【正文】 854 199 data 。若要對(duì)各省市自治區(qū)經(jīng)濟(jì)發(fā)展的基本情況進(jìn)行分析，比較好的做法是，從表中的數(shù)據(jù)出發(fā)，按經(jīng)濟(jì)發(fā)展基本情況指標(biāo)的 “ 相似 ” 程度先對(duì)這些省市自治區(qū)進(jìn)行分類，然后再根據(jù)分類結(jié)果對(duì)每一類進(jìn)行比較細(xì)致的分析或評(píng)價(jià)，這樣就能更清晰地了解我國(guó)各類地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r和水平，為進(jìn)一步作出相關(guān)決策提供依據(jù)。 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) ㈣ 聚類分析應(yīng)用 下表是我國(guó) 1990年 30個(gè)省市自治區(qū)經(jīng)濟(jì)發(fā)展主要指標(biāo)：生產(chǎn)性固定資產(chǎn)投資、職工工資總額、職工人數(shù)、國(guó)民生產(chǎn)總值、國(guó)民收入生產(chǎn)額、國(guó)民收入消費(fèi)額、國(guó)民收入積累額、居民消費(fèi)水平、運(yùn)輸貨物周轉(zhuǎn)量。 該語句指定一個(gè)變量作為識(shí)別聚類過程中的輸出，并作為 OUTTREE規(guī)定的數(shù)據(jù)集中的觀測(cè)，缺省時(shí)，系統(tǒng)用 Obn，表示第 n個(gè)觀測(cè)。 該語句把列出的變量（一般是 VAR等其它語句沒有列出的）從輸入數(shù)據(jù)集復(fù)制到 OUTTREE所規(guī)定的數(shù)據(jù)集中，以備后用。 該語句規(guī)定用于進(jìn)行聚類分析數(shù)值型變量，如缺省，則使用所有在其它語句中沒有出現(xiàn)的數(shù)值型變量。 ④ SIMPLE：輸出每個(gè)變量的描述性統(tǒng)計(jì)量。該選項(xiàng)僅對(duì)數(shù)據(jù)為坐標(biāo)數(shù)據(jù)或方法為 AVE、 CEN和 WARD時(shí)有效。 下一頁(yè) 上一頁(yè) （ 3）控制輸出選項(xiàng) ① PSEUDO：輸出偽 F統(tǒng)計(jì)量和偽 T2統(tǒng)計(jì)量，該選項(xiàng)僅對(duì)數(shù)據(jù)為坐標(biāo)數(shù)據(jù)或方法為 AVE、 CEN和 WARD時(shí)有效。 ⑤ NONORM：防止把距離規(guī)范化為單位均值或單位均方。 ③ NOEIGEN：阻止計(jì)算立方聚類標(biāo)準(zhǔn)的特征根。該選項(xiàng)僅用于輸入的數(shù)據(jù)是坐標(biāo)數(shù)據(jù)。如果缺省，采用 DATAn規(guī)則來命名。如果數(shù)據(jù)集的類型為 TYPE=DISTANCE，那么數(shù)據(jù)被認(rèn)為是距離陣，否則認(rèn)為是歐氏空間中的坐標(biāo)數(shù)據(jù)，并計(jì)算歐氏距離。 （ 6） WARD或 WAR： WARD最小方差法。 （ 2） CENTROD或 CEN：距離為平方距離，除非規(guī)定 NOSQUARE。 RUN。 by variables。 copy variables。 返回本節(jié)首頁(yè) 上一頁(yè) ㈢ CLUSTER過程的一般格式 PROC CLUSTER METHOD=nameoptions。一開始將每個(gè)樣品各自自成一類，這時(shí)類間的距離與樣品間的距離是一致的，然后將距離最近的兩個(gè)類進(jìn)行合并形成一個(gè)新類，并計(jì)算新類與其它類之間的距離，再按距離最小準(zhǔn)則并類。 下一頁(yè) 上一頁(yè) 系統(tǒng)聚類分析方法 : 設(shè)有 N個(gè)樣品，每個(gè)樣品有 P項(xiàng)指標(biāo)。近些年來聚類分析的方法發(fā)展較快，內(nèi)容越來越豐富。與多元分析的其他方法相比，聚類分析方法較為粗糙，理論上還不夠完善，正處于發(fā)展階段。聚類分析起源于分類學(xué)，只不過早期對(duì)現(xiàn)象的分類，由于技術(shù)上的落后和對(duì)分類要求不高，人們主要依靠經(jīng)驗(yàn)和專業(yè)知識(shí)來進(jìn)行，很少利用數(shù)學(xué)工具進(jìn)行定量的研究。所有這些涉及根據(jù)已知現(xiàn)象的某些 “ 相似 ”特征進(jìn)行分類的問題都可歸結(jié)為統(tǒng)計(jì)學(xué)中的聚類分析。在經(jīng)濟(jì)學(xué)中，根據(jù)居民家庭生活消費(fèi)支出結(jié)構(gòu)，把來自不同地區(qū)的消費(fèi)者分成不同的消費(fèi)層次。在營(yíng)銷學(xué)中，營(yíng)銷人員根據(jù)消費(fèi)者的消費(fèi)特征把消費(fèi)者分成不同類型。 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) 三、聚類分析 ㈠ 聚類分析簡(jiǎn)介 ㈡聚類分析種類 ⒈ Q型聚類 ①系統(tǒng)聚類分析：直觀，易懂； ②快速聚類：快速，動(dòng)態(tài)； ③有序聚類：保序 (時(shí)間順序或大小順序 )； ⒉ R型聚類 ㈢ CLUSTER過程的一般格式 ㈣聚類分析應(yīng)用 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) ㈠ 聚類分析簡(jiǎn)介 俗話說： “ 物以類聚，人以群分 ” ，在自然科學(xué)和社會(huì)科學(xué)等各領(lǐng)域中，存在著大量的分類問題。 說明 2 ： 因子分析與回歸分析不同，因子分析中的因子是一個(gè)比較抽象的概念，而回歸因子有非常明確的實(shí)際意義； 主成分分析分析與因子分析也有不同，主成分分析僅僅是變量變換，而因子分析需要構(gòu)造因子模型。 目的是使因子載荷陣的結(jié)構(gòu)簡(jiǎn)化 ， 使載荷矩陣每列或行的元素平方值向 0和 1兩極分化 。 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) 說明 1： 建立了因子分析數(shù)學(xué)目的不僅僅要找出公共因子以及對(duì)變量進(jìn)行分組 ， 更重要的要知道每個(gè)公共因子的意義 ， 以便進(jìn)行進(jìn)一步的分析 ， 如果每個(gè)公共因子的含義不清 ， 則不便于進(jìn)行實(shí)際背景的解釋 。 run。 Run。 proc factor data= priors=max n=2 outstat=ecfact2 rotate=v。 proc print data=ecfact。 var x1x8。 run。 cards。 下一頁(yè) 上一頁(yè) data 。 下一頁(yè) 上一頁(yè) 實(shí)例分析： 8090 年代我國(guó)經(jīng)濟(jì)發(fā)展情況分析 為分析我國(guó) 80年代（ 19801991年）經(jīng)濟(jì)發(fā)展情況，采用 8 個(gè)指標(biāo) : x1：社會(huì)總產(chǎn)值； x2：國(guó)民收入； x3：一次性能源生產(chǎn)總量； x4：貨物周轉(zhuǎn)量； x5：固有的固定資產(chǎn)投資額； x6：職工工資總額； x7：社會(huì)商品零售額； x8：財(cái)政收入。 NFACTOR=n——要求保留 n個(gè)公因子，否則只保留特征值大于 1的那些公因子。 SIMPLE——結(jié)果輸出包括簡(jiǎn)單統(tǒng)計(jì)數(shù)。 ROTATE＝因子轉(zhuǎn)軸方式 ——包括 NONE， VARIMAX， QUARTMAX， EQUAMAX，ORTHOMAX， HK， PROMAX， PROCRUSTE5。 包括 ONE， MAX， SMC， ASMC，INPUT， RANDOM。 NORM＝ KAlSER | RAW | WEIGHT | COV | NONE,為因子旋轉(zhuǎn)指定因子模型中列的標(biāo)準(zhǔn)化方法。常用方法為 PRINCIPAL（主成份法）、 ML（極大似然法）和 PRINIT（迭代主因子法）。 下一頁(yè) 上一頁(yè) PROC FACTOR語句的 選項(xiàng)列表 OUTSTAT= 輸出數(shù)據(jù)集 ——用于存儲(chǔ)因子分析的結(jié)果。 對(duì)因子模型可以使用正交旋轉(zhuǎn)和斜交旋轉(zhuǎn)， 可以用回歸法計(jì)算得分系數(shù)，同時(shí)也可以把 因子得分的估計(jì)值存儲(chǔ)在輸出數(shù)據(jù)集中。 下一頁(yè) 上一頁(yè) ?????????????22221)(pD?????即互不相關(guān) ， 方差不一定相等 ， 。 是特殊因子 ， 是不能被前 m個(gè)公共因子包含的部分 。 24個(gè)變量共享這三個(gè)因子 ， 但是每個(gè)變量又有自己的個(gè)性 ，不被 包含的部分 ， 稱為特殊因子 。因子分析方法可以通過 24個(gè)變量，找出反映商店環(huán)境、商店服務(wù)水平和商品價(jià)格的三個(gè)潛在的因子，對(duì)商店進(jìn)行綜合評(píng)價(jià)。 例如，在企業(yè)形象或品牌形象的研究中，消費(fèi)者可以通過一個(gè)有 24個(gè)指標(biāo)構(gòu)成的評(píng)價(jià)體系，評(píng)價(jià)百貨商場(chǎng)的 24個(gè)方面的優(yōu)劣。這幾個(gè)假想變量能夠反映原來眾多變量的主要信息。 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) 二、因子分析 ㈠ 因子分析簡(jiǎn)介 ㈡因子分析數(shù)學(xué)模型 ㈢ FACTOR 過程 ㈣因子分析應(yīng)用 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) 因子分析 (factor analysis)是一種數(shù)據(jù)簡(jiǎn)化的技術(shù)。 ，應(yīng)從相關(guān)矩陣出發(fā)進(jìn)行主成分分析。 第一主成分所包含的信息量最大，第二主成分其次，其它主成分依次遞減，各主成分之間互不相關(guān)，這就保證了各主成分所含的信息互不重復(fù)。 說明： 種統(tǒng)計(jì)分析方法。 Ranks zrank。 Proc rank data=new。 z=prin1*(+)+prin2*(+)。 下一頁(yè) 上一頁(yè) 計(jì)算綜合得分及名次 data new。 ranks 名次變量名串 。 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) ㈣ 菜單操作方法 單擊 [solutions]= [analysis] = [analyst] (在這里選擇需要分析的數(shù)據(jù)集 ) =[statistics] =[MULTIVARIATE] = [PRINCIPAL COMPONENT] (主成份分析 ) 下一頁(yè) 返回本節(jié)首頁(yè) 上一頁(yè) ㈤ 主成分在綜合評(píng)價(jià)中的應(yīng)用 例： 主成分分析在企業(yè)經(jīng)濟(jì)效益綜合評(píng)價(jià)中的應(yīng)用 綜合評(píng)價(jià)值 F jqjjZ ???1