1、,1,练习1 聚类分析,在spss中输入多元统计分析教材88页例1中数据，将文件保存为“全国人口普查文化程度人口比例的聚类分析.sav”。,2,用spss定义四个变量：变量“地区”是字符串变量，其他3个变量是数值型变量定义（原数据表中的“序号”不需输入）。 单击菜单“开始” “程序” SPSS13.0”或者双击桌面上的“spss for windows 13.0”图标，打开SPSS程序。,3,单击程序左下角的Variable View(变量视图)选项卡，在变量视图工作界面中，Name下方输入第一个变量的名称“地区”，单击Type右侧的按钮，在弹出的Variable Type对话框中，单击Str
2、ing单选钮，Characters文本框中后的8是SPSS默认的字符型变量的长度，单击OK按钮，设置第一个变量类型为字符串变量，其长度为默认的8个字节。,4,变量属性说明,5,接下来输入第二个变量名“DXBZ”，变量类型Type为默认的Numeric，设置它为整数型数值变量，单击label下方的方框，输入该变量的标签(变量的详细说明)“大学以上文化程度比例”。,6,采用类似方式，定义另外2个变量。,7,单击程序左下角的Data View（数据视图），进入数据视图工作界面，输入教材88页中数据。,8,1.1 基本操作,单击菜单AnalyzeClassifyHierarchial cluster，
3、弹出系统聚类分析对话框。 从左侧的变量列表框中选择DXBZ、CZBZ和 WMBZ，移入Vairbale下方的方框中；选择“地区”，移入Label Cases by方框中。,9,单击Statistics按钮，进入统计量分析对话框。单击Cluster Membership下方的Single solution，在Number of cluster后方的文本框中输入4，将所有的地区划分为4类。 单击Continue按钮，返回到系统聚类分析对话框。,10,单击Plots按钮，进入图形设置对话框。勾选Dendrogram，在输出结果中显示聚类树形图。 单击Continue按钮，返回到系统聚类分析对话框。
4、单击OK按钮，输出系统聚类分析结果。,11,1.2 结果分析,1.个案处理综述表 显示有效(valid)个案数及其比例、 缺失(missing)个案个数及其比例以及全部(total)个案数及其比例。 本例中没有缺失数据，因此有效个案数和全部个案数是相同的。,12,2.聚结表 第1列（stage）显示聚类阶段。 第2、3列显示在某阶段中合并的个案编号。 第4列的系数显示两个个案之间的距离，该列中的系数是按照从小到大的顺序排列的，也就是距离越近的个案首先合并。 第5列显示首先个案首次聚类的阶段。如果这两列的数值都是0，表明两个个案的聚类；如果一个为1或大于1的值，一个为0，表明一个类和一个个案的聚
5、类；如果两列数值是0以外的数值，表明两个类的聚类。 第6列显示新类下一步聚类的阶段。,13,聚结表显示第11号个案和第26号个案的距离最小，因此它们首先聚为一类，这个新类将在第7步和第15号个案聚类。 聚类过程的第2步是第3号和第5号个案，它们聚为一类，在第11步，这个新类将和第10号个案聚类。 聚类分析中其它步骤依次类推。最后可以把29个个案聚为4个类型：G1=1,2,4,6,7,8,9,G2=3,5,10,11,13,14,15,16,17,18,19,20,21,22,26,30,G3=12,23,24,27,28,29,G4=25。,14,3.冰柱图 冰柱图和聚结表的作用类似，都是显示
6、个案聚类情况的。从图中可以看出第1步聚类的第11号个案和第16号个案之间全部都用x填充，第2步聚类的第3号和第5号个案之间填充的x少了一个，第3步聚类的27号和28号个案之间填充的x又少了一个，依次类推，填充的x构成阴影条形就像倒挂的冰凌一样，因此该图称为冰柱图。,15,4.树形图 树形图显示系统聚类步骤，各个个案合并情况及其距离系数值。 图中显示浙江、陕西、山东、河北、内蒙、江苏、河南、湖北、四川、海南、福建、江西、湖南、广东、新疆和广西聚为一类，即前面的G2；黑龙江、山西、吉林、天津、上海、辽宁和北京聚为一类，即G1；安徽、宁夏、青海、贵州和云南聚为一类，即G3，西藏单独归为一类，即G4。
7、,16,练习2 判别分析,在spss中输入多元统计分析教材128页例1中数据，将文件保存为“人文发展指数的判别分析.sav”。输入数据时增加一个变量“类别”，前5个国家的数值为1，后5个国家为2，最后4个待判国家不要输入数值。,17,2.1 基本操作,单击菜单AnalyzeClassifyDiscriminant，弹出判别分析对话框。,18,在判别分析对话框中，从左侧的变量列表框中选择x1、x2和x3，单击向右的箭头，将它们移入Independents方框中； 选择变量“类别”，将它移入Grouping Variable方框中，单击其下方的Define Range按钮，在弹出的对话框中，Min
8、imum文本框中输入1，Maximum文本框中输入2，单击Continue按钮，返回判别分析对话框。,19,单击Statistics按钮，弹出统计量对话框。在Descriptive（描述性统计量）核选框中勾选Means、Univariate ANOVAs和Boxs M，在输出结果中显示样本数据的均值、标准差、单变量的方差分析表以及Boxs M统计量。 在Function Coefficients（函数系数）核选框中勾选Fishers和Unstandardized，在输出结果中显示Fisher和非标准化判别函数的系数。 在Matrics核选框中勾选Within-groups correlatio
9、n，在输出结果中显示组内相关系数矩阵。 单击Continue按钮，返回到判别分析对话框。,20,单击Save按钮，在保存对话框中，勾选Predicted group membership和Discriminant scores，单击Continue按钮，返回到判别分析对话框。 单击OK按钮，输出判别分析结果。,21,2.2 结果分析,1.个案处理综述表 表中显示有效（valid）个案数(也就是事先设定好所属类型的个案)为10个，占所有个案数的71.4，剔除(exclued)个案数(没有设定所属类型的个案)为4个，占所有个案数的28.6%。,22,2. 分组统计量表,表中显示第1类和第2类个案以
10、及它们合计的均值、标准差以及有效的个案数。可参考教材109页的计算结果。,23,3.组内均值检验表 该表检验变量在各组的均值是否存在显著差别，结果显示x1和x3的F统计量对应的伴随概率都小于0.05，通过显著性检验，这两个变量的组内均值存在差异，因此可以进行判别分析。,24,4.合并组内相关系数矩阵 表中显示将前10个个案合并后3个变量的相关系数矩阵。,25,5.判别函数特征值 显示判别函数的特征值（eigenvalue）为6.34，典型相关系数（canonical correlation）为0.929。,6.判别函数显著性检验表 表中的统计量为0.136，对应的2为12.997，伴随概率Si
11、g=0.0000.05，因此判别函数有效。,26,7.标准化典型判别函数系数表 根据表中结果可以写出标准化判别函数表达式：,27,8.结构矩阵 结构矩阵显示判别变量和标准化判别函数中间的组内相关系数，变量按照相关系数的大小进行排列，也就是说排在最上面的变量在判别函数中的作用是最大的，从表中可以看出变量x3的作用最大，其次是x1，变量x2的作用最小。,28,9.典型判别函数非标准化系数表 根据该表中数据可以写出非标准化判别函数的表达式：,29,10.质心表 该表显示利用非标准化判别函数计算出来的各类均值的判别的分数，第1类个案的函数质心为2.252，第2类个案的函数质心为-2.252。,30,11.分类函数系数表 该表显示两个类型个案对应的Fishers线性判别函数系数。,31,返回到数据视图界面，可以看到原数据中增加了两个变量dis_1和dis1_1。 变量dis_1显示每个个案所属的类别，可以看到待判的中国和罗马利亚输入第2类国家，希腊和哥伦比亚属于第1类国家。 变量dis1_1显示每个个案对应的判别得分，这个判别得分是利用标准化判别函数计算出来的。,
