【正文】 l u s t e r M e m b e r s h i p R e gi on C l u s t e r D i s t an c e R e gi on C l u s t e r D i s t an c e 北京 3 138 5. 72 湖北 3 136 . 04 天津 2 665 . 34 湖南 3 788 . 13 河北 3 119 3. 46 廣東 1 117 3. 08 山西 2 626 . 99 廣西 2 570 . 07 內(nèi)蒙古 2 226 . 65 海南 2 761 . 80 遼寧 3 517 . 50 重慶 2 321 . 28 吉林 2 448 . 40 四川 3 504 . 15 黑龍江 3 756 . 68 貴州 2 291 . 36 上海 3 124 5. 95 云南 2 401 . 64 江蘇 1 381 . 29 西藏 2 981 . 69 浙江 1 169 3. 13 陜西 2 433 . 74 安徽 3 101 2. 80 甘肅 2 292 . 90 福建 3 94. 87 青海 2 840 . 18 江西 2 621 . 92 寧夏 2 845 . 43 山東 1 471 . 44 新疆 2 105 . 45 河南 3 114 3. 95 表 各觀測量所屬類成員表 4. Final Cluster Centers（給出聚類結(jié)果形成的類中心的各變量值） F i n a l C l u s t e r C e n t e r s1 1 0 2 . 1 4 3 0 7 . 6 1 7 1 3 . 2 86 4 2 3 . 0 1 7 9 5 . 4 1 2 5 4 5 . 2 04 4 5 4 . 2 6 6 7 3 . 6 3 2 1 2 2 . 8 7X1X2X31 2 3C l u s t e r最終的類中心表 ? 結(jié)合上述兩表看出 31個(gè)地區(qū)被分成 3類。 圖 Options子對話框 （二）主要運(yùn)行結(jié)果解釋 1. Initial Cluster Centers（給出初始類中心） 2. Iteration History（給出每次迭代結(jié)束后類中心的變動(dòng)） 從表中可以看到本次聚類過程共經(jīng)歷了三次迭代。選中 Initial cluster centers和 Cluster information for each case復(fù)選框。 圖 Iterate子對話框 3. 點(diǎn)擊 Save按鈕，設(shè)置保存在數(shù)據(jù)文件中的表明聚類結(jié)果的新變量。例如判據(jù)設(shè)置為 ，則當(dāng)一次完整的迭代不能使任何一個(gè)類中心距離的變動(dòng)與原始類中心距離的比小于 2時(shí)，迭代停止。至于Centers按鈕，則用于設(shè)置迭代的初始類中心。 二 在 SPSS中利用 K均值法進(jìn)行聚類分析 表 我國各地區(qū)三次產(chǎn)業(yè)產(chǎn)值（單位：億元） 地區(qū) 第一產(chǎn)業(yè)1X 第二產(chǎn)業(yè)2X 第三產(chǎn)業(yè)3X 地區(qū) 第一產(chǎn)業(yè)1X 第二產(chǎn)業(yè)2X 第三產(chǎn)業(yè)3X 北京 湖北 天 津 湖南 河北 廣東 山西 廣西 內(nèi)蒙古 海南 遼寧 2898 .89 重慶 吉林 四川 黑龍江 貴州 上海 云南 江蘇 西藏 浙江 陜西 安徽 甘肅 福建 青海 江西 寧夏 山東 新疆 河南 （一）操作步驟 ? 1. 在 SPSS窗口中選擇 Analyze→Classify→K Means Cluster，調(diào)出 K均值聚類分析主界面，并將變量 — 移入Variables框中，將標(biāo)志變量 Region移入 Label Case by框中。 ? 從樹形圖 ，若將 20個(gè)樣品分為兩類， 則樣品 1 和樣品 1為一類，其余的為另一類；若將樣品分為三類，則樣品 4從第二類中分離出來，自成一類；依此類推。這里我們選擇 Range of solutions，并在后面的兩個(gè)矩形框中分別輸入 2和 4，即生成三個(gè)新的分類變量，分別表明將樣品分為 2類、 3類和 4類時(shí)的聚類結(jié)果。這里我們?nèi)匀痪赜孟到y(tǒng)默認(rèn)選項(xiàng)。選中 Dendrogram復(fù)選框和 Icicle欄中的 None單選按鈕，即只給出聚類樹形圖，而不給出冰柱圖。在 Display欄中選擇 Statistics和 Plots復(fù)選框，這樣在結(jié)果輸出窗口中可以同時(shí)得到聚類結(jié)果統(tǒng)計(jì)量和統(tǒng)計(jì)圖。 多元統(tǒng)計(jì)分析與 SPSS實(shí)現(xiàn) 一 在 SPSS中利用系統(tǒng)聚類法進(jìn)行聚類分析 二 在 SPSS中利用 K均值法進(jìn)行聚類分析 三 利用 SPSS進(jìn)行判別分析 四 利用 SPSS進(jìn)行主成分分析 五 利用 SPSS進(jìn)行因子分析 ? 設(shè)有 20個(gè)土壤樣品分別對 5個(gè)變量的觀測數(shù)據(jù)如表所示，試?yán)孟到y(tǒng)聚類法對其進(jìn)行樣品聚類分析。 圖 系統(tǒng)聚類法主界面 ? 2. 點(diǎn)擊 Statistics按鈕，設(shè)置在結(jié)果輸出窗口中給出的聚類分析統(tǒng)計(jì)量。單擊Continue按鈕，返回主界面。單擊 Continue按鈕，返回主界面。點(diǎn)擊Continue，返回主界面。 2 6 19 7 18 1 8 9 4 3 5 12 20 16 14 10 11 15 17 13 CA S E L a b e l N u m 0 5 1 0 1 5 2 0 2 5 R e s c al e d D i s t an c e C l u st e r C om b i n e 圖 系統(tǒng)聚類法樹形圖 ? 2. 由于我們已經(jīng)在 Save子對話框中設(shè)置了在數(shù)據(jù)文件中生成新的分類變量，所以，在數(shù)據(jù)編輯窗口中，我們可以看到生成的三個(gè)表示分類結(jié)果的新變量。在 Method框中選擇 Iterate classify，即使用 Kmeans算法不斷計(jì)算新的類中心，并替換舊的類中心（若選擇Classify only，則根據(jù)初始類中心進(jìn)行聚類，在聚類過程中不改變類中心）。如果不手工設(shè)置，則系統(tǒng)會自動(dòng)設(shè)置初始類中心，這里我們不作設(shè)置。設(shè)置完這兩個(gè)參數(shù)之后，只要在迭代的過程中先滿足了其中的參數(shù)，則迭代過程就停止。其中 Cluster membership選項(xiàng)用于建立一個(gè)代表聚類結(jié)果的變量，默認(rèn)變量名為 qcl_1； Distance from cluster center選項(xiàng)建立一個(gè)新變量，代表各觀測量與其所屬類中心的歐氏距離。這樣，在輸出窗口中將給出聚類的初始類中心和每個(gè)觀測量的分類信息，包括分配到哪一類和該觀測量距所屬類中心的距離。由于我們在 Iterate子對話框中使用系統(tǒng)默認(rèn)的選項(xiàng)（最大迭代次數(shù)為 10和收斂判據(jù)為 0），所以在第三次迭代后，類中心的變化為 0，從而迭代停止。第一類包括：江蘇、浙江、山東和廣東 4個(gè)省。剩下的 11個(gè)地區(qū)為第三類。 ? 利用 SPSS對 Fisher判別法和 Bayes判別法進(jìn)行計(jì)算機(jī)實(shí)現(xiàn)。本例中分類變量的范圍為 1到 3，所以在最小值和最大值中分別輸入 1和 3。這兩個(gè)選項(xiàng)的含義如下： – Fisher’s：給出 Bayes判別函數(shù)的系數(shù)。） – Unstandardized：給出未標(biāo)準(zhǔn)化的 Fisher判別函數(shù)（即典型判別函數(shù)）的系數(shù)（ SPSS默認(rèn)給出標(biāo)準(zhǔn)化的Fisher判別函數(shù)系數(shù)）。其余的均保留系統(tǒng)默認(rèn)選項(xiàng)。 6. 返回判別分析主界面，單擊 OK按鈕，運(yùn)行判別分析過程。 表 （ a） 未標(biāo)準(zhǔn)化的典型判別函數(shù)系數(shù) – 由此表可知，兩個(gè) Fisher判別函數(shù)分別為： – 實(shí)際上兩個(gè)函數(shù)式計(jì)算的是各觀測值在各個(gè)維度上的坐標(biāo)，這樣就可以通過這兩個(gè)函數(shù)式計(jì)算出各樣品觀測值的具體空間位置。在本例中，各類的 Bayes判別函數(shù)如下： 第一組： 第二組： 第三組： 1 1 2 3 4 5 65 3 1 7 . 2 1 4 3 . 9 1 5 3 . 1 9 0 . 1 5 3 . 0 1 1 . 0 1 8 9 . 3F X X X X X X? ? ? ? ? ? ? ? 2 1 2 3 4 5 66 2 0 2 . 2 1 6 4 . 7 1 7 1 . 2 1 0 0 . 0 6 2 . 5 1 2 . 1 2 0 7 . 0F X X X X X X? ? ? ? ? ? ? ? 3 1 2 3 4 5 64 9 8 2 . 9 1 3 4 . 9 1 4 4 . 5 8 5 . 9 5 0 . 0 1 0 . 5 1 8 1 . 7F X X X X X X? ? ? ? ? ? ? ?C l a s s i f i c a t i o n F u n c t i o n C o e f f i c i e n t s 1 4 3 . 8 5 1 1 6 4 . 6 9 1 1 3 4 . 8 6 21 5 3 . 1 3 7 1 7 1 . 1 8 5 1 4 4 . 4 6 2 9 0 . 0 8 8 9 9 . 9 7 6 8 5 . 9 4 55 3 . 0 0 9 6 2 . 5 2 5 4 9 . 9 7 21 1 . 0 0 8 1 2 . 0 9 4 1 0 . 5 2 01 8 9 . 2 6 1 2 0 7 . 0 0 3 1 8 1 . 7 1 4 5 3 1 7 . 2 3 4 6 2 0 2 . 1 5 8 4 9 8 2 . 8 8 0X1X2X3X4X5X6( C o n s t a n t )1 . 0 0 2 . 0 0 3 . 0 0G R O U PF i s h e r 39。 5. Casewise Statistics（給出個(gè)案觀察結(jié)果） – 在 Casewise Statistics輸出表針對每個(gè)樣品給出了了大部分的判別結(jié)果，其中包括：實(shí)際類（ Actual Group）、預(yù)測類（ Predicted Group）、 Bayes判別法的后驗(yàn)概率、與組重心的馬氏距離（ Squared Mahalanobis Distance to Centroid）以及 Fisher判別法的每個(gè)典型判別函數(shù)