华东理工大学多元统计分析与SPSS应用实验 6.docx
《华东理工大学多元统计分析与SPSS应用实验 6.docx》由会员分享，可在线阅读，更多相关《华东理工大学多元统计分析与SPSS应用实验 6.docx（22页珍藏版）》请在冰点文库上搜索。
华东理工大学多元统计分析与SPSS应用实验6
华东理工大学2013—2014学年第二学期
《多元统计分析与SPSS应用》实验报告6
班级学号姓名
开课学院商学院任课教师任飞成绩
实验内容：
实验6判别分析方法
1.使用默认值进行判别分析
选用数据文件data14-04
将slen,swid,plen,pwid移入Independents框
将spno移入GroupingVariables框
对输出结果的认识
2.使用选择项进行判别分析
选用数据文件data14-04
将slen,swid,plen,pwid移入Independents框
将spno移入GroupingVariables框
3.逐步判别法
实验要求：
熟悉SPSS中判别分析功能
Analyze
Classify
Discriminant
2.对“Employeedata”进行数据整理
教师评语：
教师签名：
年月日
实验报告：
1、使用默认值进行判别分析
打开“data14-04.sav”文件，依次选择Analyze→Classify→Discriminant，将变量“slen,swid,plen,pwid”移入Independents框，将变量“spno”移入GroupingVariables框，单击GroupingVariables框，再在DefineRange弹出框中，Minimum输入1，Maximum输入2，如图1.1所示，单击OK输入结果如图1.2、图1.3、图1.4、图1.5所示
图1.1
图1.2
分析：
总体样本为150个，有效样本数为150个，占总数的100%，无效或者未分组的样本数为0个。
图1.3
分析：
图1.4为分组统计量列表
分析：
图1.4为Fisher判别法的两个Fisher判别函数特征值。
Function1的特征值为30.419，解释了99%的变异.典型相关系数为0.984。
Function2的判别函数的特征值为0.293，解释了1%的变异.典型相关系数为0.476。
其特征值是组间平方和与组内平方和之比。
图1.5
分析：
图1.5为Wilks'Lambda的值，0.025表示判别函数具有较高的判别力，概率P值.000,判别效果显著；0.774表示判别函数，可能存在不显著变量，应当可以考虑逐步判别法，判别函数具有较低的判别力，概率P值.000，判别效果显著。
图1.6
分析：
图1.6标准化后费希尔判别函数系数
图1.7
分析：
图为1.7为结构系数又称为判别负载，实际上是某个判别变量xi与判别值y之间的相关系数，它表达了两者之间的拟合水平：
绝对值很大（接近+1或-1），这个函数表达的信息与这个变量表达的信息几乎完全相同，接近0，两者之间几乎没什么共同之处。
图1.8
分析：
图1.8为各判别函数组重心矩阵
2、使用选择项进行判别分析
（1）打开“data14-04.sav”文件，依次选择Analyze→Classify→Discriminant，将变量“slen,swid,plen,pwid”移入Independents框，将变量“spno”移入GroupingVariables框，单击GroupingVariables框，再在DefineRange弹出框中，Minimum输入1，Maximum输入2，在主对话框中，单击Classify按纽，展开Classification，对话框，PriorProbabilities中选择Allgroupsequal，UseCovarianceMatrix中选择Withingroups，Plots中选择Combinedgroups,Separategroups,Territorialmap，Display中选择Summarytable，Casewiseresults.单击Continue.
如图2.1所示
图2.1
（2）在主对话框中，单击Statistics按纽，展开Statistics对话框，Descriptives中选择Means，FunctionCoefficients中选择Fisher’s，Unstandardized，Matrices中选择Within-groupscorrelation,Within-groupscovariance,Separate-groupscovariance,Totalcovariance。
如图2.2所示
图2.2
（3）在主对话框中，单击Save按纽，展开SaveNewVariables的对话框，选择“Predictedgroupmembership、DescriminantScores、Probabilitiesofgroupmembership”如图2.3所示
（4）单击OK，输出结果如图2.4~
分析：
总体样本为150个，有效样本数为150个，占总数的100%，无效或者未分组的样本数为0。
分析：
由上图可知各项均值，标准差，有效样本个数。
分析：
上图为组内协方差和相关系数矩阵
分析：
上图为协方差矩阵
分析：
上图为Fisher判别法下两个个Fisher判别函数的特征值。
Function1的特征值为30.419，解释了99%的变异.典型相关系数为0.984。
Function2的特征值为0.293，解释了1%的变异.典型相关系数为0.476。
分析：
上图为Wilks’Lambda的值（其值越小越好）0.025表示判别函数很好且判别效果显著；0.774表示判别函数不好但判别效果显著。
分析：
标准化后费歇尔费希尔判别函数系数
分析：
结构矩阵
分析：
费希尔判别函数矩阵
分析：
上图为各组重心坐标值。
利用Fisher判别函数计算出各观测值具体坐标后，再计算出离各重心的距离，则可得知分类情况。
分析：
贝叶斯判别函数，有效样本为150个，无缺省样本或未知样本。
TerritorialMap
CanonicalDiscriminant
Function2
-12.0-8.0-4.0.04.08.012.0
12.01223
1223
1223
1223
1223
1223
8.01223
1223
1223
1223
1223
1223
4.01223
1223
1223
1223
1223
1223*
.0*1223
12*23
1223
1223
1223
1223
-4.01223
1223
1223
1223
1223
1223
-8.01223
1223
1223
1223
1223
1223
-12.01223
-12.0-8.0-4.0.04.08.012.0
CanonicalDiscriminantFunction1
Symbolsusedinterritorialmap
SymbolGroupLabel
-------------------------------
11刚毛鸢尾花
22变色鸢尾花
33佛吉尼亚鸢尾花
*Indicatesagroupcentroid
分析：
上图显示各类正确判别率分别为100%，96%，98%
3、逐步判别法
打开“discrim.sav”，将pa,alpha_ag,alpha_at,hp移入Independents框，将group移入GroupingVariables框，在主对话框中，选择Usestepwisemethod，单击Method按纽，展开Stepwisemethod的对话框
分析：
图为变量进入及删除表，剔除显著性较弱的变量，变量“ALPHA_AT”、“PA”进入判别函数。
分析：
进入判别分析的变量表
分析：
不在判别分析中的变量表，Wilk’sLambda检验值在第0步中，ALPHA_AT为0.539最小，选入判别函数，PA在第1步中选入判别函数。
分析：
图为各步Wilks’Lambda统计量，概率P值均为.000小于显著性水平0.05.
分析：
上图为判别指数和判别函数的显著性检验
分析：
Fisher判别函数的系数
分析：
原始样本始回代判别正确率，正常人84%，肝癌AFP检测阳性只有15%，肝癌AFP检测阴性只有15%，肝硬化只有33%。
4、作业：
对案例：
Crop’Pain连锁店展开判别分析讨论
（1）先用聚类分析将变量分成n组，比如4组，如图4.1所示
（2）依次选择Analyze→Classify→Discriminant，将所有变量移入Independents框，将变量“Clu4_1”移入GroupingVariables框，单击GroupingVariables框，再在DefineRange弹出框中，Minimum输入1，Maximum输入4，得到结果
分析：
判别函数各分类样本回代正确率均为100%，判别效果较好。
思考：
在判别分析中缺少分类变量的话，怎么办？
可以考虑先用聚类分析生成分类变量
升级会员 