SPSS上機(jī)實(shí)驗(yàn)報(bào)告 聚類分析

PAGE四川理工學(xué)院SPSS上機(jī)實(shí)驗(yàn)報(bào)告課程名稱：SPSS統(tǒng)計(jì)分析高級教程專業(yè)班級：2012級統(tǒng)計(jì)2班姓名：雷鵬程學(xué)號(hào)：12071050109指導(dǎo)教師：林旭東實(shí)驗(yàn)日期：2014年12月實(shí)驗(yàn)名稱：聚類分析-層次聚類法一、實(shí)驗(yàn)案例根據(jù)中、美、法等7個(gè)國家的裁判和未經(jīng)過嚴(yán)格訓(xùn)練的體育愛好者對300次體操表演給出的評分的差異將他們分為適當(dāng)?shù)娜舾深?，并對結(jié)果加以解釋現(xiàn)希望根據(jù)，具體的數(shù)據(jù)見文件judges.sav。二、實(shí)驗(yàn)預(yù)分析流程圖分析研究問題，確定進(jìn)行聚類的分析變量分析研究問題，確定進(jìn)行聚類的分析變量選擇對樣品聚類指標(biāo)聚類樣品聚類是有序樣品的聚類嗎?層次聚類法有序樣品聚類是快速聚類-K-均值法否三、實(shí)驗(yàn)?zāi)康?.1、掌握利用SPSS層次聚類法、K-均值法。3.2、解釋運(yùn)行結(jié)果。3.3、得出最終的實(shí)驗(yàn)結(jié)論四、實(shí)驗(yàn)操作步驟和結(jié)果描述4.1初步分析：（1）選擇“”→“”→“”菜單項(xiàng)。（2）將8個(gè)指標(biāo)～選人“”列表框。（3）在“聚類”選項(xiàng)組中選擇“”。（4）在“”中選中“”，點(diǎn)擊“”。（4）點(diǎn)擊“ok”。得到如下表1：AgglomerationScheduleStageClusterCombinedCoefficientsStageClusterFirstAppearsNextStageCluster1Cluster2Cluster1Cluster212428.56000323532.56000432652.92010643753.83020551393.033046612219.550537718233.297600表1聚類表*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

H

I

E

R

A

R

C

H

I

C

A

L

C

L

U

S

T

E

R

A

N

A

L

Y

S

I

S

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*Dendrogram

using

Average

Linkage

(Between

Groups)Rescaled

Distance

Cluster

CombineC

A

S

E

0

5

10

15

20

25Label

Num

++++++法官2

2

─┬───┐法官4

4

─┘

├─────────────────────────────────────────┐法官6

6

─────┘

│法官3

3

─┬─────┐

├─┐法官5

5

─┘

├───────┐

│

│法官7

7

───────┘

├───────────────────────────────┘

│法官1

1

───────────────┘

│法官8

8

─────────────────────────────────────────────────┘圖1聚類樹狀圖VerticalIcicleNumberofclustersCase扶手椅熱忠者美國法國韓國俄羅斯中國羅馬尼亞意大利1XXXXXXXXXXXXXXX2XXXXXXXXXXXXXX3XXXXXXXXXXXXX4XXXXXXXXXXXX5XXXXXXXXXXX6XXXXXXXXXX7XXXXXXXXX圖2聚類冰柱圖結(jié)果解釋：由表1的聚類表可得，“ClusterCombined”列給出了在某一步驟中哪些對象會(huì)參與合并，可見第一步是變量2和變量4合并，第二步是變量3和變量5進(jìn)行合并。以此類推，知道所有8個(gè)變量全部合并為一類。而在“Coefficients”列中是給出每一聚類步驟的系數(shù)，也就是表示被合并的兩個(gè)類別之間的距離大小。隨后的“StageClusterFirstAppears”列表示參與合并的對象最早在第幾步出現(xiàn)，“0”表示該對象第一次出現(xiàn)在聚類過程中。由樹狀圖可以知道“體育愛好者（法官8）”首先被單獨(dú)分出來，顯然職業(yè)和非職業(yè)的評分水平就是不一樣。職業(yè)裁判很明顯的分為了兩組，“美國、法國、韓國（法官2、4、6）”為一組；而“俄羅斯、中國、羅馬尼亞、意大利（法官1、3、5、7）”為一組，而且根據(jù)冰柱圖也能得到樹狀圖一樣的結(jié)論。下面需要考慮結(jié)果的合理性，由樹狀圖可以看出“體育愛好者”與“職業(yè)裁判”之間的評分的差異很小，這不符合一般的實(shí)際常理，所以需要對聚類的結(jié)果進(jìn)行改進(jìn)，下面是聚類的進(jìn)階分析。4.2進(jìn)階分析：4.2.1進(jìn)階預(yù)分析：由上述的分析，考慮到本案例是進(jìn)行變量的聚類，而變量之間距離的定義習(xí)慣用“Pearson”相關(guān)系數(shù)，所以聚類距離采用“Pearson相關(guān)系數(shù)”聚類。操作步驟如下：（1）在“”對話框中選擇“”，點(diǎn)擊“”。（2）點(diǎn)擊“ok”。得到下表2：AgglomerationScheduleStageClusterCombinedCoefficientsStageClusterFirstAppearsNextStageCluster1Cluster2Cluster1Cluster2124.935004237.929003335.924206426.915105512.910046613.887537718.665600表2“Pearson相關(guān)系數(shù)”距離計(jì)算法下的聚類表*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

H

I

E

R

A

R

C

H

I

C

A

L

C

L

U

S

T

E

R

A

N

A

L

Y

S

I

S

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

Dendrogram

using

Average

Linkage

(Between

Groups)

Rescaled

Distance

Cluster

Combine

C

A

S

E

0

5

10

15

20

25

Label

Num

++++++

法官2

2

─┬─┐

法官4

4

─┘

├─┐

法官6

6

───┘

├───┐

法官1

1

─────┘

├───────────────────────────────────────┐

法官3

3

─┬─┐

│

│

法官7

7

─┘

├─────┘

│

法官5

5

───┘

│

法官8

8

─────────────────────────────────────────────────┘圖3“Pearson相關(guān)系數(shù)”距離計(jì)算法下的樹狀圖VerticalIcicleNumberofclustersCase扶手椅熱忠者中國俄羅斯羅馬尼亞美國法國韓國意大利1XXXXXXXXXXXXXXX2XXXXXXXXXXXXXX3XXXXXXXXXXXXX4XXXXXXXXXXXX5XXXXXXXXXXX6XXXXXXXXXX7XXXXXXXXX圖4“Pearson相關(guān)系數(shù)”距離計(jì)算法下的冰柱圖結(jié)果解釋：由圖3樹狀圖可得，“體育愛好者”仍然為一組，職業(yè)裁判也還是分為兩組，然而這次“俄羅斯、羅馬尼亞、中國”裁判為一組，然而另一組則由“美國、法國、意大利、韓國”裁判構(gòu)成。由樹狀圖這次看出來職業(yè)裁判和非職業(yè)的裁判之間的差異變大了，這樣就符合現(xiàn)實(shí)的實(shí)際的情況了。在實(shí)際生活中肯定職業(yè)裁判的的評分肯定比非職業(yè)的評分更具有一定的權(quán)威性，所以這是比較合理的聚類情況，職業(yè)裁判得到分類也是合理的。實(shí)驗(yàn)總結(jié)本次實(shí)驗(yàn)通過對案例預(yù)分析后，選