判別分析的spss實現數據分析(參考版)
2025-05-17 00:47本頁面
【正文】 關鍵是指標是否具有判別價值。 判別分析的正確應用 理論上，類間分得越開，判別效果越好，類間距離越近，判別效果就越差。 第七 、 在主對話框中按 Paste按鈕在為 Symtax窗中得到命令語句組成的程序 。 ③ Probabilities of group membership變量值為各觀測量分派到各類中的概率 。 選擇： ① Predicted group membership其值為預測分類結果的新變量 。 ③ 在 Display矩形框中選擇 “ Summary table”要求顯示聚類回代結果的小結表 。 ① 在 Prior Probabilities矩形框中選擇 All groups equal各組先驗概率相等 。s要求給出線性判別函數系數 ． ● Unstandardized要求給出未加權的典則判別函數 （ 典則變量 ）的系數 。 第四 、 按 Statistics按鈕展開選擇統計量的對話框 。 ● Summary要求顯示逐步選擇變量子集的小結 。 ① 在 Method（ 方法 ） 矩形框中選擇 Milks Lambra； ② 在 criteria（ 判據 ） 矩形框中選擇 Use F value39。 第二 、 Independents： slen 、 swidPlen 、 Pwid ；Group variables ： spno （ 1 ， 3 ） 選擇變量 slen 、swid． Plen、 Pwid作為判別分析的自變量； spno作為分類變量 。當 F=30時變量進入模型；當 F＜ =5時，變量從模型中移出。 (2)逐步判別分析操作步驟 我們采用 Milks Lambra方法進行逐步判別分析。 ③ F for pairwise distances顯示 F比值矩陣 。 使用 F值作判據則給出各變量的 F值；使用 F值的概率作判據則給出量的 F值的概率 。 對于逐測分析可以選擇以下輸出： ① Results at each step給出每一步選擇變量工作完成后各變量的統計量 。 ②應該注意， Entry值必須大于 Remove值，否則，模型中將不會有變量。 ● Remove：在后面的矩形框中輸入把變量移出模型的 F值 。 在該項下面的兩個矩形框中輸人： ● Entry：后面的矩形框中輸入進入模型的 F值 。 關于判據的選擇方法 可以從兩者指定判據的方法中選擇一種 ， 并在每種方法的兩個矩形框中輸入判據的具體數值 。39。s V使 Rao的 V統計量最大。 使任何兩組間的最小的 F值最大 。 ③ Mahalanobis distance使最近的兩組間的馬哈拉諾比斯距離最小 。 是系統默認的方法 。其判據是：進入模型的 F值為 ；從模型中剔除變量的 F值為 。 單擊 Method按鈕，展開 stepwise method對話框。 逐步判別分析 （ 1） 逐步判別分析方法與判據的選擇 逐步判別在操作步驟方面只有在選擇 方法 一點上與前面所敘述的方法有所區(qū)別，即在 Discriminant過程主對話框中應該選擇 Use stepwise method。窗中可以按照 Descriminant命令語句格式進一步修改粘貼則窗中的各子命令語句。 （ 2） 在主對話框中按 Paste按鈕 ， 將以上操作結果轉換成 Descriminant過程的命令程序 ， 顯示在 Syntax窗中 。 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 。分別表示代入第一和第二個判別函數所得到的判別分數。例如，原始數據觀測量共分為 3類，建立兩個典則判別函數。建立幾個典則判別函數就有幾個判別分數變量。 ② Descrim
試題試卷相關推薦
鄂ICP備17016276號-1