多元统计第四章判别分析.ppt

* * 目录 上页 下页 返回 结束 之后，点击“Continue”钮返回Discriminant Analysis对话框。点击“Save”钮，弹出Discriminant Analysis: Save New Variables对话框，选Predicted group membership项要求将回判的结果存入原始数据库中。点击“Continue”钮返回Discriminant Analysis对话框，其他项目不变，点击“OK”钮即完成分析。在输出结果中可以看到各组均值、标准差、协方差阵等描述统计结果以及判别函数，返回数据表中，可以看到判别结果已经作为一个新的变量被保存，广东和西藏均被划分到第二大类，篇幅所限，各输出结果在此不再列示。 * * 目录 上页 下页 返回 结束 【例4.6】 2005年全国各地区农村居民家庭人均消费情况可划分为三种类型，分类后的数据见表4－2。试用SPSS软件建立Bayes判别函数，并将待判样品归类。 解：本例中的组数为k=3，判别指标为p=8，各组中的样本为n1=3，n2=15，n3=11,在SPSS中进行贝叶斯判别分析时，操作步骤与例4.5中的费歇尔判别相同，但是在Discriminant Analysis--Statistics对话框的Function Coefficients栏中药选Fishers项而不是Unstandardized项(因为Bayes判别的思想是由Fisher提出来的，故SPSS以此命名)。 点击OK得出分析结果，部分如下： * * 目录 上页 下页 返回 结束 * * 目录 上页 下页 返回 结束 * * 目录 上页 下页 返回 结束 根据判别函数，就可以对原各组样品以及待判样品进行回判和判别，此时在SPSS中返回原数据表，可以看到一个新的变量名为Dis_1，其对应的各值就是对各地区的回判和判别结果，可知广东被划分到第二类消费水平地区，西藏被划分到第三类消费水平地区，并且原各组样品的回报误判率为零。以上判别结果综合整理列于表4－10。 其中，第一张表所示为各组以及总体的均值和标准差；第二张表位总体的协方差矩阵，可以计算其逆矩阵 ；第三张表示各组判别函数的估计结果，例如第一组的判别函数表达式为： y=-0.214x1-0.086x2-0.156x3-0.107x4+0.446x5 -0.060x6+0.568x7-1.743x8-257.686 * * 目录 上页 下页 返回 结束 * * 目录 上页 下页 返回 结束 在例4.5和4.6中，我们是将事先确定的所有八个指标变量都选入来进行判别分析，在实际应用中，我们也大多是设计尽可能多的相关指标来进行聚类和判别分析，然而事实是，指标太多不仅增大了计算量，而且那些对判别无用的指标也会干扰我们的视线。因此对众多指标进行筛选，找出对判别函数贡献比较突出，具有较强判别能力的指标成为一个很重要的事情。凡是具有筛选变量能力的判别方法统称为逐步判别法，有关这些方法的具体论述可见参考文献[2]。 * * 目录 上页 下页 返回 结束 在此我们以例4.6为例介绍逐步判别法在SPSS中的实现。操作步骤仍与例4.5类似，不同之处在于点击“Analyze”→“Classify” →“Discriminant”，打开Discriminant Analysis对话框后，将Independents栏下的“Enter independents together”项改选为“Use stepwise method”，此时窗口最下面一行的“Method”按钮被激活，点击后进入Discriminant Analysis：stepwise method对话框，在method栏中选中Mahalanobis distance项，即采用马氏距离，其他选项保持不变，返回主对话框后，其他操作仍按例4.5进行，点击“OK”得到输出结果，部分列举如下： * * 目录 上页 下页 返回 结束 * * 目录 上页 下页 返回 结束 以上是逐步回归部分的结果： 第一张表说明了每个步骤变量的加入和剔除情况； 第二、三张表说了进入和没有进入判别函数的变量的情况，只有X5和X7进入了判别函数，这两个指标的地区差异较大，对判别函数贡献显著； 第四张表说明了判别函数的显著性，最终仅包含X5和X7的两个变量的判别函数是显著的（F统计量），其他部分与前面两例相同。 返回原始数据表，同样可以看到一个新的变量名为Dis_1，其对应的各值就是对各地区的回判和判别结果：