应用多元统计分析习题解答-聚类分析
应用多元分析聚类分析作业
应用多元分析——聚类分析5.1解：判别分析是根据一定的判别准则，判定一个样本归属于哪一类，用具体的数学语言来表达就是，设有n 个样本，对每个样本测得p 项指标（变量）的数据，已知每个样本属于k 个类别（或总体）G 1，G 2,……,G k 中的某一类，且它们的分布函数分别为F 1(x )，F 2(x )，……，F k (x )通过找出一个最优的划分，使得不同类别的样本尽可能地区别开，并对测得同样p 项指标（变量）数据的一个新样本，能判别该样本属于哪个总体。
聚类分析是分析如何对样品（或变量）进行量化分类的问题。
而聚类分析是指，在聚类之前，我们并不知道判别标准，而是通过一次次的聚类，使相近的样品（或变量）聚合形成总体，即进行量化分类。
通俗来讲，判别分析是在已知有多少类及是什么类的情况下进行分类，而聚类分析是在不知道类的情况下进行分类。
5.3解：对样品进行聚类分析时，用距离来测定样品之间的相似程度。
因为我们把n 个样本看作p 维空间的n 个点，点之间的距离即可代表样品间的相似度，将距离近的归为一类，距离较远的点归为不同类。
常用的距离为： （一）闵可夫斯基距离：1/1()()p qq ij ik jk k d q X Xq 取不同值，分为 （1）绝对距离(1q ) 1(1)p ij ikjkk d X X（2）欧氏距离(2q )21/21(2)()p ij ikjk k d X X（3）切比雪夫距离(q)1()max ij ikjkk pd X X（二）马氏距离（三）兰氏距离对变量的相似性进行度量的时候，因为多元数据中的变量表现为向量的形式，在几何上可以用多维空间的一个有向线段表示，相对于数量的大小，我们更多地要了解变量的变化趋势或变化方向，因此用相关性进行衡量。
将变量看作p 维空间的向量，一般用：（一） 夹角余弦（二）相关系数5.5解：11()p ik jkijk ik jk X X d L p X X21()()()ij i j i j d M X X ΣX X12cos pik jkk ij p pX X 12211()()()()pik i jk j k ij p p ik i jk j k k X X X X r X X X X相同点：K—均值法和系统聚类法一样，都是以距离的远近亲疏为标准进行聚类的。
应用多元统计分析试题及答案(1)
应用多元统计分析试题及答案(1)多元统计分析是现代统计学中不可或缺的一部分，它是用于对不同数据进行相关分析的高级统计方法。
对于需要进行多因素分析的问题，多元统计分析是必须掌握的技能。
以下是一些应用多元统计分析的试题及答案。
试题1：假设你要进行一项研究，以评估学生在学期末考试成绩与他们的就业情况之间是否存在关联。
你将分析什么类型的多元统计分析？答案：此问题需要进行一种二元多元回归分析。
此方法可以用于探索学期末考试成绩和就业情况之间的相关性。
通过回归分析，我们可以计算出两个变量之间的相关系数以及建立一个数学模型来预测就业成功与否的可能性。
试题2：你是一家旅游公司的行销经理，你想了解你们的财务状况、品牌信誉和市场定位之间的关系。
采用哪种多元统计分析来解决这个问题？答案：这个问题需要进行一种因子分析。
因子分析是一种常用的多元统计技术，可用于探索大量变量之间的共性或相似性。
因此，行销经理可以使用因子分析来探究这三个因素之间的关系，以帮助公司更好地了解市场需求、推广策略和产品定位。
试题3：你是一名医学研究员，你需要研究新型药物的效果以及它是否与特定人群的特征相关。
哪种多元统计分析可用于研究？答案：这个问题需要使用一种路径分析方法。
路径分析是一种分层回归分析技术，可用于探索变量间的直接和间接影响关系。
因此，研究人员可以使用路径分析来研究新型药物的效果以及与特定人群特征的相关性，以便更好地理解治疗效果的影响因素。
试题4：你是一名市场分析师，你需要研究不同年龄、性别和教育水平的人群之间的消费习惯。
采用哪种多元统计分析来解决这个问题？答案：这个问题需要使用一种聚类分析方法。
聚类分析是一种将成为节点的相似对象分组的过程。
因此，市场分析师可以使用聚类分析来将相似的人群以及他们的共同消费习惯分成几个类别，以便更好地了解不同年龄、性别和教育水平背景下的人群之间的消费习惯和偏好。
结论：多元统计分析是一种有用的技术，可以用于探索大量不同变量之间的关系，对于需要分析多个变量之间关系的问题，多元统计分析是必须学习的基本技能。
多元统计分析期末试题及答案
22121212121~(,),(,),(,),,1X N X x x x x x x ρμμμμσρ⎛⎫∑==∑=⎪⎝⎭+-1、设其中则Cov(,)=____.10312~(,),1,,10,()()_________i i i i X N i W X X μμμ='∑=--∑、设则=服从。
()1234433,492,3216___________________X x x x R -⎛⎫ ⎪'==-- ⎪ ⎪-⎝⎭=∑、设随机向量且协方差矩阵则它的相关矩阵4、__________， __________，________________。
215,1,,16(,),(,)15[4()][4()]~___________i p p X i N X A N T X A X μμμμ-=∑∑'=--、设是来自多元正态总体和分别为正态总体的样本均值和样本离差矩阵,则。
(),123设X=x x x 的相关系数矩阵通过因子分析分解为211X h =的共性方差111X σ=的方差21X g =1公因子f 对的贡献121330.93400.1280.9340.4170.8351100.4170.8940.02700.8940.44730.8350.4470.1032013R ⎛⎫- ⎪⎛⎫⎛⎫ ⎪-⎛⎫ ⎪ ⎪⎪=-=-+ ⎪ ⎪ ⎪ ⎪⎝⎭ ⎪ ⎪ ⎪⎝⎭⎝⎭ ⎪ ⎪⎝⎭12332313116421(,,)~(,),(1,0,2),441,2142X x x x N x x x x x μμ-⎛⎫⎪'=∑=-∑=-- ⎪ ⎪-⎝⎭-⎛⎫+ ⎪⎝⎭、设其中试判断与是否独立？11262(90,58,16),82.0 4.310714.62108.946460.2,(5)( 115.6924)14.6210 3.17237.14.5X S μ--'=-⎛⎫ ⎪==-- ⎪ ⎪⎝⎭0、对某地区农村的名周岁男婴的身高、胸围、上半臂围进行测量，得相关数据如下,根据以往资料,该地区城市2周岁男婴的这三个指标的均值现欲在多元正态性的假定下检验该地区农村男婴是否与城市男婴有相同的均值。
应用多元统计分析习题解答聚类分析
第五章聚类剖析5.1鉴别剖析和聚类剖析有何差别？答：即依据必定的鉴别准则，判断一个样本归属于哪一类。
详细而言，设有n 个样本，对每个样本测得p 项指标（变量）的数据，已知每个样本属于k 个类型（或整体）中的某一类，经过找出一个最优的区分，使得不一样类其余样本尽可能地域别开，并鉴别该样本属于哪个整体。
聚类剖析是剖析怎样对样品（或变量）进行量化分类的问题。
在聚类以前，我们其实不知道整体，而是经过一次次的聚类，使邻近的样品（或变量）聚合形成整体。
平常来讲，鉴别剖析是在已知有多少类及是什么类的状况下进行分类，而聚类剖析是在不知道类的状况下进行分类。
5.2试述系统聚类的基本思想。
答：系统聚类的基本思想是：距离邻近的样品（或变量）先聚成类，距离相远的后聚成类，过程向来进行下去，每个样品（或变量）总能聚到适合的类中。
5.3对样品和变量进行聚类剖析时，所结构的统计量分别是什么？简要说明为何这样结构？答：对样品进行聚类剖析时，用距离来测定样品之间的相像程度。
由于我们把n 个样本看作 p 维空间的 n 个点。
点之间的距离即可代表样品间的相像度。
常用的距离为pq)1/ q（一）闵可夫斯基距离： d ij (q) ( X ik X jkk 1q取不一样值，分为（ 1）绝对距离（（ 2）欧氏距离（q 1）q 2 ）（ 3）切比雪夫距离（ q） （二）马氏距离（三）兰氏距离对变量的相像性， 我们更多地要认识变量的变化趋向或变化方向， 所以用有关性进行权衡。
将变量看作 p 维空间的向量，一般用（一）夹角余弦（二）有关系数5.4 在进行系统聚类时，不一样类间距离计算方法有何差别？选择距离公式应按照哪些原则？答： 设 d ij 表示样品 X i 与 X j 之间距离，用 D ij 表示类 G i 与 G j 之间的距离。
（ 1） . 最短距离法（ 2）最长距离法（ 3）中间距离法D kr 21D kp21D kq 2D pq 22 2此中（4）重心法（5）类均匀法（6）可变类均匀法D kr2 (1 )( np D kp2nq D kq2 )D pq2 n r? <1n r此中 ?是可变的且（ 7）可变法D kr21(D kp2 D kq2 )D pq2 此中 ?是可变的且 ? <12（8）离差平方和法往常选择距离公式应注意按照以下的基根源则：（1）要考虑所选择的距离公式在实质应用中有明确的意义。
多元统计分析期末试题及标准答案
多元统计分析期末试题及答案————————————————————————————————作者：————————————————————————————————日期：22121212121~(,),(,),(,),,1X N X x x x x x x ρμμμμσρ⎛⎫∑==∑=⎪⎝⎭+-1、设其中则Cov(,)=____.10312~(,),1,,10,()()_________i i i i X N i W X X μμμ='∑=--∑L 、设则=服从。
()1234433,492,3216___________________X x x x R -⎛⎫ ⎪'==-- ⎪⎪-⎝⎭=∑、设随机向量且协方差矩阵则它的相关矩阵4、__________， __________，________________。
215,1,,16(,),(,)15[4()][4()]~___________i p p X i N X A N T X A X μμμμ-=∑∑'=--L 、设是来自多元正态总体和分别为正态总体的样本均值和样本离差矩阵,则。
12332313116421(,,)~(,),(1,0,2),441,2142X x x x N x x x x x μμ-⎛⎫⎪'=∑=-∑=-- ⎪ ⎪-⎝⎭-⎛⎫+ ⎪⎝⎭、设其中试判断与是否独立？(),123设X=xx x 的相关系数矩阵通过因子分析分解为211X h =的共性方差111X σ=的方差21X g =1公因子f 对的贡献121330.93400.1280.9340.4170.8351100.4170.8940.02700.8940.44730.8350.4470.1032013R ⎛⎫- ⎪⎛⎫⎛⎫⎪-⎛⎫ ⎪ ⎪⎪=-=-+ ⎪ ⎪ ⎪ ⎪⎝⎭ ⎪ ⎪ ⎪⎝⎭⎝⎭ ⎪ ⎪⎝⎭11262(90,58,16),82.0 4.310714.62108.946460.2,(5)( 115.6924)14.6210 3.17237.14.5X S μ--'=-⎛⎫ ⎪==-- ⎪ ⎪⎝⎭0、对某地区农村的名周岁男婴的身高、胸围、上半臂围进行测量，得相关数据如下,根据以往资料,该地区城市2周岁男婴的这三个指标的均值现欲在多元正态性的假定下检验该地区农村男婴是否与城市男婴有相同的均值。
应用多元统计分析A卷答案
成份 初始特征值 提取平方和载入 合计
方差的 %
累积 %
合计
方差的 % 累积 %
1 2
3 .732
4 .46
5 5 .235 6
.064
提取方法：主成份分析。
成份得分系数矩阵
成份
1
2 体重 .342 腰围 .285
脉搏 .127 单杠 .239 .244 仰卧起坐 .270 .238 跳高
.182 .519
提取方法 :主成份。
1）当贡献率超过85%时应该选取几个主成分。
应该选取3个主成分
2）写出第一、第二主成分表达式
1123456
21234560.2420.2650.1270.2390.270.1820.3420.2850.4610.2440.2380.519Z X X X X X X Z X X X X X X =--++++=+-+++
3）第一到第三主成分的方差分别是多少 ,，
4）进行适当的主成分分析
通过分析可以看出，第一主成分代表的是先天的身体素质，第二主成分代表的是运动指标
2．在某年级44名学生的期末考试中，有的课程采用闭卷，有的课程采用开卷，对数据进行了因子分析，输出结果如下：
Eigenvalues of the Correlation Matrix: Total = 5 Average = 1
Eigenvalue Difference Proportion Cumulative 1 2. 1. 2 0. 3 0. 0. 4 0. 0.
5 0.
Factor Pattern
Factor1 Factor2 Factor3 x1 力学（闭） x2 物理（闭） x3 代数（开）。
应用多元统计分析课后答案
应用多元统计分析课后答案第二章2.1.试叙述多元联合分布和边际分布之间的关系。
解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)p X X X X '=的联合分布密度函数是一个p 维的函数，而边际分布讨论是12(,,)p X X X X '=的子向量的概率分布，其概率密度函数的维数小于p 。
2.2设二维随机向量12()X X '服从二元正态分布，写出其联合分布。
解：设12()X X '的均值向量为()12μμ'=μ，协方差矩阵为21122212σσσσ⎛⎫ ⎪⎝⎭，则其联合分布密度函数为1/21222112112222122121()exp ()()2f σσσσσσσσ--⎧⎫⎛⎫⎛⎫⎪⎪'=---⎨⎬ ⎪ ⎪⎝⎭⎝⎭⎪⎪⎩⎭x x μx μ。
2.3已知随机向量12()X X '的联合密度函数为121212222[()()()()2()()](,)()()d c x a b a x c x a x c f x x b a d c --+-----=--其中1a x b ≤≤，2c x d ≤≤。
求（1）随机变量1X 和2X 的边缘密度函数、均值和方差； （2）随机变量1X 和2X 的协方差和相关系数； （3）判断1X 和2X 是否相互独立。
（1）解：随机变量1X 和2X 的边缘密度函数、均值和方差；112121222[()()()()2()()]()()()dx cd c x a b a x c x a x c f x dx b a d c --+-----=--⎰12212222222()()2[()()2()()]()()()()dd c c d c x a x b a x c x a x c dx b a d c b a d c -------=+----⎰ 12122222()()2[()2()]()()()()dd cc d c x a x b a t x a t dt b a d c b a d c ------=+----⎰2212122222()()[()2()]1()()()()d cdcd c x a x b a t x a t b a d c b a d c b a------=+=----- 所以由于1X 服从均匀分布，则均值为2b a +，方差为()212b a -。
应用多元统计(朱建平)课后答案
第二章2.1.试叙述多元联合分布和边际分布之间的关系。
解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)p X X X X '=的联合分布密度函数是一个p 维的函数，而边际分布讨论是12(,,)p X X X X '=的子向量的概率分布，其概率密度函数的维数小于p 。
2.2设二维随机向量12()X X '服从二元正态分布，写出其联合分布。
解：设12()X X '的均值向量为()12μμ'=μ，协方差矩阵为21122212σσσσ⎛⎫ ⎪⎝⎭，则其联合分布密度函数为1/21222112112222122121()exp ()()2f σσσσσσσσ--⎧⎫⎛⎫⎛⎫⎪⎪'=---⎨⎬ ⎪ ⎪⎝⎭⎝⎭⎪⎪⎩⎭x x μx μ。
2.3已知随机向量12()X X '的联合密度函数为121212222[()()()()2()()](,)()()d c x a b a x c x a x c f x x b a d c --+-----=-- 其中1a x b ≤≤，2c x d ≤≤。
求（1）随机变量1X 和2X 的边缘密度函数、均值和方差； （2）随机变量1X 和2X 的协方差和相关系数； （3）判断1X 和2X 是否相互独立。
（1）解：随机变量1X 和2X 的边缘密度函数、均值和方差；112121222[()()()()2()()]()()()dx cd c x a b a x c x a x c f x dx b a d c --+-----=--⎰12212222222()()2[()()2()()]()()()()ddcc d c x a x b a x c x a x c dx b a d c b a d c -------=+----⎰12122222()()2[()2()]()()()()dd cc d c x a x b a t x a t dt b a d c b a d c ------=+----⎰2212122222()()[()2()]1()()()()d cdcd c x a x b a t x a t b a d c b a d c b a------=+=----- 所以由于1X 服从均匀分布，则均值为2b a+，方差为()212b a -。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第五章 聚类分析5.1 判别分析和聚类分析有何区别？答：即根据一定的判别准则，判定一个样本归属于哪一类。
具体而言，设有n 个样本，对每个样本测得p 项指标（变量）的数据，已知每个样本属于k 个类别（或总体）中的某一类，通过找出一个最优的划分，使得不同类别的样本尽可能地区别开，并判别该样本属于哪个总体。
聚类分析是分析如何对样品（或变量）进行量化分类的问题。
在聚类之前，我们并不知道总体，而是通过一次次的聚类，使相近的样品（或变量）聚合形成总体。
通俗来讲，判别分析是在已知有多少类及是什么类的情况下进行分类，而聚类分析是在不知道类的情况下进行分类。
5.2 试述系统聚类的基本思想。
答：系统聚类的基本思想是：距离相近的样品（或变量）先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量）总能聚到合适的类中。
5.3 对样品和变量进行聚类分析时， 所构造的统计量分别是什么？简要说明为什么这样构造？答：对样品进行聚类分析时，用距离来测定样品之间的相似程度。
因为我们把n 个样本看作p 维空间的n 个点。
点之间的距离即可代表样品间的相似度。
常用的距离为 （一）闵可夫斯基距离：1/1()()pq qij ik jk k d q X X ==-∑q 取不同值，分为 （1）绝对距离（1q =）1(1)pij ik jk k d X X ==-∑（2）欧氏距离（2q =）21/21(2)()pij ik jk k d X X ==-∑（3）切比雪夫距离（q =∞）1()max ij ik jkk pd X X ≤≤∞=-（二）马氏距离（三）兰氏距离对变量的相似性，我们更多地要了解变量的变化趋势或变化方向，因此用相关性进行衡量。
21()()()ij i j i j d M -'=--X X ΣX X 11()p ik jkij k ik jk X X d L p X X =-=+∑将变量看作p 维空间的向量，一般用（一）夹角余弦（二）相关系数5.4 在进行系统聚类时，不同类间距离计算方法有何区别？选择距离公式应遵循哪些原则？答： 设d ij 表示样品X i 与X j 之间距离，用D ij 表示类G i 与G j 之间的距离。
（1）. 最短距离法,mini k j rkr ij X G X G D d ∈∈=min{,}kp kq D D =（2）最长距离法,maxi p j qpq ij X G X G D d ∈∈=,maxi k j rkr ij X G X G D d ∈∈=max{,}kp kq D D =（3）中间距离法其中（4）重心法2()()pq p q p q D X X X X '=-- )(1q q p p rrX n X n n X +=12211cos ()()pik jkk ij p pik jk k k X X X X θ====∑∑∑12211()()()()pik i jk j k ij p pik i jk j k k X X X X r X X X X ===--=--∑∑∑ij G X G X ij d D jj i i ∈∈=,min22222121pq kq kp kr D D D D β++=22222p q p q krkpkqpq rrr n n n n D D D D n n n =+-（5）类平均法221i p j jpq ij X G X G p qD d n n ∈∈=∑∑221i k j rkr ijX G X G k rD d n n ∈∈=∑∑22p q kp kqrrn n D D n n =+（6）可变类平均法其中β是可变的且β <1（7）可变法22221()2kr kp kq pq D D D D ββ-=++ 其中β是可变的且β <1 （8）离差平方和法1()()tn t it t it t t S X X X X ='=--∑2222k p k q k krkpkq pq r kr kr kn n n n n D D D D n n n n n n ++=+-+++通常选择距离公式应注意遵循以下的基本原则：（1）要考虑所选择的距离公式在实际应用中有明确的意义。
如欧氏距离就有非常明确的空间距离概念。
马氏距离有消除量纲影响的作用。
（2）要综合考虑对样本观测数据的预处理和将要采用的聚类分析方法。
如在进行聚类分析之前已经对变量作了标准化处理，则通常就可采用欧氏距离。
（3）要考虑研究对象的特点和计算量的大小。
样品间距离公式的选择是一个比较复杂且带有一定主观性的问题，我们应根据研究对象的特点不同做出具体分折。
实际中，聚类分析前不妨试探性地多选择几个距离公式分别进行聚类，然后对聚类分析的结果进行对比分析，以确定最合适的距离测度方法。
5.5试述K 均值法与系统聚类法的异同。
2222(1)()pq kr kpkq pqrrn n D D D D n n ββ=-++答：相同：K —均值法和系统聚类法一样，都是以距离的远近亲疏为标准进行聚类的。
不同：系统聚类对不同的类数产生一系列的聚类结果，而K —均值法只能产生指定类数的聚类结果。
具体类数的确定，离不开实践经验的积累；有时也可以借助系统聚类法以一部分样品为对象进行聚类，其结果作为K —均值法确定类数的参考。
5.6 试述K 均值法与系统聚类有何区别？试述有序聚类法的基本思想。
答：K 均值法的基本思想是将每一个样品分配给最近中心（均值）的类中。
系统聚类对不同的类数产生一系列的聚类结果，而K —均值法只能产生指定类数的聚类结果。
具体类数的确定，有时也可以借助系统聚类法以一部分样品为对象进行聚类，其结果作为K 均值法确定类数的参考。
有序聚类就是解决样品的次序不能变动时的聚类分析问题。
如果用)()2()1(,,,n X X X Λ表示n 个有序的样品，则每一类必须是这样的形式，即)()1()(,,,j i i X X X Λ+，其中,1n i ≤≤且n j ≤，简记为},,1,{j i i G i Λ+=。
在同一类中的样品是次序相邻的。
一般的步骤是（1）计算直径{D （i,j ）}。
（2）计算最小分类损失函数{L[p(l,k)]}。
(3)确定分类个数k 。
（4）最优分类。
5.7 检测某类产品的重量， 抽了六个样品， 每个样品只测了一个指标，分别为1，2，3，6，9，11.试用最短距离法，重心法进行聚类分析。
（1）用最短距离法进行聚类分析。
采用绝对值距离，计算样品间距离阵0 1 0 2 1 0 5 4 3 0 8 7 6 3 0 10 9 8 5 2 0由上表易知 中最小元素是 于是将，，聚为一类，记为计算距离阵3 06 3 08 5 2 0中最小元素是=2 于是将，聚为一类，记为计算样本距离阵3 06 3 0中最小元素是于是将，聚为一类，记为因此，（2）用重心法进行聚类分析计算样品间平方距离阵1 04 1 025 16 9 064 49 36 9 0100 81 64 25 4 0易知中最小元素是于是将，，聚为一类，记为计算距离阵16 049 9 081 25 4 0注：计算方法,其他以此类推。
中最小元素是=4 于是将，聚为一类，记为计算样本距离阵16 064 16 0中最小元素是于是将，聚为一类，记为因此，5.8 下表是15个上市公司2001年的一些主要财务指标，使用系统聚类法和K－均值法分别对这些公司进行聚类，并对结果进行比较分析。
公司编号净资产收益率每股净利润总资产周转率资产负债率流动负债比率每股净资产净利润增长率总资产增长率111.090.210.0596.9870.53 1.86-44.0481.99211.960.590.7451.7890.73 4.957.0216.11300.030.03181.99100-2.98103.3321.18411.580.130.1746.0792.18 1.14 6.55-56.325-6.19-0.090.0343.382.24 1.52-1713.5-3.366100.470.4868.486 4.7-11.560.85710.490.110.3582.9899.87 1.02100.2330.32811.12-1.690.12132.14100-0.66-4454.39-62.759 3.410.040.267.8698.51 1.25-11.25-11.4310 1.160.010.5443.7100 1.03-87.18-7.411130.220.160.487.3694.880.53729.41-9.97128.190.220.3830.31100 2.73-12.31-2.771395.79-5.20.5252.3499.34-5.42-9816.52-46.821416.550.350.9372.3184.05 2.14115.95123.4115-24.18-1.160.7956.2697.8 4.81-533.89-27.74解:令净资产收益率为X1，每股净利润X2，总资产周转率为X3，资产负债率为X4，流动负债比率为X5，每股净资产为X6，净利润增长率为X7，总资产增长率为X8，用spss对公司聚类分析的步骤如下：a)系统聚类法:1.在SPSS窗口中选择Analyze→Classify→Hierachical Cluster，调出系统聚类分析主界面，并将变量X8-X1移入Variables框中。
在Cluster 栏中选择Cases单选按钮，即对样品进行聚类（若选择Variables，则对变量进行聚类）。
在Display栏中选择Statistics和Plots复选框，这样在结果输出窗口中可以同时得到聚类结果统计量和统计图。
图5.1 系统分析法主界面2.点击Statistics按钮，设置在结果输出窗口中给出的聚类分析统计量。
我们选择Agglomeration schedule与Cluster Membership中的Range of solution 2-4，如图5.2所示，点击Continue按钮，返回主界面。
（其中，Agglomeration schedule表示在结果中给出聚类过程表，显示系统聚类的详细步骤；Proximity matrix 表示输出各个体之间的距离矩阵；Cluster Membership 表示在结果中输出一个表，表中显示每个个体被分配到的类别，Range of solution 2-4即将所有个体分为2至4类。
）3.点击Plots按钮，设置结果输出窗口中给出的聚类分析统计图。
选中Dendrogram复选框和Icicle栏中的None单选按钮，如图5.3，即只给出聚类树形图，而不给出冰柱图。