fqpAAA判別分析試驗(yàn)報(bào)告--SPSS

1、一、實(shí)驗(yàn)?zāi)康募耙螅?、目的用SPSS軟件實(shí)現(xiàn)判別分析及其應(yīng)用。2、內(nèi)容及要求用SPSS對(duì)實(shí)驗(yàn)數(shù)據(jù)利用Fisher判別法和貝葉斯判別法，建立判別函數(shù)并判定宿州、廣安等13個(gè)地級(jí)市分別屬于哪個(gè)管理水平類型二、儀器用具：儀器名稱規(guī)格/型號(hào)數(shù)量備注計(jì)算機(jī)1有網(wǎng)絡(luò)環(huán)境SPSS軟件1三、實(shí)驗(yàn)方法與步驟準(zhǔn)備工作：把實(shí)驗(yàn)所用數(shù)據(jù)從 Word文檔復(fù)制到Excel，并進(jìn)一步導(dǎo)入到SPSS 數(shù)據(jù)文件中，同時(shí)，由于只有當(dāng)被解釋變量是屬性變量而解釋變量是度量變量時(shí)， 判別分析才適用，所以將城市管理的7個(gè)效率指數(shù)變量的變量類型改為“數(shù)值（N）”， 度量標(biāo)準(zhǔn)改為“度量（S）”，以備接下來(lái)的分析。四、實(shí)驗(yàn)結(jié)果與數(shù)據(jù)處理：表

2、1組均值的均等性的檢驗(yàn)Wilks 的 LambdaFdf1df2Sig.綜合效率標(biāo)準(zhǔn)指數(shù).58223.022264.000經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù).40646.903264.000結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù).9541.560264.218社會(huì)效率標(biāo)準(zhǔn)指數(shù).7968.225264.001人員效率標(biāo)準(zhǔn)指數(shù).34261.645264.000發(fā)展效率標(biāo)準(zhǔn)指數(shù).30871.850264.000環(huán)境效率標(biāo)準(zhǔn)指數(shù).9133.054264.054表1是對(duì)各組均值是否相等的檢驗(yàn)，由該表可以看出，在0.05的顯著性水平上我們不能拒絕結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù)和環(huán)境效率標(biāo)準(zhǔn)指數(shù)在三組的均值相等的假設(shè)， 即認(rèn)為除了結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù)和環(huán)境效率標(biāo)準(zhǔn)

3、指數(shù)外，其余五個(gè)標(biāo)準(zhǔn)指數(shù)在三組的均值是有顯著差異的表2對(duì)數(shù)行列式group秩對(duì)數(shù)行列式16-33.41026-33.17736-40.584匯聚的組內(nèi)6-32.308打印的行列式的秩和自然對(duì)數(shù)是組協(xié)方差矩陣的秩和自然對(duì)數(shù)表3檢驗(yàn)結(jié)果箱的M140.196F近似。2.498df142df21990.001Sig.000對(duì)相等總體協(xié)方差矩陣的零假設(shè)進(jìn)行檢驗(yàn)。以上是對(duì)各組協(xié)方差矩陣是否相等的 Box M檢驗(yàn)，表2反映協(xié)方差矩陣的秩和行列式的對(duì)數(shù)值。由行列式的值可以看出，協(xié)方差矩陣不是病態(tài)矩陣。表3是對(duì)各總體協(xié)方差陣是否相等的統(tǒng)計(jì)檢驗(yàn)，由 F值及其顯著水平，在0.05的顯著性水 平下拒絕原假設(shè)，認(rèn)為各總

4、體協(xié)方差陣不相等。1)Fisher判別法:圖一逅陣V組內(nèi)相關(guān)(&凰單變量ANOVA(A).組內(nèi)協(xié)方差M-分組協(xié)萬(wàn)卷程-國(guó)埶系執(zhí) 一一一-總體協(xié)方差FisherfF)4未標(biāo)準(zhǔn)化(豈LJ表4特征值函數(shù)特征值方差的%累積%正則相關(guān)性13.763 a75.075.0.88921.257 a25.0100.0.746a.分析中使用了前2個(gè)典型判別式函數(shù)表 5Wilks的 Lambda函數(shù)檢驗(yàn)Wilks 的 Lambda卡方dfSig.1到2.093146.04212.0002.44350.0535.000表4反映了判別函數(shù)的特征值、解釋方差的比例和典型相關(guān)系數(shù)。第一判別函數(shù)解釋了 75%勺方差，第二判別

5、函數(shù)解釋了 25%勺方差，它們兩個(gè)判別函數(shù)解釋了 全部方差。表5是對(duì)兩個(gè)判別函數(shù)的顯著性檢驗(yàn)，由 Wilks Lambda檢驗(yàn)，認(rèn)為兩個(gè)判別函數(shù)在0.05的顯著性水平上是顯著的。表6標(biāo)準(zhǔn)化的典型判別式函數(shù)系數(shù)函數(shù)12綜合效率標(biāo)準(zhǔn)指數(shù)-.228-.578經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù).566.404結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù).097.472社會(huì)效率標(biāo)準(zhǔn)指數(shù).378.233人員效率標(biāo)準(zhǔn)指數(shù)-.3281.099發(fā)展效率標(biāo)準(zhǔn)指數(shù).621.675表7結(jié)構(gòu)矩陣函數(shù)12發(fā)展效率標(biāo)準(zhǔn)指數(shù).752*.305經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù).611 *.222綜合效率標(biāo)準(zhǔn)指數(shù).426*.170社會(huì)效率標(biāo)準(zhǔn)指數(shù).261 *-.001環(huán)境效率標(biāo)準(zhǔn)指數(shù)a.1

6、41 *-.129人員效率標(biāo)準(zhǔn)指數(shù)-.547.797*結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù).070-.156 *判別變量和標(biāo)準(zhǔn)化典型判別式函數(shù)之間的匯聚組間相關(guān)性按函數(shù)內(nèi)相關(guān)性的絕對(duì)大小排序的變量。*.每個(gè)變量和任意判別式函數(shù)間最大的絕對(duì)相關(guān)性a. 該變量不在分析中使用。表6為標(biāo)準(zhǔn)化的判別函數(shù)，表7為結(jié)構(gòu)矩陣，即判別載荷。由判別權(quán)重和判別載荷可以看出發(fā)展效率標(biāo)準(zhǔn)指數(shù)、經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù)對(duì)判別函數(shù)1的貢獻(xiàn)較大，而人員效率標(biāo)準(zhǔn)指數(shù)對(duì)判別函數(shù)2的貢獻(xiàn)較大。表8典型判別式函數(shù)系數(shù)函數(shù)12綜合效率標(biāo)準(zhǔn)指數(shù)-5.216-13.231經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù)5.1683.688結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù).9994.848社會(huì)效率標(biāo)準(zhǔn)指數(shù)4.877

7、3.011人員效率標(biāo)準(zhǔn)指數(shù)-3.31911.138發(fā)展效率標(biāo)準(zhǔn)指數(shù)7.1457.774（常量）-1.363-6.424非標(biāo)準(zhǔn)化系數(shù)group函數(shù)121-.210-.73023.9641.2633-2.7251.905在組均值處評(píng)估的非標(biāo)準(zhǔn)化典型判別式函數(shù)表8為非標(biāo)準(zhǔn)化的判別函數(shù)，我們可以根據(jù)這個(gè)判別函數(shù)計(jì)算每個(gè)觀測(cè)的判別Z得分。表9反映判別函數(shù)在各組的重心。根據(jù)結(jié)果，判別函數(shù)在group=1這一組的重心為(-0.210，-0.730)，在group=2這一組的重心為(3.964,1.263)，在group=3 這一組的重心為(-2.725,1.905 )。這樣，我們就可以根據(jù)每個(gè)觀測(cè)的判別 Z

8、得分將 觀測(cè)進(jìn)行分類。表10組的先驗(yàn)概率group先驗(yàn)用于分析的案例未加權(quán)的已加權(quán)的1.3334646.0002.3331010.0003.3331111.000合計(jì)1.0006767.000表11分類結(jié)果b,cgroup預(yù)測(cè)組成員合計(jì)123初始計(jì)數(shù)14600462010010320911未分組的案例63312%1100.0.0.0100.02.0100.0.0100.0318.2.081.8100.0未分組的案例50.025.025.0100.0交叉驗(yàn)證a計(jì)數(shù)1450146219010320911%197.8.02.2100.0210.090.0.0100.0318.2.081.8100.0

9、a. 僅對(duì)分析中的案例進(jìn)行交叉驗(yàn)證。在交叉驗(yàn)證中，每個(gè)案例都是按照從該案例以外的所有其他案例派生的函數(shù)來(lái)分類的。b. 已對(duì)初始分組案例中的 97.0%個(gè)進(jìn)行了正確分類。c. 已對(duì)交叉驗(yàn)證分組案例中的 94.0%個(gè)進(jìn)行了正確分類。表10為各組的先驗(yàn)概率，在分類選項(xiàng)中選擇的是所有組的先驗(yàn)概率相等。表11為分類矩陣表，這里交叉驗(yàn)證是采用“留一個(gè)在外”的原則，即每個(gè)城市 是通過(guò)除了這個(gè)城市以外的其他城市推導(dǎo)出來(lái)的判別函數(shù)來(lái)分類的。由該表可以看 出，通過(guò)判別函數(shù)預(yù)測(cè)，有65個(gè)城市是分類正確的，其中，group=1組46個(gè)城市全 部被判對(duì)，group=2組的10個(gè)城市也全部被判對(duì)，group=3組11個(gè)城

10、市中有9個(gè)被判 對(duì)，即有97%勺原始城市被判對(duì)。在交叉驗(yàn)證中，三組中分別有 45、9、9個(gè)城市被 判對(duì)，交叉驗(yàn)證有94%勺城市被判對(duì)2典則劌別曲數(shù)groupAi A?* 3圖三圖三為分類結(jié)果圖，從圖中可以看到第 2組與第3組可以很清晰地分開(kāi)，與第1 組也能分開(kāi)，而第3組和第1組存在重合區(qū)域，即存在誤判。同時(shí)，根據(jù)對(duì)待判城市的判別可以看出：在13個(gè)待判城市中，宿州、廣安、河 地被判到了第3組，佛山、蘇州、東營(yíng)被判到了第2組，咸陽(yáng)、盤錦、漢中、保定、 寶雞、衡陽(yáng)被判到了第1組，而以純由于只有環(huán)境效率標(biāo)準(zhǔn)指數(shù)的值，其他變量值 確實(shí)，系統(tǒng)未對(duì)其進(jìn)行判別。2）貝葉斯判別法:a描述性-拒陣一d均值疵組內(nèi)相

11、關(guān)遲）_i 里變重 ANOVA(A):組內(nèi)協(xié)萬(wàn)差建）O Boxrs M(B)B分組協(xié)方証）-MS數(shù)i總體協(xié)方差Q）FisheriF)未標(biāo)-tR(LJ)性續(xù)1f1圖四圖五貝葉斯判別法輸出的結(jié)果與Fisher判別法很大程度上是一致的，這里不再列表12組的先驗(yàn)概率group先驗(yàn)用于分析的案例未加權(quán)的已加權(quán)的1.6874646.0002.1491010.0003.1641111.000合計(jì)1.0006767.000表13分類函數(shù)系數(shù)group123綜合效率標(biāo)準(zhǔn)指數(shù)-89.225-137.370-110.980經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù)18.31847.23615.041結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù)112.414126.24

12、6122.679社會(huì)效率標(biāo)準(zhǔn)指數(shù)61.50987.86457.179人員效率標(biāo)準(zhǔn)指數(shù)77.41985.768115.125發(fā)展效率標(biāo)準(zhǔn)指數(shù)57.663102.98060.184（常量）-46.457-74.840-66.632Fisher的線性判別式函數(shù)表12為各族的先驗(yàn)概率，在分組選項(xiàng)中選擇的是“根據(jù)組大小計(jì)算”。表13展示了每組的分類函數(shù)，也稱費(fèi)歇線性判別函數(shù)，由表中的結(jié)果可以說(shuō)明：group=1這一組的分類函數(shù)為：fi =-46.457-89.225 綜合效率標(biāo)準(zhǔn)指數(shù)+18.318經(jīng)濟(jì)效率標(biāo)準(zhǔn)指數(shù)+112.414結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù)+61.509社會(huì)效率標(biāo)準(zhǔn)指數(shù)+77.419人員效率標(biāo)準(zhǔn)指數(shù)

13、+57.663發(fā)展效率標(biāo)準(zhǔn)指數(shù)其他兩組的分類函數(shù)同樣可以寫出，我們可以根據(jù)每個(gè)城市在各組的分類函數(shù)值然后將城市分類到較大的分類函數(shù)值中。表14為貝葉斯判別的分類結(jié)果，其交叉驗(yàn)證有95.5%的城市被判對(duì)，這一概率 比Fisher判別要高表14分類結(jié)果b，cgroup預(yù)測(cè)組成員合計(jì)123初始計(jì)數(shù)14600462010010320911未分組的案例63312%1100.0.0.0100.02.0100.0.0100.0318.2.081.8100.0未分組的案例50.025.025.0100.0交叉驗(yàn)證a計(jì)數(shù)1460046219010320911%1100.0.0.0100.0210.090.0.0

14、100.0318.2.081.8100.0a. 僅對(duì)分析中的案例進(jìn)行交叉驗(yàn)證。在交叉驗(yàn)證中，每個(gè)案例都是按照從該案例以外的所有其他案例派生的函數(shù)來(lái)分類的。b. 已對(duì)初始分組案例中的 97.0%個(gè)進(jìn)行了正確分類。c. 已對(duì)交叉驗(yàn)證分組案例中的95.5%個(gè)進(jìn)行了正確分類。五、討論與結(jié)論（1）由前面的分析我們知道，協(xié)方差矩陣并不相等，考慮采用分組協(xié)方差矩陣。在分類中使用協(xié)方差矩陣“分組（P）”，其他選擇同上，得到分類結(jié)果表如下分類結(jié)果group預(yù)測(cè)組成員合計(jì)123初始計(jì)數(shù)144024620100103001111未分組的案例63312%195.7.04.3100.02.0100.0.0100.03.

15、0.0100.0100.0未分組的案例50.025.025.0100.0a.已對(duì)初始分組案例中的97.0%個(gè)進(jìn)行了正確分類。groupAi$3可以看出這個(gè)結(jié)果與采用組內(nèi)協(xié)方差矩陣的預(yù)測(cè)效果沒(méi)有明顯的差別，而且分類結(jié)果圖與圖三也沒(méi)有很大的差異，因此，可以采用組內(nèi)協(xié)方差矩陣來(lái)進(jìn)行判別。（2）之前的分析是采用“一起輸入自變量”的方法，由表 1可知，在0.05的 顯著性水平上不能拒絕結(jié)構(gòu)效率標(biāo)準(zhǔn)指數(shù)和環(huán)境效率標(biāo)準(zhǔn)指數(shù)在三組的均值相等 的假設(shè)，考慮“使用步進(jìn)式方法”，最終確定進(jìn)入分析的變量有 3個(gè)：經(jīng)濟(jì)效率標(biāo) 準(zhǔn)指數(shù)、人員效率標(biāo)準(zhǔn)指數(shù)、發(fā)展效率標(biāo)準(zhǔn)指數(shù)，上表給出了最終的分類結(jié)果，可 以看出，在原有數(shù)據(jù)的所有城市中，有95.5%的城市被判對(duì)，在交叉驗(yàn)證中有92.5% 的城市被判對(duì)。沒(méi)有“一起輸入自變量”時(shí)的效果好，但是在最終對(duì)待判城市的分 組問(wèn)題上，兩種方法所得到的結(jié)果是一致的，在這里兩種方法的選擇對(duì)我們所需要 的結(jié)果影響不是很大！分類結(jié)果b,cgroup預(yù)測(cè)組成員合計(jì)123初始計(jì)數(shù)14510462010010320911未分組的案例63312%197.82.2.