spss判别分析
使用聚类方法时，首先要明确分类的目 的，再考虑选择哪些变量(或数据)参与分类， 最后才需要考虑方法的选择。至于分类结果 是否合理，该如何解释，更多取决于研究者 对所研究问题的了解程度、相关的背景知识 和经验。
从数据要求上看
1、参与分类的变量首先应符合要求 2、各变量的取值不应有数量级上的过大差异，否 则会对分类结果产生较大影响。这时需要对变量进 行标准化处理(SPSS提供的层次聚类法中在聚类时 可以选择对变量做标准化处理，而K-均值聚类法则 需要单独做标准化处理，而后再进行聚类) 3、各变量间不应有较强的相关关系。若两个强相 关的变量同时参与聚类分析，在测度距离时，就加 大了它们的贡献，而其他变量则相对被削弱
D d kl max ij
x G G i k,x j l
2 D x x ) ( x x ) k l( k l k l
1 D d kl ij n n G G k l x i kx i l
离差平方和法 (Ward’s method)
D W W W m k l
2 kl
从聚类方法的选择上
1、看数据的类型，如果参与分类的变量是连续变 量，层次聚类法、K-均值聚类法、以及两步聚类法 都是适用的。如果变量中包括离散变量(计数变量)， 则需要将先对离散变量进行连续化处理。当数据量 较少时(比如小于100)，两种方法都可以选用，当数 据量较多时(比如大于1000)，则应该考虑选用K-均 值聚类法 2、要看分类的对象。如果是对样本分类，两种方 法都可用；如果是对变量分类则应选择层次聚类法 (至少SPSS的程序是这样)
注意对分类结果的检验
分类结果是否合理取决于它是否 “有用”，但分类结果是否可靠和稳定， 则需要反复聚类和比较。 一般来说，在所分的类别中，各类 所包含的对象(样本或变量)的数量应该 大致相当。至少这从表面上看更漂亮一 些。
问题
1、什么时候用快速聚类？ 2、什么时候用分层聚类？
第二部分 判别分析概念
类间距离的计算方法
最短距离法 (Nearest neighbor) 最长距离法 (Furthest neighbor) 重心法 (Centroid clustering) 组间平均距离 (Between-groups linkage)
D d kl min ij
x G G i k,x j l
树形图
树形图以水平放置的树形结构呈现了聚类分析 中每一次类合并的情况。SPSS自动将各类间的 距离映射到0~25之间。如何看？那个更直观？
小结
除分层聚类法和K-均值聚类法外，1996年 还提出一种新的聚类方法，即两步聚类法 (TwoStep Cluster) 无论那种分类方法，最终要分成多少类别， 并不是完全由方法本身来决定，研究者应结合 具体问题而定。 聚类分析是一种探索性的数据分析方法。 相同的数据采用不同的分类方法，也会的得到 不同的分类结果。分类的结果没有对错之分， 只是分类标准不同而已 。
第十三讲
判别分析
第一部分 上一讲回顾 第二部分 判别分析概念 第三部分 判别分析的SPSS过程
第一部分 上一讲回顾
1、聚类分析的概念 2、距离概念 3、聚类分析SPSS过程 4、冰挂图和树形图
1、聚类分析概念
聚类分析是根据事物本身的特性研究个体 分类的方法，原则是同一类中的个体有较 大的相似性，不同类中的个体差异很大。 根据分类对象的不同， ①、分为样品（观测量）聚类 ②、变量聚类两种
分层聚类 （Hierarchical Cluster）过程
分层聚类又称系统聚类： 是指事先不确定要分多少类，而是先把每一个 对象作为一类，然后一层一层进行分类
分层聚类方法：
分解法:先视为一大类，再分成几类 凝聚法:先视每个为一类,再合并为几大类
冰挂图
如何观察冰挂图： 从最后一行开始，当聚成4类时，3、4个案聚成一类，其 他个案自成一类； 当聚成3类时，3、4个案，1、2个案聚成一类，个案五自 成一类； 当聚成2类时，1、2个案聚成一类，其余个案聚成一类
有一些昆虫的性别很难看出，只有通过解剖 才能够判别；但是雄性和雌性昆虫在若干体表度 量上有些综合的差异。于是统计学家就根据已知 雌雄的昆虫体表度量（这些用作度量的变量亦称 为预测变量）得到一个标准，并且利用这个标准 来判别其他未知性别的昆虫。 这样的判别虽然不能保证百分之百准确， 但至少大部分判别都是对的，而且用不着杀死昆 虫来进行判别了。
q
x
i 1
p
i
yi
q
相似性的度量 (变量相似系数的计算方法)
在对变量进行分类时，度量变量之间的相似 性常用相似系数，测度方法有
cos xy
x y
i i i i
i
夹角余弦
2 2 x y i i
i i
Pearson相关系数
r xy
(x x)( y y)
i 2 2 ( x x ) ( y y ) i i i i
2、距离概念
(样本点间距离的计算方法)
Euclidean距离
Squared Euclidean距 离 Block距离
2 ( x y ) i i i 1 p
2 ( x y ) i i i 1
p
p
i 1
xi yi
Chebychev距离
Minkovski距离
max x i y i
判别分析(discriminant analysis)
这就是本次课要讲的是判别分析。判别分析和 前面的聚类分析有什么不同呢？ 主要不同点就是：在聚类分析中一般人们 事先并不知道或一定要明确应该分成几类，完 全根据数据来确定。 而在判别分析中，至少有一个已经明确知 道类别的“训练样本”，利用这个数据，就可 以建立判别准则，并通过预测变量来为未知类 别的观测值进行判别了。
第三部分 聚类分析的SPSS过程
在AnalyzeClassify下：
1、快速聚类（K-Means Cluster）： 观测量 快速聚类分析过程。 2、分层聚类（Hierarchical Cluster）：分层 聚类（进行观测量聚类和变量聚类的过程。
快速聚类过程(Quick Cluster) 使用 k 均值分类法对观测量进行聚 类。可使用系统的默认选项或自己设 置选项，如分为几类、指定初始类中 心、是否将聚类结果或中间数据数据 存入数据文件等。 AnalyzeClassifyK-Means Cluster
合集下载
判别分析(spss)
判 别 分 析
判别
有一些昆虫的性别很难看出，只有通过 解剖才能够判别； 但是雄性和雌性昆虫在若干体表度量上 有些综合的差异。于是统计学家就根据 已知雌雄的昆虫体表度量（这些用作度 量的变量亦称为预测变量）得到一个标 准，并且利用这个标准来判别其他未知 性别的昆虫。 这样的判别虽然不能保证百分之百准确， 但至少大部分判别都是对的，而且用不 着杀死昆虫来进行判别了。
-4
-3
-2
-1
0
1
2
3
-4 -2 0 2 4 6
逐步判别法(仅仅是在前面的方 逐步判别法 仅仅是在前面的方 法中加入变量选择的功能) 法中加入变量选择的功能
有时，一些变量对于判别并没有什么作用， 为了得到对判别最合适的变量，可以使用 逐步判别。也就是，一边判别，一边引进 判别能力最强的变量， 这个过程可以有进有出。一个变量的判别 能力的判断方法有很多种，主要利用各种 检验，例如Wilks’ Lambda、Rao’s V、The Squared Mahalanobis Distance、Smallest F ratio 或 The Sum of Unexplained Variations等检验。其细节这里就不赘述了； 这些不同方法可由统计软件的各种选项来 实现。逐步判别的其他方面和前面的无异。
0.035IS+3.283SE+0.037SA-0.007PRR+0.068MS-0.023MSR-0.385CS-3.166 035IS+3 283SE+0 037SA- 007PRR+0 068MS- 023MSR- 385CSIS+ SE+ SA PRR+ MS MSR CS 005IS+ 567SE+ 041SA+ 012PRR+ 048MS+ 044MSR IS+0 SE+0 SA+0 PRR+0 MS+0 MSR- 159CS CS0.005IS+0.567SE+0.041SA+0.012PRR+0.048MS+0.044MSR-0.159CS-4.384
判别
有一些昆虫的性别很难看出，只有通过 解剖才能够判别； 但是雄性和雌性昆虫在若干体表度量上 有些综合的差异。于是统计学家就根据 已知雌雄的昆虫体表度量（这些用作度 量的变量亦称为预测变量）得到一个标 准，并且利用这个标准来判别其他未知 性别的昆虫。 这样的判别虽然不能保证百分之百准确， 但至少大部分判别都是对的，而且用不 着杀死昆虫来进行判别了。
-4
-3
-2
-1
0
1
2
3
-4 -2 0 2 4 6
逐步判别法(仅仅是在前面的方 逐步判别法 仅仅是在前面的方 法中加入变量选择的功能) 法中加入变量选择的功能
有时，一些变量对于判别并没有什么作用， 为了得到对判别最合适的变量，可以使用 逐步判别。也就是，一边判别，一边引进 判别能力最强的变量， 这个过程可以有进有出。一个变量的判别 能力的判断方法有很多种，主要利用各种 检验，例如Wilks’ Lambda、Rao’s V、The Squared Mahalanobis Distance、Smallest F ratio 或 The Sum of Unexplained Variations等检验。其细节这里就不赘述了； 这些不同方法可由统计软件的各种选项来 实现。逐步判别的其他方面和前面的无异。
0.035IS+3.283SE+0.037SA-0.007PRR+0.068MS-0.023MSR-0.385CS-3.166 035IS+3 283SE+0 037SA- 007PRR+0 068MS- 023MSR- 385CSIS+ SE+ SA PRR+ MS MSR CS 005IS+ 567SE+ 041SA+ 012PRR+ 048MS+ 044MSR IS+0 SE+0 SA+0 PRR+0 MS+0 MSR- 159CS CS0.005IS+0.567SE+0.041SA+0.012PRR+0.048MS+0.044MSR-0.159CS-4.384
SPSS数据分析—判别分析
判别分析作为一种多元分析技术应用相当广泛，和其他多元分析技术不同，判别分析并没有将降维作为主要任务，而是通过建立判别函数来概括各维度之间的差异，并且根据这个判别函数，将新加入的未知类别的样本进行归类，从这个角度讲，判别分析是从另一个角度对数据进行归类。
判别分析由于要建立判别函数，因此和回归分析类似，也有因变量和自变量，并且因变量应为分类变量，这样才能够最终将数据进行归类，而自变量可以是任意尺度变量，分类变量需要设置为哑变量。
既然和回归分析类似，那么判断分析也有一定的适用条件，这些适用条件也和回归分析类似1.自变量和因变量的关系符合线性假定违反时，可以使用曲线直线化、二次判别分析等方法2.因变量取值是独立的，并且必须事先就已确定这个很好理解，既然最终要归类，就要实现确定归为哪几类3.自变量服从多元正态分布违反时影响不大4.自变量各组间方差齐性，协方差矩阵齐违反时，可使用经典判别分析、非参数判别分析、距离判别分析5.自变量间不存在共线性违反时可以采用类似于线性回归中对共线性的处理，如逐步判别分析，岭判别分析等，和线性回归一样，共线性可以使判别函数的系数发生变化，但是对于判别结果则影响不大判别分析根据不同的判别准则可以分为经典判别分析、贝叶斯判别分析、非参数判别分析等，SPSS中将其和聚类共用一个过程，下面我们来介绍这几种方法在SPPS中的应用一、经典判别分析收集了一些鸢尾花的数据，其中spno为类别，有三个水平，其余四个为变量，想通过此数据进行判别分析，建立判别函数以对花进行区分，数据组成如下分析—分类—判别二、贝叶斯判别分析贝叶斯体系的主要思想是根据先验概率去推证后验概率也就是实验结果，将其引入判别分析之后，就变成计算后验概率及错判率，用最大后验概率来进行判别，并使错判率最小。
在SPSS中，贝叶斯判别和经典判别只是设置上稍有不同。
spss教程_13-1(判别分析)
y
( ) i
ax
'
k n
( ) i
, 1,2, k , i 1,2, n ,
Hale Waihona Puke ( ) iS 总 ( y
1 i 1
K
y )( y
( ) i
y ) a Ta,
' '
S 类间 n ( y
1
k
( )
y )( y y
( )
( )
判别分析
分类： 1、按判别的组数来分，有两组判别分析和多 组判别分析 2、按区分不同总体所用的数学模型来分，有 线性判别和非线性判别 3、按判别对所处理的变量方法不同有逐步判 别、序贯判别。 4、按判别准则来分，有费歇尔判别准则、贝 叶斯判别准则
判别分析
判别分析和前面的聚类分析有什么不同呢？ 主要不同点就是，在聚类分析中一般人们事 先并不知道或一定要明确应该分成几类，完 全根据数据来确定。 而在判别分析中，至少有一个已经明确知道 类别的“训练样本”，利用这个数据，就可 以建立判别准则，并通过预测变量来为未知 类别的观测值进行判别了。
费歇尔判别法
费歇尔判别方法是历史上最早提出的判别方 法之一，也叫线性判别法 费歇尔判别的思想是通过将多维数据投影到 某个方向上，投影的原则是将类与类之间尽 可能的分开，然后再选择合适的判别准则， 将待判的样本进行分类判别。
费歇尔判别法
一、判别原理 设有k个总体G1,G2,…,Gk,每类中含有样本数 分别为n1,n2,…,nk 假定所建立的判别函数为
ax ax (k ) ax ax (l )
则x属于第k组
逐步判别分析
一、逐步判别原理 逐步判别分析从模型没有变量开始，每一步 都对模型进行检验，把模型外对模型的判别 力贡献最大的变量加到模型中，同时考虑已 经在模型中但又不符合留在模型中条件的变 量从模型中剔除。
2024版SPSS判别分析方法案例分析
01 查看判别分析的结果输出，包括判别函数系数、 结构矩阵、分类结果等。
02 根据输出结果，解读判别分析的结果，如判别函 数的贡献、分类准确率等。
03 结合专业知识和实际背景，对结果进行合理解释 和讨论。
05
案例分析：某公司客户流失预测 模型构建
案例背景及问题描述
01
某大型电信公司面临客户流失问题，需要构建客户流失
04
SPSS判别分析操作过程
导入数据并建立数据集
1
打开SPSS软件，选择“文件”->“打开”>“数据”，导入需要分析的数据文件。
2
在数据视图中检查数据的完整性和准确性，确保 数据质量。
3
根据需要，对数据进行预处理，如缺失值处理、 异常值处理等。
选择合适的判别分析方法
根据研究目的和数据特点，选择合适 的判别分析方法，如线性判别分析、 二次判别分析等。
决策树与随机森林
基于贝叶斯定理和多元正态分 布假设，通过最大化类间差异 和最小化类内差异来建立线性 判别函数。适用于正态分布且 各类别协方差矩阵相等的情况。
放宽了LDA的假设条件，允许各 类别具有不同的协方差矩阵。 通过构建二次判别函数进行分 类。适用于更一般的数据分布 情况。
基于距离度量的方法，将新样 本分配给与其最近的K个已知样 本中最多的类别。适用于多类 别、非线性可分问题。
数据变换与标准化
数据变换
根据分析需求，对数据进行适当的变换，如对数变换、平 方根变换等，以改善数据的分布形态或满足分析要求。
数据标准化
对数据进行标准化处理，消除量纲和数量级的影响，使不 同变量具有可比性。常用的标准化方法包括Z分数标准化、 最小最大标准化等。
数据离散化
spss判别分析
判别的思想
判别分析：根据一批分类明确的 样本在若干指标上的观察值，建 立一个关于指标的判别函数和判 别准则，然后根据这个判别函数 和判别准则对新的样本进行分类， 并且根据回代判别的准确率评估 它的实用性。
判别函数(discriminant function)：指的是一 个关于指标变量的函数。每一个样本在指 标变量上的观察值代入判别函数后可以得 到一个确定的函数值。
2、判别方法
SPSS系统提供的判别方法有马氏距离判别法、贝 叶斯概率判别法以及费氏多类判别模型法。 ⑴马氏(Mahalamobis)距离判别法 马氏距离判别法的思想就是建立马氏距离，当被 判断个案距离哪个总体中的马氏距离最小，该个案就 隶属于这个总体。假定有A、B两个总体，则： X∈A 若d(x,A)<d(x,B) X∈B 若d(x,A)>d(x,B) 待判 若d(x,A)=d(x,B)
从聚类方法的选择上
1、看数据的类型，如果参与分类的变量是连续变 量，层次聚类法、K-均值聚类法、以及两步聚类法 都是适用的。如果变量中包括离散变量(计数变量)， 则需要将先对离散变量进行连续化处理。当数据量 较少时(比如小于100)，两种方法都可以选用，当数 据量较多时(比如大于1000)，则应该考虑选用K-均 值聚类法 2、要看分类的对象。如果是对样本分类，两种方 法都可用；如果是对变量分类则应选择层次聚类法 (至少SPSS的程序是这样)
注意对分类结果的检验
分类结果是否合理取决于它是否 “有用”，但分类结果是否可靠和稳定， 则需要反复聚类和比较。 一般来说，在所分的类别中，各类 所包含的对象(样本或变量)的数量应该 大致相当。至少这从表面上看更漂亮一 些。
问题
1、什么时候用快速聚类？ 2、什么时候用分层聚类？
SPSS数据的判别分析
短期支付能力 1.09 1.51 1.01 1.45 1.56 .71 .22 1.31 2.15 1.19 1.88 1.99 1.51 1.68 1.26 1.14 1.27 2.49 2.01
5 zf
生产效率指标 .45 .16 .40 .26 .67 .28 .18 .25 .70 .66 .27 .38 .42 .95 .60 .17 .51 .54 .53
（2）各组变量的协方差矩阵相等。在此假设下，可以使用 很简单的公式计算判别函数和进行显著性检验。
（3）各判别变量之间具有多元正态分布，即每个变量对于 所有其他变量的固定值有正态分布。在此条件下，可精确计 算显著性检验值和分组归属的概率。
2023/5/3
11
zf
➢ 三、判别分析方法
距离判别 本专题将介绍的方法有费 贝歇 叶尔 斯判 判别 别
判别分析 (Discriminate Analysis)
知识要点：
1、什么是判别分析？ 2、理解距离判别、Bayes判别以及Fisher判别的基本思想 3、结合SPSS软件进行案例分析 4、判别分析的应用（※※）
zf
判别分析的应用
医学：
例1：在医学诊断中，一个病人肺部有阴影，医生要判断 他患的是肺结核、肺部良性肿瘤还是肺癌？ 肺结核病人、肺部良性肿瘤病人、肺癌病人组成三个总 体，病人来自其中一个总体，可通过病人的指标（阴影 大小、边缘是否光滑等）用判别分析判断他来自哪个总 体（即判断他患的什么病？）
逐步判别
2023/5/3
12
zf
距离判别
❖ 首先根据已知分类的数据，分别计算各类的重心即各组（类）的 均值，判别的准则是对任给样品，计算它到各类平均数的距离， 哪个距离最小就将它判归哪个类。
spss--判别分析
指定收敛准则，系 统默认为初始凝聚 点间最小距离的2%
选此项后，每聚类 一个样品，就会重
新计算类中心
类内各样品观测值的均 值作为新的凝聚点
2.Iterate子对话框
创建新变量， 说明每个样 品的聚类结 果，新变量 将出现在当 前数据集中
创建新变量，说 明每个样品和凝 聚点的欧式距离， 新变量将出现在
迭代更新聚类：是在初始 凝聚点基础上不断迭代聚 类，形成新的凝聚点，直 到前后凝聚结果没有变化 为止，系统默认
不用迭代聚类：是在初始凝聚点 基础上聚类，作为最终聚类结果。
1.K-means Cluster 过程主对话框
指定数据文件中的观察值作为初始凝聚点 将最终聚类的凝聚点坐标写入指定数据文件
指定最大迭代次 数，规定为1到 999之间的整数
SPSS中，用户可以选择样品聚类或变量聚类，也有多种相似性度量。 多种数据标准化的方式可供选择。系统给出聚类图，据此可直观地确定 适当的分类。
二 SPSS操作指南
例15-3 某研究院欲用气相色谱法分析细菌全细胞脂肪酸的含 量来研究细菌的分类和鉴定。采用被试菌株共24株，其中空 肠弯曲菌8株（标号CJ1~CJ8），结肠弯曲菌3株（标号 CC1~CC3）,幽门螺杆菌（标号HP1~HP9）和其他肠道杆菌 4株（标号XX1~XX4）。分别用气相色谱法测得各菌株的12 种脂肪酸的百分含量（变量名X1~X12）。要求依据变量 X1~X12对24个菌株进行聚类分析。（原始数据见例153.sav）
表15-2
2.表15-3给出迭代聚类过程，可以看到，第11次迭 代后，聚类结果收敛。
3. 表15-14、表15-15给出最终的类中心坐标和最终类中心间 两两距离。可以看到，最终类中心坐标为各类中的变量均值。
选此项后，每聚类 一个样品，就会重
新计算类中心
类内各样品观测值的均 值作为新的凝聚点
2.Iterate子对话框
创建新变量， 说明每个样 品的聚类结 果，新变量 将出现在当 前数据集中
创建新变量，说 明每个样品和凝 聚点的欧式距离， 新变量将出现在
迭代更新聚类：是在初始 凝聚点基础上不断迭代聚 类，形成新的凝聚点，直 到前后凝聚结果没有变化 为止，系统默认
不用迭代聚类：是在初始凝聚点 基础上聚类，作为最终聚类结果。
1.K-means Cluster 过程主对话框
指定数据文件中的观察值作为初始凝聚点 将最终聚类的凝聚点坐标写入指定数据文件
指定最大迭代次 数，规定为1到 999之间的整数
SPSS中，用户可以选择样品聚类或变量聚类，也有多种相似性度量。 多种数据标准化的方式可供选择。系统给出聚类图，据此可直观地确定 适当的分类。
二 SPSS操作指南
例15-3 某研究院欲用气相色谱法分析细菌全细胞脂肪酸的含 量来研究细菌的分类和鉴定。采用被试菌株共24株，其中空 肠弯曲菌8株（标号CJ1~CJ8），结肠弯曲菌3株（标号 CC1~CC3）,幽门螺杆菌（标号HP1~HP9）和其他肠道杆菌 4株（标号XX1~XX4）。分别用气相色谱法测得各菌株的12 种脂肪酸的百分含量（变量名X1~X12）。要求依据变量 X1~X12对24个菌株进行聚类分析。（原始数据见例153.sav）
表15-2
2.表15-3给出迭代聚类过程，可以看到，第11次迭 代后，聚类结果收敛。
3. 表15-14、表15-15给出最终的类中心坐标和最终类中心间 两两距离。可以看到，最终类中心坐标为各类中的变量均值。
判别分析的SPSS操作
在“Method”选项组中选择进行逐步判别分析的方法，可供 选择的判别分析方法有5种：
1.Wilks’lambda Wilks’lambda方法。默认选项，每步 都是Wilk的概计量最小的进入判别函数。
2.Unexplained variance 不可解释方差方法。选择该项， 表示每步都是使各类不可解释的方差和最小变量进入判别函数。
对已知类别的样品判别分类
对已知类别的样品(通常称 为训练样品)用线性判别函 数进行判别归类，结果如 下表，全部判对。
(5)对判别效果作检验
判别分析是假设两组样品取自不同总体，如果两个总体的均值向量在统计上 差异不显著，作判别分析意义就不大：所谓判别效果的检验就是检验两个正态总体 的均值向量是否相等，取检验的统计量为：
1
《人类发展报告》中公布的。该报告建议，目前对人文发展的衡量应
当以人生的三大要素为重点，衡量人生三大要素的指示分别采用出生
时的预期寿命、成人识字率和实际人均GDP，将以上三个指示指标
的数值合成为一个复合指数，即为人文发展指数。资料来源UNDP
《人类发展报告》1995年。
2 今从1995年世界各国人文发展指数的排序中，选取高发展水平、中 等发展水平的国家各五个作为两组样品，另选四个国家作为待判样品 作判别分析。
单击添加副标题
判别分析的SPSS 操作
§1. 基本原理
§2.实例分析
§1. 基本原理
判别分析的目的是得到体现分类的函数关系式，即判别 函数。基本思想是在已知观测对象的分类和特征变量值的前 提下，从中筛选出能提供较多信息的变量，并建立判别函数； 目标是使得到的判别函数在对观测量进行判别其所属类别时 的错判率最小。
Fisher’s 选择该项，表示可以用于对新样本进行判别分 类的fisher系数，对每一类给出一组系数，并给出该组中判别分数 最大的观测量。
SPSS判别分析
100.4
200.2
13.7
1
128
SPSS 统计分析
浙江北部地区 1950~1982 年小麦赤霉病发生程度与气象因子研究，总结出上年 12 月 将与（x1）、上年 10 月下旬至 11 月中旬和当年 1~2 月总降雨（x2）、上年 10 月下旬至 11 月上旬日照时数（x3）、上年 10 月下旬至 12 月中旬和当年 2 月总雨量（x4）以及当年 3 月中旬平均高文（x5）等 5 个因子，并将赤霉病情分为轻中重三级（y，分别用 1、2、3 表示）。数据见表 9-11。用这些数据建立气象因子与小麦赤霉病发生程度的判别模型。
本例两项都不选择。
131
第 9 章 判别分析
6）统计量输出设置
在主对话框中点击“Ｓｔａｔｉｓｔｉｃ”按钮，打开统计量输出设置对话框，如图 ９－４。
如图 ９－４ “Ｓｔａｔｉｓｔｉｃ”对话框 ① “Descriptives”栏选择输出描述统计量: l Means 复选项，可以输出各类中各自变量的均值 Mean、标准差 Std.Dev 和各自变量 总样本的均值和标准差。 l Univarlate ANOVAs 复选项，对各个自变量进行均值假设检验，输出单变量的方差 分析结果。 l Box’s M 复选项，对各类的协方差矩阵相等的假设进行检验。 本例选中“Means”选项。 ②“Function coefficients”栏选择输出判别函数系数 l Fisher ’s 复选项，可以直接用于对新样本进行判别分类的费雪系数。对每一类给出 一组系数。并给出该组中判别分数最大的观测量。 l Unstandardized 复选项，未经标推化处理的判别系数。 本例选中“Fisher ’s”选项。 ③“Matrices”栏选择输出自变量的系数矩阵 l Within-groups correlation matrix 复选项，即类内相关矩阵，它是根据在计算相关 矩阵之前将各组(类)协方差矩阵平均后计算类内相关矩阵。 l Within-groups covariance matrix 复选项，即计算并显示合并类内协方差矩阵，是 将各组(类)协方差矩阵平均后计算的。区别于总协方差阵。 l Separate-groups covariance matrices 复选项，对每类输出显示一个协方差矩阵。 l Total covariance matrix 复选项，计算并显示总样本的协方差矩阵。 本例子 4 项都不选择。
spss教程_13-1(判别分析)
具体操作 Save: 保存新变量 Predicted group membership : 建立新变量,表明预测的类成员 Discriminant score:建立新变量, 表明判别分数 Probabilities of group membership : 建立新变量.表明样品属于某一类的概率
Wilk’s λ最小法
U统计量 λ=组内平方和/总平方和，每一步都是统计量 最小的进入判别函数 容许度=1-Ri2 (Ri2为偏相关系数）
1 p F引 p 1 p
p 1
ng p g 1
p 1 1 p n g p F剔 p 1 g 1 p
判别分析
分类： 1、按判别的组数来分，有两组判别分析和多 组判别分析 2、按区分不同总体所用的数学模型来分，有 线性判别和非线性判别 3、按判别对所处理的变量方法不同有逐步判 别、序贯判别。 4、按判别准则来分，有费歇尔判别准则、贝 叶斯判别准则
判别分析
判别分析和前面的聚类分析有什么不同呢？ 主要不同点就是，在聚类分析中一般人们事 先并不知道或一定要明确应该分成几类，完 全根据数据来确定。 而在判别分析中，至少有一个已经明确知道 类别的“训练样本”，利用这个数据，就可 以建立判别准则，并通过预测变量来为未知 类别的观测值进行判别了。
Casewise:逐步输出每个样品的分类结果 limit cases to:最大样品数 Summary table:分类概括表 Leave-one-out classification 剔除一个样品 后用其他样品得到的该样品的分类结果
具体操作
Plot: 输出统计图 Combined-groups:各类输出在同一张散点图中 Separate-groups:每类输出一张散点图中 Territorial mao:分类区域图