判別分析的實(shí)現(xiàn)

判別分析的實(shí)現(xiàn)第1頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月SPSS提供的建立判別函數(shù)的方法有：1.全模型法：把所有的變量放入判別函數(shù)中2.逐步判別法判別分析的步驟對(duì)于分為m類(lèi)的研究對(duì)象，建立m個(gè)線性判別函數(shù)，對(duì)測(cè)試的樣本代入判別函數(shù)，得出判別得分，從而確定該樣本屬于哪一類(lèi)。第2頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月Discriminant

第3頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月Discriminant對(duì)話框

第4頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月GroupingVariable：已知的觀測(cè)量所屬類(lèi)別的變量（分類(lèi)變量）Independents：觀測(cè)量，即參與判別分析的變量。UseStepwisemethod：當(dāng)不認(rèn)為所有自變量都能對(duì)觀測(cè)量特性提供豐富的信息時(shí)，使用該選擇項(xiàng)。因此根據(jù)對(duì)判別貢獻(xiàn)的大小進(jìn)行選擇。Enterindependenttogether：當(dāng)所有自變量都能對(duì)觀測(cè)量特性提供豐富的信息時(shí)，使用該選擇項(xiàng)。選擇該項(xiàng)將不加選擇地使用所有自變量進(jìn)行判別分析，建立全模型。不需要進(jìn)一步進(jìn)行選擇。第5頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月選擇分類(lèi)變量及其范圍在主對(duì)話框中左面的矩形框中選擇表明已知的觀測(cè)量所屬類(lèi)別的變量（一定是離散變量，按上面一個(gè)箭頭按鈕，使該變量名移到箭頭按鈕右面，“GroupingVariable”下面的矩形框此時(shí)矩形框下面的“Definerange…”按鈕加亮，按該按鈕，屏幕顯示一個(gè)小對(duì)話框，供指定該分類(lèi)變量的數(shù)值范圍。定義分類(lèi)變量范圍的小對(duì)話框如下圖

所示。

在"Minimum："后面的矩形框中輸入該分類(lèi)變量的最小值；在"Muximurn："后面的矩形框中輸入該分類(lèi)變量的最大值。

第6頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月分類(lèi)變量范圍對(duì)話框

2第7頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月指定判別分析的自變量

在主對(duì)話框的左面的變量表中選擇表明觀測(cè)量特征的變量，按下面一個(gè)箭頭按鈕，把選中的變量移到“Independents:”下面的矩形框中，作為參與判別分析的變量。第8頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

Indepents對(duì)話框數(shù)據(jù)變量輸入框第9頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月數(shù)據(jù)判別分析完成前面四步驟的操作即可使用各種系統(tǒng)默認(rèn)值對(duì)工作數(shù)據(jù)集的數(shù)據(jù)進(jìn)行判別分析了?？梢允褂玫姆椒ㄓ袃煞N：

(1)直接運(yùn)行：在主對(duì)話框中按（用鼠標(biāo)單擊）"Ok"按鈕

(2)生成SPSS命令程序后再運(yùn)行：在主對(duì)話框中按"Paste"按鈕，激活"Syntax"窗，在該窗中按"Run"按鈕執(zhí)行該語(yǔ)句窗中的程序。

無(wú)論哪種方法均可在"output"窗中顯示出分析結(jié)果。

完全使用系統(tǒng)默認(rèn)值進(jìn)行判別分析，其結(jié)果有時(shí)不能令人滿意，因此根據(jù)以下步驟指定選擇項(xiàng)是很有必要的。

第10頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月選擇觀測(cè)量

如果希望使用一部分觀測(cè)量進(jìn)行判別函數(shù)的推導(dǎo)，而且有一個(gè)變量的某個(gè)值可以作為某些觀測(cè)量的標(biāo)識(shí)，則用Select功能進(jìn)行選擇。操作方法是，單擊“Select”按鈕展開(kāi)小選擇框，在“Vaiable：”后面矩形框中輸入該變量的變量名，在“Value：”后面輸入標(biāo)識(shí)參與分析的觀測(cè)量所具有的該變量值。一般均使用數(shù)據(jù)文件中的所有合法觀測(cè)量。此步驟可以省略。

第11頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月Select功能選擇第12頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月選擇分析方法

在主對(duì)話框中自變量矩形框下面有兩個(gè)選擇項(xiàng)，被選中的方法前面的圓圈中加有黑點(diǎn)。這兩個(gè)選擇項(xiàng)是選擇判別分析方法的。（1）Enterindependenttogether

當(dāng)你認(rèn)為所有自變量都能對(duì)觀測(cè)量特性提供豐富的信息時(shí)，使用該選擇項(xiàng)。選擇該項(xiàng)將不加選擇地使用所有自變量進(jìn)行判別分析，建立全模型。不需要進(jìn)一步進(jìn)行選擇。

第13頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（2）UseStepwisemethod

當(dāng)你不認(rèn)為所有自變量都能對(duì)觀測(cè)量特性提供豐富的信息時(shí)，使用該選擇項(xiàng)。因此根據(jù)對(duì)判別貢獻(xiàn)的大小進(jìn)行選擇。當(dāng)鼠標(biāo)單擊該項(xiàng)時(shí)，"Method"按鈕加亮?？梢赃M(jìn)一步判別分析方法。

單擊“Method”按鈕，展開(kāi)“Stepwisemethod”對(duì)話框（子對(duì)話框）如下圖所示。

第14頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月Stepwisemethod對(duì)話框

第15頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月①選擇進(jìn)行逐步判別分析的方法

選擇判別分析方法在Method組的矩形框中進(jìn)行?？晒┻x擇的判別分析方法有：●Wilks'lambda使Wilk的統(tǒng)計(jì)量最小化法?！馯nexplainedvariance使各類(lèi)不可解釋的方差和最小化法。●Mahalanobis'distance使最近兩類(lèi)間的

Mahalanobis距離最大化法。第16頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月●SmallestFratio。使任何兩類(lèi)間的最小的F值最大化法。●Rao'V使

RaoV統(tǒng)計(jì)量最大化?？梢詫?duì)一個(gè)要加入到模型中的變量的V值指定一個(gè)最小增量。選擇此種方法后，應(yīng)該在該項(xiàng)下面的"Vtodntce'"后的矩形框中輸這個(gè)增量的指定值。

第17頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月②選擇逐步判別停止的判據(jù)

選擇逐步判別停止的判據(jù)在criteria組的矩形框中進(jìn)行。可供選擇的判據(jù)有：

UseFvalue：使用F值，是系統(tǒng)默認(rèn)的判據(jù)，默認(rèn)值是：Entry：3.84；removal：2.71。即當(dāng)被加入的變量F值＞=3.84時(shí)才把該變量加入到模型中，否則變量不能進(jìn)入模型；或者，當(dāng)要從模型中移出的變量F值＜=2.71時(shí)，該變量才被移出模型，否則模型中的變量不會(huì)被移出。應(yīng)該使Entry值（加入變量的F值）＞removal值（移出變量的F值）

第18頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月UseprobabilityofF：使用F值的概率。加入變量的F值概率的默認(rèn)值是0.05（5％）；移出變量的q值概率是0.10（10％）。removal值（移出變量的正值概率）＞Entry值（加入變量的F值概率）。

第19頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月③顯示內(nèi)容的選擇

對(duì)于逐步選擇變量的過(guò)程和最后結(jié)果的顯示可以通過(guò)Method對(duì)話框最下面的"Display"矩形框中的三項(xiàng)進(jìn)行選擇：

Resulateachstep要求在逐步選擇變量過(guò)程中的每一步之后顯示每個(gè)變量的統(tǒng)計(jì)量。

Summary僅要求顯示加入或移出模型的變量的綜計(jì)量。即選擇變量的小結(jié)。

FforPairwisedistances要求顯示兩兩類(lèi)之間的兩兩

F值矩陣。

當(dāng)以上①②③三項(xiàng)都給予了確定的選擇后，單擊"continue"按鈕，返回主對(duì)話框。

第20頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月指定輸出的統(tǒng)計(jì)量單擊“statistics”按鈕，展開(kāi)相應(yīng)的子對(duì)話框，如下圖所示?？梢赃x擇的輸出統(tǒng)計(jì)量分為以下三類(lèi)：（1）描述統(tǒng)計(jì)量

在"Descriptives"組的矩形框中可以選擇對(duì)原始數(shù)據(jù)的描述統(tǒng)計(jì)量的輸出：

①M(fèi)eans選擇此項(xiàng)可以輸出各類(lèi)中各自變量的均值MEAN、標(biāo)準(zhǔn)差StdDev和各自變量總樣本的均值和標(biāo)準(zhǔn)差。②UnivariateANOVA對(duì)各類(lèi)中同一自變量均值都相等的假設(shè)進(jìn)行檢驗(yàn)，輸出單變量的方差分析結(jié)果。

③Box'sM對(duì)每類(lèi)的協(xié)方差矩陣是從同一總體中采樣得來(lái)的假設(shè)進(jìn)行檢驗(yàn)，輸出檢驗(yàn)結(jié)果。

第21頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月Statistics第22頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（2）判別函數(shù)系數(shù)在Fuctioncoefficients組的矩形框中選擇判別函數(shù)系數(shù)的輸出形式：①Fisher's可以直接用于對(duì)新樣本進(jìn)行判別分類(lèi)的費(fèi)雪系數(shù)。②Unstandardized未經(jīng)標(biāo)準(zhǔn)化處理的判別系數(shù)?？捎糜谟?jì)算判別分?jǐn)?shù)。

第23頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（3）自變量的系數(shù)矩陣

在Matrices組的矩形框中選擇要求給出的矩陣：①within-groupscorrelationmatrix類(lèi)內(nèi)相關(guān)矩陣②within-groupscovariancematrix類(lèi)內(nèi)協(xié)方差矩陣③Separate-groupscovariancematrices對(duì)每類(lèi)輸出一個(gè)類(lèi)間協(xié)方差矩陣④Totalcovariancematrix總樣本的協(xié)方差矩陣以上三項(xiàng)都給予了確定的選擇后，單擊"continue"按鈕，返回主對(duì)話框。

第24頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月指定分類(lèi)參數(shù)和判別結(jié)果在主對(duì)話框中單擊“classify”按鈕，展開(kāi)相應(yīng)的子對(duì)話框，如下圖所示。

（1）在PriorProbabilities組的矩形框中選擇先驗(yàn)概率，兩者選其一。①Allgroupsequal各類(lèi)先驗(yàn)概率相等。若分為m類(lèi)，則各類(lèi)先驗(yàn)概率均為1／m。

②computerfromgroupsizes由各類(lèi)的樣本量計(jì)算決定在各類(lèi)的先驗(yàn)概率與其樣本比。

第25頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

Classifiction對(duì)話框第26頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（2）選擇分類(lèi)使用的協(xié)方差矩陣在UsecovarianceMatrix組的矩形框中選擇分析使用的協(xié)方差矩陣。兩者選其一。①Within-groups指定使用組內(nèi)協(xié)方差矩陣。②Seperate-groups指定使用組間協(xié)方差矩陣。第27頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（3）選擇要求輸出的統(tǒng)計(jì)圖

在Plots組的矩形框中選擇，可以并列選擇。

①combined-groups所有類(lèi)放在一張散點(diǎn)圖中。便于比較。此選擇項(xiàng)生成一張散點(diǎn)圖。②Seperate-groups對(duì)每一類(lèi)生成一張散點(diǎn)圖。共分為幾類(lèi)就生成幾張散點(diǎn)圖。

③Territorealmap如果對(duì)一個(gè)觀測(cè)量只能計(jì)算出一個(gè)判別分?jǐn)?shù)，則利用觀測(cè)量的判別做作圖，如果有兩個(gè)以上判別分?jǐn)?shù)，則用頭兩個(gè)判別分?jǐn)?shù)作圖。此種統(tǒng)計(jì)圖力圖把一張圖的平面劃分出與類(lèi)數(shù)相同的區(qū)域。每一類(lèi)占據(jù)一個(gè)區(qū)。

第28頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（4）選擇生成到輸出窗中的分類(lèi)結(jié)果

在

Displsy組的矩形框中選擇輸出項(xiàng)：①Resultsforeachcase要求輸出每個(gè)觀測(cè)量的分類(lèi)結(jié)果。

②Summarytable要求輸出分類(lèi)的小結(jié)，給出錯(cuò)分率。第29頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月（5）缺失值處理方式

在classification子對(duì)話框的最下面有一個(gè)選擇項(xiàng)，用以選擇對(duì)缺失值的處理方法。

Replacemissingvaluewithmean用該變量的均值代替缺失值。該選擇項(xiàng)前面的小矩形框中出現(xiàn)"x"時(shí)表示選定所示的處理方法。

以上五項(xiàng)都給予了確定的選擇后，單擊"continue"按鈕，返回主對(duì)話框。

第30頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月指定生成并保存在數(shù)據(jù)文件中的新變量

Descriminant過(guò)程可以在數(shù)據(jù)文件中建立新變量，通過(guò)"SaveNewVaiables"子對(duì)話框進(jìn)行選擇。

在主對(duì)話框中單擊“Save”按鈕，展開(kāi)“SaveNewVaiables”子對(duì)話框。如下圖所示。

第31頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

Save對(duì)話框第32頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

在工作數(shù)據(jù)文件中建立以下三個(gè)新變量，可以選擇。

①Predictedgroupmembership要求建立一個(gè)新變量，表明預(yù)測(cè)的類(lèi)成員。指定此項(xiàng)后，每行一次Descriminant過(guò)程，就建立一個(gè)表明使用判別函數(shù)預(yù)測(cè)的各觀測(cè)量屬于哪一類(lèi)的新變量。第一次運(yùn)行建立新變量的變量名為dis-1,如果在工作數(shù)據(jù)文件中不把前一次建立的新變刪除，第n次運(yùn)行Descriminant過(guò)程建立的新變量默認(rèn)的變量名為dis-n。

第33頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

②Descriminantscore要求建立表明判別分?jǐn)?shù)的新變量。每次運(yùn)行

Descriminant過(guò)程都給出組表明判別分?jǐn)?shù)的新變量。建立幾個(gè)典則判別函數(shù)就有幾個(gè)判別分?jǐn)?shù)變量。參與分析的觀測(cè)量共分為m類(lèi)，則建立m－l個(gè)典則判別函數(shù)，指定該選擇項(xiàng)，就可以生成m－l個(gè)表明判別數(shù)的新變量。例如，原始數(shù)據(jù)觀測(cè)量共分為3類(lèi)，建立兩個(gè)典則判別函數(shù)。第一次運(yùn)行判別過(guò)程建立的新變量名為dis1_1,dis2_1，第二次運(yùn)行判別過(guò)程建立的新變量名為dis1_2,dis2_2…依此類(lèi)推。分別表示代入第一和第二個(gè)判別函數(shù)所得到的判別分?jǐn)?shù)。

第34頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

③Probabilitiesofgroupmembership要求建立新變量表明觀測(cè)量屬于某一類(lèi)的概率。有m類(lèi)，對(duì)一個(gè)觀測(cè)量就會(huì)給出m個(gè)概率值，因此建立m個(gè)新變量。例如，原始和預(yù)測(cè)分類(lèi)數(shù)是：指定該選擇項(xiàng)，在第一次運(yùn)行判別過(guò)程后，給出的表明分類(lèi)概率的新變量名為dis1_2,dis2_2，dis3_2.

選擇了新變量類(lèi)型后，按"continue"第35頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月運(yùn)行帶有選擇項(xiàng)的判別分析過(guò)程運(yùn)行Descriminant過(guò)程有兩種方法：（1）在主對(duì)話框中按"Ok"按鈕，直接運(yùn)行Descriminant過(guò)程。（2）在主對(duì)話框中按"Paste"按鈕，將以上操作結(jié)果轉(zhuǎn)換成Descriminant過(guò)程的命令程序，顯示在"Syntax"窗中。在"Syntax'窗中可以按照Descriminant命令語(yǔ)句格式進(jìn)一步修改粘貼則窗中的各子命令語(yǔ)句。然后按"Run"按鈕，將窗中的程序語(yǔ)句提交給系統(tǒng)執(zhí)行。

第36頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月逐步判別分析

（1）逐步判別分析方法與判據(jù)的選擇

逐步判別在操作步驟方面只有在選擇"方法"一點(diǎn)上與前面所敘述的方法有所區(qū)別，即在Discriminant過(guò)程主對(duì)話框中應(yīng)該選擇"Usestepwisemethod"。當(dāng)單擊該選擇項(xiàng)時(shí)，其前面的圓圈中出現(xiàn)黑點(diǎn)，同時(shí)"Method"按鈕加亮表示可以進(jìn)一步選擇分析方法或判據(jù)了。

第37頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月

單擊"Method"按鈕，展開(kāi)"stepwisemethod"對(duì)話框。在對(duì)話框中顯示出系統(tǒng)默認(rèn)的逐步區(qū)別方法是MilksLambra。其判據(jù)是：進(jìn)入模型的F值為3.84；從模型中剔除變量的F值為2.71。不熟悉統(tǒng)計(jì)分析的用戶可以不再進(jìn)一步選擇，直接使用系統(tǒng)默認(rèn)的分析方法和判據(jù).

第38頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月逐步判別方法的選擇①M(fèi)ilksLambra使Milksλ統(tǒng)計(jì)量最小。是系統(tǒng)默認(rèn)的方法。②Unexplainedvariance使各類(lèi)不可解釋的方差和最小。③Mahalanobisdistance使最近的兩組間的馬哈拉諾比斯距離最小。④smallestFratio。使任何兩組間的最小的

F值最大。⑤Rao'sV使

Rao的

V統(tǒng)計(jì)量最大。在選擇并指定使用此種方法后，該項(xiàng)下面的文字加亮，可以在"Vtoenter''毫米的矩形框中輸入一個(gè)變量進(jìn)入模型的

V值的最小增量。

第39頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月關(guān)于判據(jù)的選擇方法

可以從兩者指定判據(jù)的方法中選擇一種，并在每種方法的兩個(gè)矩形框中輸入判據(jù)的具體數(shù)值。

①UseFvalue用F值作判據(jù)。在該項(xiàng)下面的兩個(gè)矩形框中輸人：●Entry：后面的矩形框中輸入進(jìn)入模型的F值。只有變量的F值大于這個(gè)指定值時(shí)，變量進(jìn)入模型。●Remove：在后面的矩形框中輸入把變量移出模型的F值。當(dāng)變量的F值小于該值時(shí)，變量從模型中剔除。②應(yīng)該注意，Entry值必須大于Remove值，否則，模型中將不會(huì)有變量。

第40頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月顯示內(nèi)容的選擇

在"StepwiseMethod"對(duì)話框的最下面一行可以選擇要求顯示在輸出窗中的內(nèi)容。對(duì)于逐測(cè)分析可以選擇以下輸出：①Resultsateachstep給出每一步選擇變量工作完成后各變量的統(tǒng)計(jì)量。給出哪些統(tǒng)計(jì)量要看使用什么判據(jù)。使用F值作判據(jù)則給出各變量的F值；使用F值的概率作判據(jù)則給出量的F值的概率。

②Summery僅對(duì)被加入或移出模型的變量給出統(tǒng)計(jì)量。③Fforpairwisedistances顯示

F比值矩陣。對(duì)每?jī)深?lèi)顯示一對(duì)F比值。第41頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月(2)逐步判別分析操作步驟

我們采用MilksLambra方法進(jìn)行逐步判別分析。使用F值作為判據(jù)統(tǒng)計(jì)量。當(dāng)F>=30時(shí)變量進(jìn)入模型；當(dāng)F＜=5時(shí)，變量從模型中移出。

第42頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月操作步驟如下：第一、從主菜單的"Statistics"，經(jīng)"classify"到"DiscriminantAnalysis"逐一選擇各菜單的菜單直到展開(kāi)"DiscriminantAnalysis"對(duì)話框。第二、Independents：slen、swidPlen、Pwid；Groupvariables：spno（1，3）選擇變量slen、swid．Plen、Pwid作為判別分析的自變量；spno作為分類(lèi)變量。第43頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月第三、按"Method…"按鈕，展開(kāi)相應(yīng)的選擇逐步判別分析方法和判據(jù)的對(duì)話框。①在Method（方法）矩形框中選擇"MilksLambra"；②在

criteria（判據(jù)）矩形框中選擇"UseFvalue',Entry=30、Remove=5；③在Display（顯示）矩形框中選擇在輸出窗中顯示的內(nèi)容：

●Resultsateachstep要求顯示每一步選擇變量的結(jié)果?！馭ummary要求顯示逐步選擇變量子集的小結(jié)。

●Fforpairwisedistance要求顯示每?jī)深?lèi)之間的成對(duì)的F矩陣。

第44頁(yè)，課件共49頁(yè)，創(chuàng)作于2023年2月第四、按"Statist