SPSS分层聚类（R型）实验报告.doc

青海大学财经学院 实 验 报 告 实验项目名称 SPSS分层聚类（R型） 所属课程名称 SPSS 实 验 类 型 验证型实验 实 验 日 期 2009-12-3 班 级 学 号 姓 名 成 绩 【实验目的及要求】 掌握层次聚类算法的基本思想。 【实验原理】 聚类分析初始时，设各模式自成一类；然后计算类与类之间的距离，选择距离最小的一对合并成一个新类；计算在新产生的类别划分下各类之间的距离，再将距离最近的两类合并；直至所有模式聚成两类为止 。 【实验环境】（使用的软件） spss 18.0等 实验内容： 【实验方案设计】 根据对数据文件data08-04.sav的层次聚类的R型聚类，找出与销售量密切相关的因素及其它相关因素的相关大小。以及其它因素间的关系近似度。 【实验过程】（实验步骤、记录、数据、分析） 操作步骤 1.按Analyze→Calssify→Hierarchical Claster顺序单击菜单项，打开主对话框。 2．选择4个变量：sell、price、ad_rate、sunlight为分析变量，移到Variables栏中。在Cluster栏中选择Variable项。 3.单击Method按钮打开相应对话框。 在Cluster Method栏中选择Furthest neighbor作为聚类方法。 在Measure栏中选择Interval中的Pearson Correlation皮尔逊相关作为测度变量间相似性的方法。 在Transform Values栏Standardize选项中选择None,不进行标准化。 4.单击Plot按钮，打开相应的对话框，选择Dendrogram项，其它使用系统默认值。 5.单击Statistics按钮，打开相应的对话框。选择Proximity matrix，要求显示相关系数矩阵。 6.在主对话框中单击OK按钮执行运算。 【结论】（结果） 表一为综合数据信息表。 表二为变量聚类的相关系数矩阵。可以看出平均日照H（小时）与销售量S（千副）的皮尔逊相关系数达0.973。 表三为聚类的凝聚过程表。第一步是第1个和第4个观测量合并，第二步是第1个和第3观测量合并，第三步是第1个和第2观测量合并。 无论从相关矩阵、聚类的凝聚过程表还是冰柱图、树形图都可以看出销售量和平均日照相关系数最大，首先聚为一类。从整体看，聚为三类是比较好的结果。 【小结】 聚类分析把具有相关度的因素按其相关度大小聚为一类。由于销售量的变化受其它因素的影响，通过聚类分析也可以揭示影响各个因素的影响的大小，以此也找到了对销售量影响最大的因素。 指导教师评语及成绩： 评语： 成绩： 指导教师签名： 批阅日期： 附件一：数据信息 附件二：变量聚类的相关系数矩阵 附件三：聚类的凝聚过程表 附件四：聚为三类的冰柱图 附件五：变量聚类的树形图 表一 数据信息 案例处理摘要a 案例 有效 缺失 合计 N 百分比 N 百分比 N 百分比 12 100.0% 0 .0% 12 100.0% a. 值向量间的相关性 已使用 表二 变量聚类的相关系数矩阵 近似矩阵 案例 矩阵文件输入 销售量S（千副） 平均价格P （英镑） 广告费用E（千英镑） 平均日照H（小时） 销售量S（千副） 1.000 -.922 .964 .973 平均价格P （英镑） -.922 1.000 -.885 -.851 广告费用E（千英镑） .964 -.885 1.000 .923 平均日照H（小时） .973 -.851 .923 1.000 图一 聚为三类的冰柱图 表三 聚类的凝聚过程表 聚类表 阶 群集组合 系数 首次出现阶群集 下一阶 群集 1 群集 2 群集 1 群集 2 1 1 4 .973 0 0 2 2 1 3 .923 1 0 3 3 1 2 -.922 2 0 0 图二 变量聚类的树形图