具有較低的判別力，概率P值.000，判別效果顯著。圖1.6分析：圖1.6標準化后費希爾判別函數(shù)系數(shù)圖1.7分析：圖為1.7為結構系數(shù)又稱為判別負載，實際上是某個判別變量xi與判別值y之間的相關系數(shù)，它表達了兩者之間的擬合水平：絕對值很大（接近+1或-1），這個函數(shù)表達的信息與這個變量表達的信息幾乎完全相同，接近0，兩者之間幾乎沒什么共同之處。圖1.8分析：圖1.8為各判別函數(shù)組重心矩陣2、 使用選擇項進行判別分析(1)打開“data14-04.sav”文件，依次選擇AnalyzeClassify Discri

5、minant，將變量“slen,swid,plen,pwid”移入Independents框，將變量“spno”移入Grouping Variables框，單擊Grouping Variables框，再在Define Range彈出框中，Minimum輸入1，Maximum輸入2，在主對話框中，單擊Classify按紐，展開Classification，對話框，Prior Probabilities中選擇All groups equal，Use Covariance Matrix中選擇Within groups，Plots中選擇Combined groups,Separate groups,

6、Territorial map，Display中選擇Summary table，Casewise results.單擊Continue.如圖2.1所示圖2.1(2) 在主對話框中，單擊Statistics按紐，展開Statistics對話框，Descriptives中選擇Means，F(xiàn)unction Coefficients中選擇Fishers，Unstandardized，Matrices中選擇Within-groups correlation, Within-groups covariance, Separate-groups covariance,Total covariance。如圖2

7、.2所示圖2.2(3) 在主對話框中，單擊Save按紐，展開Save New Variables的對話框，選擇“Predicted group membership、Descriminant Scores、Probabilities of group membership”如圖2.3所示(4)單擊OK，輸出結果如圖2.4分析：總體樣本為150個，有效樣本數(shù)為150個，占總數(shù)的100%，無效或者未分組的樣本數(shù)為0。分析：由上圖可知各項均值，標準差，有效樣本個數(shù)。分析：上圖為組內(nèi)協(xié)方差和相關系數(shù)矩陣分析：上圖為協(xié)方差矩陣分析：上圖為Fisher判別法下兩個個Fisher判別函數(shù)的特征值。Funct

8、ion 1的特征值為30.419，解釋了99%的變異.典型相關系數(shù)為0.984。Function 2的特征值為0.293，解釋了1%的變異.典型相關系數(shù)為0.476。分析：上圖為Wilks Lambda的值(其值越小越好)0.025表示判別函數(shù)很好且判別效果顯著； 0.774表示判別函數(shù)不好但判別效果顯著。分析：標準化后費歇爾費希爾判別函數(shù)系數(shù)分析：結構矩陣分析：費希爾判別函數(shù)矩陣分析：上圖為各組重心坐標值。利用Fisher判別函數(shù)計算出各觀測值具體坐標后，再計算出離各重心的距離，則可得知分類情況。 分析：貝葉斯判別函數(shù)，有效樣本為150個，無缺省樣本或未知樣本。 Territorial Ma

9、pCanonical DiscriminantFunction 2 -12.0 -8.0 -4.0 .0 4.0 8.0 12.0 12.0 12 23 12 23 12 23 12 23 12 23 12 23 8.0 12 23 12 23 12 23 12 23 12 23 12 23 4.0 12 23 12 23 12 23 12 23 12 23 12 23 * .0 * 12 23 12 * 23 12 23 12 23 12 23 12 23 -4.0 12 23 12 23 12 23 12 23 12 23 12 23 -8.0 12 23 12 23 12 23 12 2

10、3 12 23 12 23 -12.0 12 23 -12.0 -8.0 -4.0 .0 4.0 8.0 12.0 Canonical Discriminant Function 1Symbols used in territorial mapSymbol Group Label- - - 1 1 剛毛鳶尾花 2 2 變色鳶尾花 3 3 佛吉尼亞鳶尾花 * Indicates a group centroid分析：上圖顯示各類正確判別率分別為100%，96%，98%3、 逐步判別法打開“discrim.sav”，將pa,alpha_ag,alpha_at,hp移入Independents框，將

11、group移入Grouping Variables框，在主對話框中，選擇 Use stepwise method，單擊 Method 按紐，展開 Stepwise method 的對話框分析：圖為變量進入及刪除表，剔除顯著性較弱的變量，變量“ALPHA_AT”、“PA”進入判別函數(shù)。分析：進入判別分析的變量表分析：不在判別分析中的變量表，Wilks Lambda 檢驗值在第0步中，ALPHA_AT為0.539最小，選入判別函數(shù)，PA在第1步中選入判別函數(shù)。分析：圖為各步WilksLambda 統(tǒng)計量，概率P值均為.000小于顯著性水平0.05.分析：上圖為判別指數(shù)和判別函數(shù)的顯著性檢驗分析：Fisher判別函數(shù)的系數(shù)分析：原始樣本始回代判別正確率，正常人84%，肝癌AFP檢測陽性只有15%，肝癌AFP檢測陰性只有15%，肝硬化只有33%。4、 作業(yè)：對案例：CropPain連鎖店展開判別分析討論(1) 先用聚類分析將變量分成n組，比如4組，如圖4.1所示(2) 依次選擇AnalyzeClassify Discriminant，將所有變量移入In