spss统计分析及应用教程-第7章-聚类分析与判断分析.pptVIP

图 合并组: 生成全部类的散点图，该图是据前两个判别函数值作出的。如果只有一个判别函数，则显示直方图。 分组: 对每一类生成一张散点图，这些图是据前两个判别函数值作出的。如果只有一个判别函数，则显示直方图。 区域图: 生成根据判别函数值将观测量分到各类去的边界图。图中每一类占据一个区域，各类的均值用星号标记出来，如果只有一个判别函数，则不显示该图。 （9）单击“保存”按钮，打开保存对话框，如图所示。选择建立新变量将判别分析结果保存到当前工作文件中去。 保存 所测组成员：建立新变量，保存预测观测量所属类的值，系统默认的变量名为dis-1。 保存 判别得分：建立新变量保存判别分数。该分数是由未标准化的判别系数乘自变量的值，将这些乘积求和后加上常数得来。每次运行判别分析都给出一组表明判别分数的新变量。建立几个判别函数就有几个判别分数变量。参与分析的观测量共分为m类，则建立m-1个典则判别函数，指定该选项后，就可以生成m-1个表明判别分数的新变量。 保存 组成员概率：建立新变量，保存各观测量属于各类的概率值。有m类，对一个观测量就会给出m个概率值，因此建立m个新变量。本案例中原始和预测分类数是3，指定该选项，在第一次运行判别分析过程后，给出的表明分类概率的新变量名为dis1-1、dis1-2、dis1-3。 实验结果 分析案例处理摘要 组统计量 组均值的均等性的检验 协方差矩阵的均等性的箱式检验 典型判别函数的特征值 判别函数显著性的检验 标准化的典型判别式函数系数 结构矩阵 典型判别式函数系数 组质心处的函数 典型判断函数图 组的先验概率 分类函数系数 分类结果 表7-3-13为分类结果。对于选定的案例，对于原始数据中分别属于区划类1，区划类2和区划类3的各观测量，仍然归于原类，判对率为100%。交叉校验的判对率也为100%。对待判的10个观测量，有3个归入区划类1，3个归入区划类2，4个归入区划类3。 实验总结 判别分析的目的主要有四个：①确定在两个或更多事先定义的组上的一组变量的平均得分剖面是否存在显著性差异。②确定哪些变量在各组的平均得分剖面的差异中解释最多。③在一组变量得分的基础上，建立将对象分类的步骤。④立由这组变量形成的组与组之间判别维数的数目及构成。 实验总结 判别分析可以列出标准化的判别函数、未标准化的判别函数和Fisher线性判别函数。标准化的判别函数可以计算出判别分数，未标准化的判别函数可以计算出判别值，Fisher线性判别函数可以判别出待判案例的类群归属状况。 判别分析模型的各参数指标及其统计检验 标准化判别系数 标准化使得每个变量都以自己的平均值作为数轴原点，以自己的标准差作为单位，这样一来，每个案例的原始变量值，一方面表现为与平均值之间的距离，另一方面以正负号形式表示了自己偏离平均值的方向、并且各标准化系数之间具有横向可比性。哪个变量的标准化系数绝对值大，就意味着将对判别值有更大的影响，于是可以用来比较各变量对判别值的相对作用。 判别分析模型的各参数指标及其统计检验 结构系数 判别分析中的结构系数（Structural Coefficient） 又称为判别负载（Discriminant Loading），它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。 当这个系数的绝对值很大时，这个判别函数表达的信息与这个变量的信息几乎相同，当这个系数接近于0 时，它们之间就没有什么共同之处。如果一些变量与一个函数之间有很大的结构系数值，我们就可以用这些变量的名字命名这个函数。 判别分析模型的各参数指标及其统计检验 分组的矩心 分组的矩心（Group Centroid）描述在判别空间中每一组案例的中心位置。其计算过程是将每一组别的每一个判别变量的平均值分别代入两个判别函数。 分组的矩心表示每个分组在各判别轴上的坐标值。考察在判别空间中每个案例点与各组的矩心之间的距离，便于分析具体案例分组属性的倾向。 判别分析模型的各参数指标及其统计检验 判别力指数 有时判别分析可以推导出多个判别函数，然而这些判别函数 不一定都很有用。可以根据一定指标来描述其对于判别的效益。这里所说的判别力，既包括了每个判别变量对于判别函数的作用，也包括了本判别函数对于所有原始变量总方差的代表性。 判别力指数（Potency Index）就是这样一个指标，有时它也叫做方差百分比（Percent of Variance）。判别分析通过判别函数所能代表的所有原始变量的总方差百分比来