SPSS操作方法：判别分析例题

v1.0 可编辑可修改为研究1991年中国城镇居民月平均收入状况，按标准化欧氏平方距离、离差平方和聚类方法将 30个省、市、自治区．分为三种类型。试建立判别函数，判定广东、西藏分别属于哪个收入类型。判别指标及原始数据见表 9-4。1991年30个省、市、自治区城镇居民月平均收人数据表单位：元／人x1：人均生活费收入x6：人均各种奖金、超额工资(国有+集体)x：人均国有经济单位职工工资x：人均各种津贴(国有+集体)27x3：人均来源于国有经济单位标准工资x8：人均从工作单位得到的其他收入x4：人均集体所有制工资收入x9：个体劳动者收入x：人均集体所有制职工标准工资5样品序地区x1x2x3x4x5x6x7x8x9类序1北京2天津3河北4上海G15山东20.6l6湖北7广西8海南9四川10云南11新疆1山西2内蒙古3吉林4黑龙江7.4lG25江西6河南7贵州8陕西9甘肃10青海11宁夏88.2l1辽宁43.4l32江苏G3浙江4安徽11v1.0 可编辑可修改5 福 建6 湖 南待 1 广 东2 西 藏贝叶斯判别的 SPSS操作方法：建立数据文件2．单击Analyze→Classify →Discriminant ，打开Discriminant Analysis判别分析对话框如图 1所示：图1DiscriminantAnalysis 判别分析对话框3．从对话框左侧的变量列表中选中进行判别分析的有关变量 x1~x9进入Independents 框，作为判别分析的基础数据变量。从对话框左侧的变量列表中选分组变量 Group进入GroupingVariable框，并点击DefineRange...钮，在打开的Discriminant Analysis: DefineRange对话框中，定义判别原始数据的类别数，由于原始数据分为 3类，则在Minimum（最小值）处输入1，在Maximum（最大值）处输入3（见图2）。。选择后点击Continue按钮返回DiscriminantAnalysis 主对话框。22v1.0 可编辑可修改图2DefineRange 对话框4、选择分析方法Enterindependenttogether 所有变量全部参与判别分析（系统默认）。本例选择此项。Usestepwisemethod 采用逐步判别法自动筛选变量。单击该项时Method按钮激活，打开 StepwiseMethod对话框如图3所示，从中可进一步选择判别分析方法。图3 StepwiseMethod 对话框Method栏，选择变量的统计量方法Wilks’lambda（默认）按统计量 Wilks λ最小值选择变量；Unexplainedvariance ：按照所有组方差之和最小值选择变量；33v1.0 可编辑可修改Mahalanobis’distance：按照相邻两组的最大马氏距离选择变量；SmallestFratio ：按组间最小F值比的最大值选择变量；Rao’sV按照统计量RaoV最大值选择变量。Criteria 选择逐步回归的标准（略）选择系统默认项。5. 单击Statistics 按钮，打开Statistics 对话框如图4所示，从中指定输出的统计量。Descriptives 描述统计量栏Means-各类中各自变量的均值，标准差 stdDev 和各自变量总样本的均值和标准差（本例选择）。UnivariateANOV---- 对各类中同一自变量均值都相等的假设进行检验，输出单变量的方差分析结果（本例选择）。Box’sM--对各类的协方差矩阵相等的假设进行检验（本例选择）。图4 Statistics 对话框Functioncoefficients 选择输出判别函数系数Fisherh’s 给出贝叶斯判别函数系数（本例选择）44v1.0 可编辑可修改Unstandardized 给出未标准化的典型判别（也称典则判别）系数（费舍尔判别函数）。Matrices 栏选择给出的自变量系数矩阵Within-groupscorrelation 合并类内相关系数矩阵（本例选择）Within-groupscovariance 合并类内协方差矩阵（本例选择）Separate-groupscovariance 各类内协方差矩阵 （本例选择）Totalcovariance 总协方差矩阵（本例选择）6. 单击Classify 按钮，打开Classify 对话框如图5所示：图5 Classify 对话框PriorProbabilities 栏，选择先验概率。Allgroupsequal 各类先验概率相等（系统默认）；Computefromgroupssizes 各类的先验概率与其样本量成正比 . （本例选择）UseCovarianceMatrix 栏，选择使用的协方差矩阵55v1.0 可编辑可修改Within-groups-- 使用合并类内协方差矩阵进行分类（系统默认）（本例选择）Separate-groups-- 使用各类协方差矩阵进行分类Display 栏，选择生成到输出窗口中的分类结果Casewiseresults 输出每个观测量包括判别分数实际类预测类 (根据判别函数求得的分类结果 )和后验概率等。Summarytable 输出分类的小结给出正确分类观测量数 (原始类和根据判别函数计算的预测类相同 )和错分观测量数和错分率（本例选择）。Leave-one-outclassification 输出交互验证结果。Plots栏，要求输出的统计图Combined-groups生成一张包括各类的散点图（本例选择）；Separate-groups 每类生成一个散点图；Territorial map根据生成的函数值把各观测值分到各组的区域图。 （本例选择）单击Save按钮，打开Save对话框，见图6.图6Save对话框Predicted groupmembership建立一个新变量，系统根据判别分数，把66v1.0 可编辑可修改观测量按后验概率最大指派所属的类；（本例选择）Discriminantscore 建立表明判别得分的新变量，该得分是由未标准化的典则判别函数计算。（本例选择）Probabilitiesofgroupmembership 建立新变量表明观测量属于某一类的概率。有m类，对一个观测量就会给出m个概率值，因此建立m个新变量。（本例选择）全部选择完成后，点击 OK，得到输出结果如下：AnalysisCaseProcessingSummary分类样本综述UnweightedCasesNPercentValid28ExcludedMissingorout-of-rangegroupcodes2Atleastonemissingdiscriminatingvariable0.0Bothmissingorout-of-rangegroupcodesand0.0atleastonemissingdiscriminatingvariableTotal2Total30GroupStatistics各类统计分析MeanStd.DeviationValidN(listwise)分类均值标准差有效样本数UnweightedWeighted1人均生活费收入(元/人）11人均国有经济单位职工工资11人均来源于国有经济单位标准工资11人均集体所有制工资收入1177v1.0 可编辑可修改人均集体所有制职工标准工资11人均各种奖金、超额工资(国有+集体)11人均各种津贴(国有+集体)11均从工作单位得到的其他收入11个体劳动者收入112人均生活费收入(元/人）11人均国有经济单位职工工资11人均来源于国有经济单位标准工资11人均集体所有制工资收入11人均集体所有制职工标准工资11人均各种奖金、超额工资(国有+集体)11人均各种津贴(国有+集体)11均从工作单位得到的其他收入11个体劳动者收入.73428113人均生活费收入(元/人）6人均国有经济单位职工工资6人均来源于国有经济单位标准工资.918256人均集体所有制工资收入6人均集体所有制职工标准工资6人均各种奖金、超额工资(国有+集体)6人均各种津贴(国有+集体)6均从工作单位得到的其他收入6个体劳动者收入6Total人均生活费收入(元/人）28人均国有经济单位职工工资28人均来源于国有经济单位标准工资2888v1.0 可编辑可修改人均集体所有制工资收入28人均集体所有制职工标准工资28人均各种奖金、超额工资(国有+集体)28人均各种津贴(国有+集体)28均从工作单位得到的其他收入28个体劳动者收入28TestsofEqualityofGroupMeans每个变量各类均值相等的检验Wilks'LambdaFdf1df2Sig.人均生活费收入(元/人）.542225.000人均国有经济单位职工工资.506225.000人均来源于国有经济单位标准工资.583225.001人均集体所有制工资收入.338225.000人均集体所有制职工标准工资.478225.000人均各种奖金、超额工资(国有+集体).497225.000人均各种津贴(国有+集体).898225.259均从工作单位得到的其他收入.516225.000个体劳动者收入.972.354225.705PooledWithin-GroupsMatrices(a)合并类内协方差阵和相关矩阵人均来人均集人均各人均国源于国人均集体所有种奖金、人均各人均生活有经济有经济体所有制职工超额工种津贴人均从工作个体劳费收入(元单位职单位标制工资标准工资(国有(国有+单位得到的动者收/人）工工资准工资收入资+集体)集体)其他收入入Covaria 人均生活费收入 (元/99v1.0 可编辑可修改nce人）人均国有经济单位职工工资人均来源于国有经济单位标准工资人均集体所有制工资收入人均集体所有制职工.484.665标准工资人均各种奖金、超额工.484.398资(国有+集体)人均各种津贴(国有+.398集体)均从工作单位得到的.665其他收入个体劳动者收入Correla人均生活费收入(元/.607.300.168.843.171.245tion人）人均国有经济单位职.607.533.475.639.206工工资人均来源于国有经济.300.533.089单位标准工资人均集体所有制工资.168.955.214.230收入人均集体所有制职工.955.043.117标准工资1010v1.0 可编辑可修改人均各种奖金、超额工.843.475.089.214.043.016.474资(国有+集体)人均各种津贴(国有+.171.639.016.402集体)均从工作单位得到的.245.230.117.474其他收入个体劳动者收入.206.402aThecovariancematrixhas25degreesoffreedom.CovarianceMatrices(a)类内协方差矩阵和总协方差阵人均来人均集人均生源于国人均集体所有人均各种均从工作活费收人均国有有经济体所有制职工奖金、超额人均各种单位得到个体劳分入(元/经济单位单位标制工资标准工工资(国有津贴(国的其他收动者收类人）职工工资准工资收入资+集体)有+集体)入入人均生活费收入(元/人）人均国有经济单位职工工资人均来源于国有经济单位标准工.482资人均集体所有制工资收入人均集体所有制1111v1.0 可编辑可修改职工标准工资人均各种奖金、超额工资(国有+集体)人均各种津贴(国有+集体)均从工作单位得到的其他收入个体劳动者收入.4822 人均生活费收入(元/人）人均国有经济单位职工工资人均来源于国有经济单位标准工资人均集体所有制工资收入人均集体所有制职工标准工资人均各种奖金、超额工资(国有+集

.261 .004.196 .155.506体)人均各种津贴(国.196有+集体)均从工作单位得.261.155.506.3071212到的其他收入个体劳动者收入人均生活费收入(元/人）人均国有经济单位职工工资人均来源于国有经济单位标准工资人均集体所有制工资收入人均集体所有制职工标准工资人均各种奖金、超额工资(国有+集体)人均各种津贴(国有+集体)均从工作单位得到的其他收入个体劳动者收入To 人均生活费收入ta (元/人）l人均国有经济单位职工工资

v1.0 可编辑可修改.004 .307 .539.843 .400 .732.532.400.680.732 .532 .6801313人均来源于国有经济单位标准工资人均集体所有制工资收入人均集体所有制职工标准工资人均各种奖金、超额工资(国有+集体)人均各种津贴(国有+集体)均从工作单位得到的其他收入个体劳动者收入

v1.0 可编辑可修改.106.708.708 .335.106 .335aThetotalcovariancematrixhas27degreesoffreedom.Box'sTestofEqualityofCovarianceMatrices 协方差矩阵相等的检验LogDeterminantsLog分类RankDeterminant19293.(a).(b)1414v1.0 可编辑可修改Pooledwithin-groups9Theranksandnaturallogarithmsofdeterminantsprintedarethoseofthegroupcovariancematrices.Rank<6Toofewcasestobenon-singularTestResults(a) 检验结果Box'sMF Approx.df1 45df2Sig. .000Testsnullhypothesisofequalpopulationcovariancematrices.aSomecovariance matrices aresingular andtheusual procedure will notwork. Thenon-singulargroupswillbetestedagainsttheirownpooledwithin-groupscovariancematrix.Thelogofitsdeterminantis.注意，检验没有通过，即各类的协方差相等的假设在显著性水平下是不成立的。SummaryofCanonicalDiscriminantFunctions 典型判别函数综述Eigenvalues特征值CanonicalFunctionEigenvalue%ofVarianceCumulative%Correlation1(a).9142(a).876aFirst2canonicaldiscriminantfunctionswereusedintheanalysis.只有两个判别函数，所以特征值只有两个。判别函数的特征值越大，说明函数越具有区别判断力。最后一列表示是典则相关系数，是组间平方和与总平方和之比的平方根，表示判别函数分数与组别间的关联程度。1515v1.0 可编辑可修改Wilks'Lambda 判别函数检验TestofFunction(s)Wilks'LambdaChi-squaredfSig.1through2.03818.0002.2338.000上表中“1through2”表示两个判别函数的平均数在三个类间的差异情况，P值为表示差异达到显著水平。判别函数的Wilks′Lambda值可以通过特征值计算：判别函数1和判别函数2的Wilks′Lambda值为1 10.038(1 1)(1 2) (1 5.082)(1 3.296)判别函数2的Wilks′Lambda值为110.233(12)(13.296)“2”表示在排除了第一个判别函数后， 第二个判别函数在三个组别间的差异情况，P值=表示差别函数2也达到显著水平.StandardizedCanonicalDiscriminantFunctionCoefficients 标准化典型判别函数（系统默认结果）Function1 2人均生活费收入(元/人）.214人均国有经济单位职工工资人均来源于国有经济单位标准工资.244人均集体所有制工资收入人均集体所有制职工标准工资人均各种奖金、超额工资 (国有+集体)1616v1.0 可编辑可修改人均各种津贴(国有+集体).186均从工作单位得到的其他收入.363个体劳动者收入.474.079StructureMatrix 结构矩阵：Function12人均集体所有制工资收入.545(*)人均各种奖金、超额工资(国有+集体).415(*).204人均集体所有制职工标准工资.386(*)均从工作单位得到的其他收入.360(*).291人均生活费收入(元/人）.344(*).271个体劳动者收入.075(*)人均国有经济单位职工工资.128.521(*)人均来源于国有经济单位标准工资.465(*)人均各种津贴(国有+集体).182(*)Pooledwithin-groupscorrelationsbetweendiscriminatingvariablesandstandardizedcanonicaldiscriminantfunctionsVariablesorderedbyabsolutesizeofcorrelationwithinfunction.*Largestabsolutecorrelationbetweeneachvariableandanydiscriminantfunction结构矩阵是变量和标准化典型判别函数的组内相关矩阵。FunctionsatGroupCentroids 类中心坐标（非标准化典型判别下的类中心）Function分类121 .74121717v1.0 可编辑可修改3UnstandardizedcanonicaldiscriminantfunctionsevaluatedatgroupmeansClassificationStatistics 分类分析（输出贝叶斯判别结果）ClassificationProcessingSummary 综述表Processed 31Excluded Missing orout-of-range group0codesAtleastonemissing1discriminatingvariableUsedinOutput30PriorProbabilitiesforGroups 先验概率CasesUsedinAnalysis分类Prior先验概率UnweightedWeighted1.393112.393113.2146Total28ClassificationFunctionCoefficients 贝叶斯判别函数的系数分类123人均生活费收入(元/人）.098.157人均国有经济单位职工工资人均来源于国有经济单位标准工资人均集体所有制工资收入.2271818v1.0 可编辑可修改人均集体所有制职工标准工资人均各种奖金、超额工资 (国有+集体)人均各种津贴(国有+集体)均从工作单位得到的其他收入个体劳动者收入(Constant)Fisher'slineardiscriminantfunctions上表为贝叶斯判别函数的系数矩阵，可以用数学表达式表示为：y1320.2670.0978x19.3545x23.3032x35.4615x422.3641x59.5204x65.2601x710.0598x88.2800x9y2228.5500.157x17.816x22.726x35.118x419.601x58.357x64.307x78.232x86.950x9y3295.6780.026x19.743x24.051x30.227x416.169x59.731x66.180x78.545x88.876