【正文】 ● Smallest F ratio。 使任何兩類間的最小的 F值最大化法。 ● Rao‘s V。 使 RaoV統(tǒng)計量最大化?？梢詫σ粋€要加入到模型中的變量的 V值指定一個最小增量。選擇此種方法后，應(yīng)該在該項下面的 Vtoenter39。后的矩形框中輸這個增量的指定值。 ? 選擇逐步判別停止的判據(jù) 在 criteria組的矩形框中進行?？晒┻x擇的判據(jù)有： ? Use F value：使用 F值，是系統(tǒng)默認的判據(jù)，默認值是：Entry： ； removal： 。 ? 即當被加入的變量 F值＞ =，否則變量不能進入模型；或者，當要從模型中移出的變量 F值＜ =時，該變量才被移出模型，否則模型中的變量不會被移出。 ? 應(yīng)該使 Entry值（加入變量的 F值）＞ removal值（移出變量的 F值） ? Use probability of F：使用 F值的概率。加入變量的 F值概率的默認值是 （ 5％）；移出變量的 q值概率是 （ 10％）。 ? removal值（移出變量的正值概率）＞ Entry值（加入變量的 F值概率）。 顯示內(nèi)容的選擇 ? 對于逐步選擇變量的過程和最后結(jié)果的顯示可以通過 Method對話框最下面的 “ Display”矩形框中的兩項進行選擇： ? Summary of step要求在逐步選擇變量過程中的每一步之后顯示每個變量的統(tǒng)計量。 ? F for pairwise distances要求顯示兩兩類之間的兩兩 F值矩陣。 Statistics選項 在主對話框中單擊“ statistics”按鈕，打開“ Discriminant Anlysis： statistics”（判別分析：統(tǒng)計量）對話框，如圖所示。 “Discriminant Anlysis： statistics” 對話框 ? 在 “ descriptive”（描述性）選項組中選擇對原始數(shù)據(jù)的描述統(tǒng)計量的輸出。 ? Means 均值。選擇該項，可以輸出各類中各自變量的均值、標準差以及各自變量總樣本的均值和標準差。 ? Univariate ANOVAs 單變量方差分析。選擇該項，表示對每一類同一自變量均值都相等的假設(shè)進行檢驗，輸出單變量的方差分析結(jié)果。 ? Box’s M 選擇該項，表示對各類的協(xié)方差矩陣相等的假設(shè)進行檢驗。 ? “Function Coefficients”（判別分析的系數(shù)）選項組中給出選擇判別函數(shù)系數(shù)的輸出形式的選項，有兩個復(fù)選項： ? Fisher’s 選擇該項，表示可以用于對新樣本進行判別分類的 fisher系數(shù)，對每一類給出一組系數(shù)，并給出該組中判別分數(shù)最大的觀測量。 ? Unstandardized 選擇該項，表示未經(jīng)標準化處理的判別系數(shù)。 ? 在“ matrices”（矩陣）選項組中選擇自變量的系數(shù)矩陣，有 4個復(fù)選項： ? Withingroup correlation類內(nèi)相關(guān)矩陣。它計算相關(guān)矩陣之前將各組協(xié)方差矩陣平均后，計算類內(nèi)相關(guān)矩陣。 ? Withingroup covariance合并類內(nèi)協(xié)方差矩陣，是將各組（類）協(xié)方差矩陣平均后計算的，區(qū)別與總協(xié)方差矩陣。 ? Separategroups covariance 協(xié)方差矩陣。 ? Total covariance 總樣本的協(xié)方差矩陣。 Classification 選項 在主對話框中單擊“ classify”按鈕，顯示“ Discriminant Analysis： Classification”（判別分析：分類）子對話框，如圖所示。 “Discriminant Analysis： Classification” 對話框 ? 在“ prior probabilities”選項組中選擇先驗概率，有兩個單選項供選擇： ? All groups equal 表示各類先驗概率相等。 ? Compute from groups sizes 表示由各類的樣本量計算決定，即各類的先驗概率與其樣本量成正比。 ? 在“ use covariance matrix”（利用協(xié)方差矩陣）選項組中選擇分類使用的協(xié)方差矩陣，有兩個單選項： ? Withingroups選擇該項，表示指定使用合并組內(nèi)協(xié)方差矩陣進行分類。 ? Separategroups選擇該項，表示指定使用各組協(xié)方差矩陣進行分類，由于分類是根據(jù)判別函數(shù)而不是根據(jù)原始變量，因此該選擇項不是總等價于二次判別。 ? 在“ plots”選項組中選擇要求輸入的統(tǒng)計圖形，給出 3個復(fù)選項： ? Combinedgroups選擇該項，生成一張包括各類的散點圖，該散點圖是根據(jù)前兩個判別函數(shù)值做的散點圖；如果只有一個判別函數(shù)，就輸出直方圖。 ? Separategroups選擇該項，根據(jù)前兩個判別函數(shù)值對每一類生成一張散點圖，共分為幾類就生成幾張散點圖；如果只有一個判別函數(shù)就生成一張直方圖。 ? Territorial map選擇該項，生成用于根據(jù)函數(shù)值把觀測量分到各組中去的邊界圖，此種統(tǒng)計圖把一張圖的平面劃分出與類數(shù)相同的區(qū)域，每一類占據(jù)一個區(qū)，各類的均值在各區(qū)中用 *號標出；如果僅有一個判別函數(shù)則不作此圖。 ? 在“ display”選項組中選擇生成到輸出窗中的分類結(jié)果，其中包括 3個復(fù)選框： ? Casewise results 要求輸出每個管測量，包括判別分數(shù)實際類預(yù)測類（根據(jù)判別函數(shù)求得的分類結(jié)果）和后驗概率等，選擇此項還可以選擇其附屬選擇項，選擇“ Limit cases to”（個案限制）選項，并在后面的文本框中輸入觀測量數(shù) n，選擇此項則僅對前 n個觀測量輸出分類結(jié)果，觀測數(shù)量大時可以選擇此項。 ? Summary table 要求輸出分類的綜述表，給出正確分類觀測數(shù)（原始類和根據(jù)判別函數(shù)計算的預(yù)測類相同）和錯分觀測量數(shù)即錯分率。 ? Leaveoneout classification 輸出對每個觀測量進行分類的結(jié)果，所依據(jù)的判別時由除該觀測量以外的其他觀測量導(dǎo)出的，也稱為交互校驗結(jié)果。 ? 該對話框給出選擇缺失值的處理方法，即“ Replace missing values with mean”，表示用該變量的均值代替缺失值。 Save選項 在主對話框單擊“ save”按鈕，打開“ Discriminant Analysis：Save”（判別分析：保存）對話框，如圖所示。 該對話框用于指定生成并保存在數(shù)據(jù)文件中的新變量，其中包括如下選項： Predicted groups membership 選擇該項，要求建立一個新變量預(yù)測觀測量的分類，是根據(jù)判別分數(shù)把觀測量按后驗概率最大指派所屬的類，每運行一次 “ Discriminant”過程就建立一個，表民使用判別函數(shù)預(yù)測各觀測量屬于哪一類的新變量。第一次運行建立新變量的變量名為 dis_1，如果在工作數(shù)據(jù)文件中不把前一次建立的新變量刪除，第 n次運行建立的新變量名為 dis_n。 Discriminant scores 選擇該項，要求建立表明判別分數(shù)的新變量，該分數(shù)是由未標準化的判別系數(shù)乘自變量的值，將這些乘積求和后加上常數(shù)得來的。每次運行“ Discriminant”過程就給出一組表明判別分數(shù)的新變量，建立幾個判別函數(shù)就有幾個判別分數(shù)變量參與分析的觀測量，共分為 m類，則建立 m個點則判別函數(shù)指定該選擇項就可以生成 m1個表明判別分數(shù)的新變量。 Probabilities of groups membership 選擇該項，要求建立新變量表明觀測量屬于某一類的概率。如果有 m類，對一個觀測量就會給出 m個概率值，因此建立 m個新變量。 （ 1） SPSS輸出結(jié)果文件中的第一部分如下表所示。 結(jié)果和討論 分析個案綜合統(tǒng)計量 （ 2）輸出的結(jié)果文件中第二部分如下表所示。 分組統(tǒng)計量 。表中給出分組變量和合計的均數(shù)（ means）、標準差（ standard deviation）和有效個案的例數(shù)。 其中值得關(guān)注的是均值一欄，它是后面計算的基礎(chǔ) （ 3）輸出的結(jié)果文件中第三部分如下表所示。 各組均值相等檢驗 這張表是預(yù)測變量在各組間均值是否相等的假設(shè)檢驗。包含 Wilks39。 lambda， F 統(tǒng)計量和它的自由度和顯著性水平。 ?Wilks‘ lambda是組內(nèi)平方和與總平方和的比 ，值的范圍在 0到 1之間。值越小表示組間有很大的差異。值接近 1表示沒有組間差異。 ? ?F 統(tǒng)計量是組間均方與組內(nèi)均方的比 。有兩個自由度，分子為 df1分母為 df2。分子和分母自由度用來得到觀測顯著性水平。如果顯著性水平值很?。ū热缯f小于 ）表示組間差異顯著。如果顯著性水平較大（比如說大于 ）表示組間差異不顯著。 （ 4）輸出的結(jié)果文件中第四部分如下表所示。 聯(lián)合組內(nèi)協(xié)方差陣 ?聯(lián)合組內(nèi)協(xié)方差陣顯示一個協(xié)方差陣和一個相關(guān)矩陣。 ?上半部分是聯(lián)合組內(nèi)協(xié)方差矩陣，由 3組的組內(nèi)協(xié)方差陣相加構(gòu)成。 ?下半部的聯(lián)合組內(nèi)相關(guān)矩陣是由聯(lián)合組內(nèi)協(xié)方差矩陣變換而來的。 （ 5）輸出的結(jié)果文件中第五個部分為組間的協(xié)方差矩陣，如下表所示。 組間的協(xié)方差矩陣 判別分析的假設(shè)之一就是各組協(xié)方差陣相同。方差顯示在主對角線上，協(xié)方差為各組交叉處。使用協(xié)方差陣和組內(nèi)散布圖可以幫助確定檢驗協(xié)方差相等的假設(shè)。 （ 6）輸出的結(jié)果文件中第六個部分如下兩個表格所示。 Box?s協(xié)方差矩陣相等檢驗 （ 7）輸出的結(jié)果文件中第七個部分如下表所示。 典型判別函數(shù)的特征函數(shù)的特征值表。 ?其特征值（ Eigenvalues）為組間平方和與組內(nèi)平方和之比， ?典型相關(guān)系數(shù)（ Canonical Correlation）。 本表包含特征根，方差百分比，累計百分比和典型判別函數(shù)。 （ 8）輸出的結(jié)果文件中第八個部分如下表所示。 典型判別分析的 Wilks檢驗結(jié)果。 檢驗判別函數(shù)的顯著性水平 ?第一欄 test of functions 表示每步中判別函數(shù)被移去后的函數(shù)值。 ?1 through 2表示沒有函數(shù)被移去 。原假設(shè)為各組中所有判別函數(shù)的總體均值相等。如果顯著，表示前兩個判別函數(shù)的聯(lián)合效果顯著，通常會視為最大的判別函數(shù)顯著。 ?2表示前一個判別函數(shù)被移去后的顯著性檢驗 。如果顯著，表示第二個判別函數(shù)也顯著。 （ 9）輸出的結(jié)果文件中第九個部分如下表所示。 典型判別函數(shù)的系數(shù)：根據(jù)判別函數(shù)方程的標準化系數(shù)，確定各變量對結(jié)果的作用大小， 標準化判別函數(shù)系數(shù)可以看出預(yù)測變量在組成判別函數(shù)時的相對貢獻，如本例，第一判別函數(shù)的 “領(lǐng)導(dǎo)角色” 項比較重要，第二判別函數(shù)在 “組織文化” 項上比較重要。標準判別函數(shù)系數(shù)的計算是由非標準化判別函數(shù)系數(shù)乘以聯(lián)合組內(nèi)協(xié)方差矩陣主對角的平方根得來。 （ 10）輸出的結(jié)果文件中第十個部分如下表所示。 結(jié)構(gòu)矩陣 結(jié)構(gòu)系數(shù)即預(yù)測變量與典型判別函數(shù)的聯(lián)合組內(nèi)相關(guān)系數(shù)。 （ 11）輸出的結(jié)果文件中第十一個部分如下表所示。 各組在判別函數(shù)上的重心 可以看出三組在第一判別函數(shù)上的重心明顯不同（ ， ， 0. 814），因此第一判別函數(shù)可以明顯地區(qū)分三組， 而第二判別函數(shù)對區(qū)分三組并不是十分明顯。組二與組三相差不明顯。 （ 12）輸出的結(jié)果文件中第十二個部分包括 3個分類統(tǒng)計信息表格 分類函數(shù)處理匯總。已處理 15個觀測量，沒有缺失值。 各組先驗概率 分類函數(shù)系數(shù) 用貝葉斯判別分析法產(chǎn)生的分類函數(shù)系數(shù)。 （ 13）輸出的結(jié)果文件中第十三個部分為每一個個案的實際分組摘要表。如下表所示。 如果此處和第三大欄的預(yù)測組別不同，會加上兩個星號，表示重新分類錯誤的觀測值。 案例編號 實際組別 預(yù)測組別 最高概率組別 次最高概率組別 判別得分 （ 14）輸出的結(jié)果文件中第十四個部分如所示。 根據(jù)判別得分做出的散點圖 （ 15）輸出的結(jié)果文件中第十五個部分如下： 分類結(jié)果交叉表，上半部分為原始分類的結(jié)果，下半部分為交叉分類的結(jié)果。第一欄為實際組別，第一行為預(yù)測組別。 （ 16）在實現(xiàn)過程中曾指定了將判別分析的結(jié)果作為樣本的變量保存到 SPSS的數(shù)據(jù)編輯窗口中。 SPSS運行后，數(shù)據(jù)編輯窗口如圖所示。 小 結(jié) ? 聚類分析的實質(zhì)是建立一種分類方法，將一批樣本數(shù)據(jù)按照他們在性質(zhì)上的密切程度在沒有先驗知識的情況下自動進行分類。 ? 聚類方法主要分為層次聚類分析方法和快速聚類分析方法， ? 其中層次聚類分析方法又有兩種形式： ? 一種是對樣本進行分類，稱為 Q型聚類； ? 一種是對研究變量進行分類，稱為 R型聚類。 小 結(jié) ?判別分析是指先根據(jù)已知類別的事物的性質(zhì)，建立函數(shù)式，然后對未知類別的新事物進行判斷以將之歸入已知的類別中。 ?判別分析的模型按照判別的不同準則可以分為 典型判別分析 、 貝葉斯判別分析 、 非參數(shù)判別分析 等不同模型。 小 結(jié) ? SPSS中“ Analyze”/“Cla