農(nóng)村發(fā)展研究方法 第12章 農(nóng)村發(fā)展研究評(píng)價(jià)方法課件

1、第十二章 農(nóng)村發(fā)展研究評(píng)價(jià)方法主要內(nèi)容第一節(jié) 農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程和分類第二節(jié) 農(nóng)村發(fā)展研究常用的評(píng)價(jià)方法第一節(jié) 農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程和分類一、評(píng)價(jià)概述二、農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程三、評(píng)價(jià)方法分類二、農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程評(píng)價(jià)的目的是通過(guò)對(duì)評(píng)價(jià)對(duì)象屬性的定量化測(cè)定，實(shí)現(xiàn)對(duì)評(píng)價(jià)對(duì)象整體水平或功能的量化描述，從而揭示事物的價(jià)值或發(fā)展規(guī)律。二、農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程完整的評(píng)價(jià)可以分為如下幾個(gè)階段：（1）確定評(píng)價(jià)目的，選取評(píng)價(jià)對(duì)象（2）建立評(píng)價(jià)指標(biāo)體系具體包括評(píng)價(jià)目標(biāo)的細(xì)分與結(jié)構(gòu)化，指標(biāo)體系的初步確定，指標(biāo)體系的整體檢驗(yàn)與初步檢驗(yàn)，指標(biāo)體系結(jié)構(gòu)的優(yōu)化，定性變量的數(shù)量化等環(huán)節(jié)。（3

2、）選擇評(píng)價(jià)方法與模型具體包括評(píng)價(jià)方法選擇，權(quán)數(shù)構(gòu)造，評(píng)價(jià)指標(biāo)體系的標(biāo)準(zhǔn)值與評(píng)價(jià)規(guī)則的確定。二、農(nóng)村發(fā)展研究評(píng)價(jià)的一般過(guò)程完整的評(píng)價(jià)可以分為如下幾個(gè)階段：（4）綜合評(píng)價(jià)實(shí)施包括指標(biāo)體系數(shù)據(jù)搜集、數(shù)據(jù)評(píng)估、必要的數(shù)據(jù)推算模型參數(shù)求解等。（5）對(duì)評(píng)價(jià)結(jié)果進(jìn)行評(píng)估與檢驗(yàn)，以判別所選評(píng)價(jià)模型、有關(guān)標(biāo)準(zhǔn)、有關(guān)權(quán)值、甚至指標(biāo)體系合理與否。若不符合要求，則需要進(jìn)行一些修改，甚至返回到前述的某一環(huán)節(jié)。（6）評(píng)價(jià)結(jié)果分析與報(bào)告具體包括評(píng)價(jià)結(jié)果的書面分析，撰寫評(píng)價(jià)報(bào)告，提供與發(fā)布評(píng)價(jià)結(jié)果，資料的儲(chǔ)備與后續(xù)開(kāi)發(fā)利用。三、評(píng)價(jià)方法分類評(píng)價(jià)方法可以分為定性評(píng)價(jià)方法和定量評(píng)價(jià)方法兩類。按其評(píng)價(jià)思想不同，可以分為加權(quán)評(píng)價(jià)方法

3、和非加權(quán)評(píng)價(jià)方法兩類。按各評(píng)價(jià)方法的理論基礎(chǔ)不同，可以分為六大類定量評(píng)價(jià)方法。第二節(jié) 農(nóng)村發(fā)展研究常用的評(píng)價(jià)方法一、綜合指數(shù)法二、功效系數(shù)法三、主成分分析四、因子分析五、聚類分析六、判別分析七、層次分析法一、綜合指數(shù)法各項(xiàng)指標(biāo)的權(quán)數(shù)是根據(jù)其重要程度決定的，體現(xiàn)了各項(xiàng)指標(biāo)在經(jīng)濟(jì)效益綜合值中作用的大小。綜合指數(shù)法的基本思路則是利用層次分析法計(jì)算的權(quán)重和模糊評(píng)判法取得的數(shù)值進(jìn)行累乘，然后相加，最后計(jì)算出經(jīng)濟(jì)效益指標(biāo)的綜合評(píng)價(jià)指數(shù)。 應(yīng)用實(shí)例引用甲、乙兩地區(qū)2000年農(nóng)業(yè)經(jīng)濟(jì)效益資料，說(shuō)明綜合指數(shù)法在分析評(píng)價(jià)農(nóng)業(yè)經(jīng)濟(jì)效益方面的具體應(yīng)用。甲乙兩地區(qū)2000年農(nóng)業(yè)經(jīng)濟(jì)效益相關(guān)資料見(jiàn)表1：以農(nóng)業(yè)物耗與產(chǎn)值比

4、表示資金產(chǎn)出率；以畝均產(chǎn)量和畝均收入表示土地生產(chǎn)率；以勞均產(chǎn)值、勞均收入等表示勞動(dòng)生產(chǎn)率。在構(gòu)建指標(biāo)體系的基礎(chǔ)上，通過(guò)德?tīng)柗谱稍?，進(jìn)行層次分析來(lái)確定各指標(biāo)的權(quán)數(shù)，以初值化消除量綱，計(jì)算農(nóng)業(yè)經(jīng)濟(jì)效益綜合指數(shù)。其計(jì)算公式為:由計(jì)算結(jié)果可知，2000年兩地區(qū)經(jīng)濟(jì)效益綜合指數(shù)分別為110.28%和115.52%，均大于100%，說(shuō)明兩地區(qū)農(nóng)業(yè)經(jīng)濟(jì)效益較好，且乙地區(qū)農(nóng)業(yè)經(jīng)濟(jì)效益優(yōu)于甲地區(qū)農(nóng)業(yè)經(jīng)濟(jì)效益。二、功效系數(shù)法功效系數(shù)法是根據(jù)多目標(biāo)規(guī)劃原理而建立的一種評(píng)價(jià)方法。其含義是：在評(píng)價(jià)某一整體的綜合效益時(shí)，一般有多種指標(biāo)，而這些指標(biāo)的性質(zhì)和度量單位往往不同，不能直接相加或綜合，需要通過(guò)一定形式的函數(shù)關(guān)系將其

5、轉(zhuǎn)化為同度量指標(biāo)，再將這些同度量指標(biāo)加權(quán)綜合，使之形成一個(gè)綜合指標(biāo)，稱之為總功效系數(shù)，以此評(píng)價(jià)整體的綜合效益。在以往功效系數(shù)法的應(yīng)用中,最后功效系數(shù)值使用加權(quán)算術(shù)平均的方法確定,為了更準(zhǔn)確地評(píng)價(jià)整體效益狀況,統(tǒng)計(jì)學(xué)家設(shè)計(jì)出改進(jìn)功效系數(shù),對(duì)每一評(píng)價(jià)指標(biāo)分別確定一個(gè)滿意值與不允許值,以滿意值為標(biāo)準(zhǔn)上限,不允許值為標(biāo)準(zhǔn)下限,按線性正相關(guān)的方法將不同的評(píng)價(jià)指標(biāo)無(wú)量綱化轉(zhuǎn)為相應(yīng)的評(píng)價(jià)分?jǐn)?shù),經(jīng)加權(quán)幾何平均得出綜合評(píng)價(jià)分?jǐn)?shù),對(duì)評(píng)價(jià)對(duì)象的綜合狀況作出評(píng)估。綜合功效系數(shù)越大,表明評(píng)價(jià)對(duì)象綜合狀況越佳。應(yīng)用實(shí)例：基于功效系數(shù)法的城市土地利用效益評(píng)價(jià)以武漢市為例城市土地利用可從經(jīng)濟(jì)效益、社會(huì)效益、生態(tài)效益三個(gè)方面對(duì)

6、其進(jìn)行評(píng)價(jià)，但其涉及的指標(biāo)繁雜，且性質(zhì)與度量單位也存在較大差異，因此可以使用功效系數(shù)法對(duì)其進(jìn)行評(píng)價(jià)。三、主成分分析主成分分析（Principal Component Analysis，PCA）在實(shí)際課題中，為了全面分析問(wèn)題，往往提出很多與此有關(guān)的變量（或因素），因?yàn)槊總€(gè)變量都在不同程度上反映這個(gè)課題的某些信息。在用統(tǒng)計(jì)分析方法研究多變量的課題時(shí)，變量個(gè)數(shù)太多就會(huì)增加課題的復(fù)雜性。人們希望變量個(gè)數(shù)較少而得到的信息較多。當(dāng)兩個(gè)變量之間有一定相關(guān)關(guān)系時(shí)，可以解釋為這兩個(gè)變量反映此課題的信息有一定的重疊。主成分分析是對(duì)于原先提出的所有變量，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而且這些新

7、變量在反映課題的信息方面盡可能保持原有的信息。 主成分分析的具體步驟1、確定指標(biāo)體系在各項(xiàng)具體指標(biāo)的設(shè)置和選擇過(guò)程中，要注意指標(biāo)的全面性、代表性、可得性、簡(jiǎn)潔性和整合性。2、建立原始信息矩陣Xnp3、對(duì)矩陣X中的數(shù)據(jù)實(shí)行標(biāo)準(zhǔn)化處理，統(tǒng)一指標(biāo)之間的量綱，使其具有可比性4、求標(biāo)準(zhǔn)化矩陣Z的相關(guān)矩陣R，利用標(biāo)準(zhǔn)化后的數(shù)據(jù)計(jì)算P個(gè)指標(biāo)間的相關(guān)系數(shù)5、求相關(guān)矩陣R的特征值和特征向量6、確定主成分的個(gè)數(shù)k累計(jì)貢獻(xiàn)率大于等于85%的k值7、給出主成分Yi, i=1, 2, p的表達(dá)式。8、計(jì)算綜合評(píng)價(jià)指標(biāo)綜合評(píng)價(jià)指標(biāo)其實(shí)就是前K個(gè)主成分的線性加權(quán)值9、計(jì)算評(píng)價(jià)分值并排序應(yīng)用實(shí)例：主成分分析及其應(yīng)用探討以山西

8、省農(nóng)村居民消費(fèi)結(jié)構(gòu)為例年份消費(fèi)性支出構(gòu)成食品X1衣著X2家庭設(shè)備用品及服務(wù)X3醫(yī)療保險(xiǎn)X4交通和通訊X5娛樂(lè)教育文化服務(wù)X6居住X7雜物商品及服務(wù)X81980100.00 59.89 15.49 3.71 0.44 0.40 1.61 18.12 0.34 1985100.00 54.32 14.62 8.00 2.68 0.51 5.29 13.81 0.77 1990100.00 52.87 12.45 6.85 4.06 0.65 6.73 15.52 0.87 1995100.00 63.15 11.10 4.63 3.35 1.51 6.77 8.37 1.12 1996100.00

9、 58.39 11.15 5.01 3.82 1.88 7.99 9.25 2.51 1997100.00 57.03 10.55 5.13 4.05 3.62 8.18 9.50 1.94 1998100.00 56.06 10.82 5.14 4.49 3.02 9.53 9.12 1.82 1999100.00 51.55 10.34 4.96 5.57 4.42 11.52 9.78 1.86 2000100.00 48.64 9.87 4.25 5.25 4.25 11.78 12.52 3.44 2001100.00 47.55 9.67 4.18 4.84 4.64 11.66

10、14.04 3.42 2002100.00 43.86 10.18 4.77 4.76 7.62 13.04 12.64 3.13 山西省農(nóng)村居民家庭平均每人全年消費(fèi)性支出構(gòu)成(19802002）SPSS操作1、Analyze-Data Reduction-Factor3、把數(shù)據(jù)都選進(jìn)Variables 去4、點(diǎn)擊5、彈出現(xiàn)下面的對(duì)話框6、在對(duì)話框的空白處填0，記得上面的圖中要選中前面的點(diǎn)7、點(diǎn)擊continue 鈕8、返回上個(gè)對(duì)話框9、如需要得到相關(guān)系數(shù)矩陣，點(diǎn)擊在Coefficients 前的方框打上鉤10、然后點(diǎn)擊continue 鈕11、返回上個(gè)對(duì)話框，點(diǎn)擊“OK”分析結(jié)果表格相關(guān)系數(shù)

11、矩陣可以看出變量之間的相關(guān)性，證明變量之間存在信息重疊。分析結(jié)果表格方差分解主成分提取分析表特征值主成分貢獻(xiàn)率累積貢獻(xiàn)率初始因子載荷矩陣每一個(gè)載荷量表示主成分與對(duì)應(yīng)變量的相關(guān)系數(shù)。將前三個(gè)因子載荷矩陣輸入（可用復(fù)制粘貼的方法）到數(shù)據(jù)編輯窗口（為變量B1 、B2 、B3 ） ， 然后利用“ Transform compute ” ， 在對(duì)話框中輸入“A1=B1/SQR(5.137)”即可得到特征向量A1。注：第二主成分SQR 后的括號(hào)中填1.365，第三主成分SQR 后的括號(hào)中填1.092，同理，可得到A2、A3。然后就可以得出主成分表達(dá)式。Transform -compute得出主成分表達(dá)式主

12、成分表達(dá)式主成分得分表主成分得分表第一主成分代表的意義為消費(fèi)結(jié)構(gòu)針對(duì)發(fā)展、享受需求和生存需求的差異，得分越高，表明人們對(duì)于發(fā)展和享受的需求越大。計(jì)算評(píng)價(jià)分值并排序以每個(gè)主成分所對(duì)應(yīng)的特征值占所提取主成分總的特征值之和的比例作為權(quán)重計(jì)算主成分綜合模型。根據(jù)主成分綜合模型可以計(jì)算綜合主成分值，并對(duì)其按綜合主成分值進(jìn)行排序。四、因子分析因子分析就是將大量的彼此可能存在相關(guān)關(guān)系的變量轉(zhuǎn)換成較少的，彼此不相關(guān)的綜合指標(biāo)的一種多元統(tǒng)計(jì)方法。這樣既可減輕收集信息的工作量，且各綜合指標(biāo)代表的信息比重疊，便于分析。因子分析的步驟第一步：主因子分析是通過(guò)原始變量的相關(guān)系數(shù)矩陣內(nèi)部結(jié)構(gòu)的研究，導(dǎo)出能控制所有變量的少

13、數(shù)幾個(gè)綜合變量，通過(guò)這少數(shù)幾個(gè)綜合變量去描述原始的多個(gè)變量之間的相關(guān)關(guān)系。第二步：對(duì)因子的解釋和命名從因子分析導(dǎo)出的負(fù)荷矩陣的結(jié)構(gòu)出發(fā)，把變量按與公共因子相關(guān)性大小的程度分組，使同組內(nèi)變量間的相關(guān)性較高，不同組的變量的相關(guān)性較低，按公因子包含變量的特點(diǎn)（即公因子內(nèi)涵）對(duì)因子作解釋命名。應(yīng)用實(shí)例農(nóng)民工培訓(xùn)驅(qū)動(dòng)機(jī)理研究以重慶市璧山縣為例在對(duì)2個(gè)街道辦事處3個(gè)鎮(zhèn)150余農(nóng)戶（主要是外出務(wù)工）及150余名外出農(nóng)民工抽樣調(diào)查的基礎(chǔ)上，分析了該縣農(nóng)民工培訓(xùn)的特點(diǎn)，并運(yùn)用因子分析法對(duì)影響農(nóng)民工培訓(xùn)的因素（如就業(yè)概率、市場(chǎng)風(fēng)險(xiǎn)率、政府支持度等）做了定量的分析，得出相關(guān)結(jié)論。通過(guò)對(duì)璧山縣2個(gè)街道辦事處3個(gè)鎮(zhèn)的外

14、出農(nóng)民工進(jìn)行抽樣調(diào)查、走訪以及與當(dāng)?shù)匾恍┱块T的座談，從影響農(nóng)民工培訓(xùn)的因素中選取了8個(gè)具體變量進(jìn)行分析，并根據(jù)當(dāng)?shù)剞r(nóng)民工培訓(xùn)的具體情況對(duì)公式進(jìn)行了相關(guān)轉(zhuǎn)換，即：各因子數(shù)據(jù)具體計(jì)算方法為:農(nóng)民工愿意培訓(xùn)度=(愿意培訓(xùn)農(nóng)民工數(shù)/農(nóng)民工總?cè)藬?shù))100%;企業(yè)愿意培訓(xùn)度=(企業(yè)愿意培訓(xùn)數(shù)/企業(yè)總數(shù))100%;就業(yè)概率=(培訓(xùn)后找到工作人數(shù)/培訓(xùn)總?cè)藬?shù))100%;接受知識(shí)限度為培訓(xùn)后進(jìn)行相關(guān)考試,總分為一百分;政府支持度=(政府實(shí)際投入培訓(xùn)資金/政府預(yù)計(jì)投入資金)100%;市場(chǎng)風(fēng)險(xiǎn)率=(1-培訓(xùn)后各企事業(yè)實(shí)際招收人數(shù)/培訓(xùn)前市場(chǎng)預(yù)計(jì)所需相關(guān)專業(yè)人數(shù))100%.應(yīng)用以上相關(guān)方法得出各因子所需數(shù)據(jù)，而后

15、運(yùn)用SPSS中的因子分析模型進(jìn)行運(yùn)算,結(jié)果如下：Spss操作1、Analyze-Data Reduction-Factor點(diǎn)擊Descriptives，彈出Factor Analysis：Descriptives對(duì)話框選Univariate descriptives項(xiàng)要求輸出各變量的均數(shù)與標(biāo)準(zhǔn)差，選Coefficients項(xiàng)要求計(jì)算相關(guān)系數(shù)矩陣，并選KMO and Bartletts test of sphericity項(xiàng)，要求對(duì)相關(guān)系數(shù)矩陣進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)。點(diǎn)擊Continue鈕返回。點(diǎn)擊Extraction，彈出Factor Analysis:Extraction對(duì)話框，系統(tǒng)提供如下因子提取

16、方法： Principal components：主成分分析法； Unweighted least squares：未加權(quán)最小平方法； Generalized least squares：綜合最小平方法； Maximum likelihood：極大似然估計(jì)法； Principal axis factoring：主軸因子法； Alpha factoring：因子法； Image factoring：多元回歸法。點(diǎn)擊Rotation，彈出Factor Analysis：Rotation對(duì)話框，系統(tǒng)有5種因子旋轉(zhuǎn)方法可選：None：不作因子旋轉(zhuǎn)；Varimax：正交旋轉(zhuǎn)；Equamax：全體旋轉(zhuǎn)，對(duì)

17、變量和因子均作旋轉(zhuǎn)；Quartimax：四分旋轉(zhuǎn)，對(duì)變量作旋轉(zhuǎn)；Direct Oblimin：斜交旋轉(zhuǎn)。旋轉(zhuǎn)的目的是為了獲得簡(jiǎn)單結(jié)構(gòu)，以幫助我們解釋因子。之后點(diǎn)擊Continue鈕返回。點(diǎn)擊Scores，彈出彈出Factor Analysis：Scores對(duì)話框，系統(tǒng)提供3種估計(jì)因子得分系數(shù)的方法：之后點(diǎn)擊Continue鈕返回再點(diǎn)擊OK鈕即完成分析。 Correlation Matrix初始因子載荷陣初始因子載荷提取因子載荷旋轉(zhuǎn)提取因子載荷Component Matrix主成分分析和因子分析的區(qū)別因子分析是主成分分析的推廣和發(fā)展。在算法上，主成分分析和因子分析很類似 。 （1）因子分析中是把

18、變量表示成各因子的線性組合，而主成分分析中則是把主成分表示成各變量的線性組合。（2）和主成分分析相比，由于因子分析可以使用旋轉(zhuǎn)技術(shù)幫助解釋因子，在解釋方面更加有優(yōu)勢(shì)。大致說(shuō)來(lái)，當(dāng)需要尋找潛在的因子，并對(duì)這些因子進(jìn)行解釋的時(shí)候，更加傾向于使用因子分析，并且借助旋轉(zhuǎn)技術(shù)幫助更好解釋。而如果想把現(xiàn)有的變量變成少數(shù)幾個(gè)新的變量（新的變量幾乎帶有原來(lái)所有變量的信息）來(lái)進(jìn)入后續(xù)的分析，則可以使用主成分分析。 五、聚類分析聚類分析又稱群分析、點(diǎn)群分析，指將物理或抽象對(duì)象的集合分組成為由類似的對(duì)象組成的多個(gè)類的多元統(tǒng)計(jì)評(píng)價(jià)過(guò)程。是定量研究分類問(wèn)題的一種多元統(tǒng)計(jì)方法。 聚類分析的概念聚類分析的概念人類認(rèn)識(shí)世界往

19、往首先將被認(rèn)識(shí)的對(duì)象進(jìn)行分類，因此分類學(xué)便成為人類認(rèn)識(shí)世界的基礎(chǔ)科學(xué)。在社會(huì)生活的眾多領(lǐng)域中都存在著大量的分類問(wèn)題。以前人們主要靠經(jīng)驗(yàn)和專業(yè)知識(shí)做定性分類處理，致使許多分類帶有主觀性和任意性，不能很好地揭示客觀事物內(nèi)在的本質(zhì)差別與聯(lián)系，特別是對(duì)于多因素、多指標(biāo)的分類問(wèn)題，定性分類更難以實(shí)現(xiàn)準(zhǔn)確分類。為了克服定性分類存在的不足，于是把數(shù)學(xué)方法引進(jìn)分類學(xué)中，形成了數(shù)值分類學(xué)，后來(lái)隨著多元分析的引進(jìn)，聚類分析又逐漸從數(shù)值分類學(xué)中分離出來(lái),形成一個(gè)相對(duì)獨(dú)立的分支。在多元統(tǒng)計(jì)分析中，聚類分析在許多領(lǐng)域中都得到了廣泛的應(yīng)用，取得了許多令人滿意的成果。 聚類分析的基本思想 認(rèn)為所研究的樣品或指標(biāo)之間存在著程

20、度不同的相似性，于是根據(jù)一批樣品的多個(gè)觀測(cè)指標(biāo)，找出能夠度量樣品或變量之間相似程度的統(tǒng)計(jì)量，并以此為依據(jù)，采用某種聚類法，將所有的樣品或變量分別聚合到不同的類中，使同一類中的個(gè)體有較大的相似性，不同類中的個(gè)體差異較大。 聚類分析的內(nèi)容 聚類分析包括很多種方法，系統(tǒng)聚類法是最基本、最常用的一種，此外還有有序樣品聚類法、動(dòng)態(tài)聚類法、模糊聚類法、圖論聚類法、有重疊聚類等，不同的方法適合解決不同類型的問(wèn)題。 聚類分析的對(duì)象類型 Q型聚類采用距離統(tǒng)計(jì)量，是對(duì)樣品進(jìn)行分類處理 。根據(jù)觀測(cè)有關(guān)變量的特征，將特征相似的樣品歸為一類。它是聚類分析中用的最多的一種，具有以下優(yōu)點(diǎn)：1、可綜合利用多個(gè)變量的信息對(duì)樣品

21、進(jìn)行分類；2、分類結(jié)果直觀，聚類譜系圖非常清楚地表現(xiàn)分類結(jié)果；3、所得結(jié)果比傳統(tǒng)分類方法更細(xì)致、全面、合理。R型聚類采用相似系數(shù)統(tǒng)計(jì)量，是對(duì)變量進(jìn)行分類處理。一般來(lái)說(shuō)，可以反映研究對(duì)象特點(diǎn)的變量有許多，由于對(duì)客觀事物的認(rèn)識(shí)有限，往往難以找出彼此獨(dú)立且有代表性的變量，影響對(duì)問(wèn)題進(jìn)一步的認(rèn)識(shí)和研究，因此往往需要先進(jìn)行變量聚類，找出相互獨(dú)立又有代表性的變量，而又不丟失大部分信息。R型聚類分析的主要作用：1、可了解個(gè)別變量之間及變量組合之間的親疏程度；2、根據(jù)變量的分類結(jié)果以及它們之間的關(guān)系，可以選擇主要變量進(jìn)行回歸分析或Q型聚類分析。 事物之間的相似性測(cè)度 聚類分析用于系統(tǒng)類群相似性的研究，其實(shí)質(zhì)上

22、是尋找一種能客觀反映樣品或變量之間親疏關(guān)系的統(tǒng)計(jì)量，然后根據(jù)這種統(tǒng)計(jì)量把樣品或變量分成若干類。常用的統(tǒng)計(jì)量有距離和相似系數(shù)。用相似系數(shù)度量 是兩個(gè)事物離得多近的度量。性質(zhì)越接近的元素其相似系數(shù)的絕對(duì)值越接近于1；彼此無(wú)關(guān)的元素其相似系數(shù)的絕對(duì)值越接近于0。 相似的元素歸為一類，不相似的元素歸為不同的類。 用距離來(lái)度量 是兩個(gè)事物離得多遠(yuǎn)的度量。將一個(gè)樣品看作空間的一個(gè)點(diǎn)，在空間定義距離，距離近的點(diǎn)歸為一類，距離遠(yuǎn)的點(diǎn)歸為不同的類。變量類型的劃分 1、間隔尺度： 是用連續(xù)的實(shí)值變量來(lái)表示的，是由測(cè)量或計(jì)數(shù)、統(tǒng)計(jì)所得到的量。如：經(jīng)濟(jì)統(tǒng)計(jì)數(shù)字、抽樣調(diào)查數(shù)據(jù)、身高、體重、年齡、速度、壓力等。 2、有序

23、尺度： 沒(méi)有明確的數(shù)量表示，而是劃分一些等級(jí)，等級(jí)之間有次序關(guān)系。如：畢業(yè)論文成績(jī)有：優(yōu)、良、中、及格、不及格之分；體質(zhì)狀況有好、中、差三個(gè)等級(jí)；某產(chǎn)品質(zhì)量可分為一等品、二等品、三等品等。 變量類型的劃分 3、名義尺度： 既沒(méi)有數(shù)量表示，也沒(méi)有次序關(guān)系，而是表現(xiàn)為某種狀態(tài)，其值通常是非數(shù)值數(shù)據(jù)。如：性別有男、女；顏色有紅、黃、藍(lán)、綠等；醫(yī)療診斷中的陰性、陽(yáng)性等。 變量類型的劃分 不同類型的變量，其距離和相似系數(shù)的定義方法有很大差異。用得較多的是間隔尺度，因此只介紹間隔尺度的距離和相似系數(shù)的定義。 n個(gè)樣品p項(xiàng)指標(biāo)形成的原始數(shù)據(jù)資料矩陣中，每一行表示一個(gè)樣品，每一列表示一個(gè)變量。因此，兩個(gè)樣品的

24、相似性可用矩陣中兩行的相似程度來(lái)刻劃；兩個(gè)變量的相似性可用矩陣中兩列的相似程度來(lái)刻劃。 1、距離定義：將n個(gè)樣品看成p維空間中的n個(gè)點(diǎn)，兩個(gè)樣品間相似程度可用p維空間中兩點(diǎn)的距離來(lái)度量。 （1）絕對(duì)距離 （2）歐氏距離 （3）馬氏距離 （4）切比雪夫距離 計(jì)算出任何兩個(gè)樣品之間的距離排成距離陣D，根據(jù)D可對(duì)n個(gè)點(diǎn)進(jìn)行分類，距離近的點(diǎn)歸為一類，距離遠(yuǎn)的點(diǎn)歸為不同的類。 2、相似系數(shù)：將n個(gè)樣品看成p維空間中的n個(gè)向量。（1）夾角余弦（2）相關(guān)系數(shù)以上是樣品分類常用的距離和相似系數(shù)定義，它是在p維空間中來(lái)研究n個(gè)樣品間的相似；而對(duì)變量分類是在n維空間中來(lái)研究p列變量間的相似，其相似性也用距離和相似

25、系數(shù)來(lái)度量。 系統(tǒng)聚類分析方法 系統(tǒng)聚類分析也叫分層聚類分析，是目前國(guó)內(nèi)外使用得最多的一種方法，有關(guān)它的研究極為豐富，聚類分析的方法也最多。 系統(tǒng)聚類的步驟（1）計(jì)算n個(gè)樣品兩兩之間的距離記為矩陣D；（2）首先構(gòu)造n個(gè)類，每一類中只包含一個(gè)樣品；（3）合并距離最近的兩類為新類；（4）繼續(xù)合并，直到所有的樣本合并為一類為止；（5）畫譜系圖；（6）決定類的個(gè)數(shù)和類。系統(tǒng)聚類允許一類整個(gè)地包含在另一類內(nèi)，但在這兩類間不能有其他類與之重疊。 系統(tǒng)聚類方法 樣品之間可以用不同的方法定義距離，類與類之間的距離也有多種定義。用不同的方法定義類與類之間的距離，就產(chǎn)生了不同的系統(tǒng)聚類方法。 （1）最短距離法：定

26、義類與類之間距離為兩類最近樣品的距離，使空間濃縮，形成鏈狀，分類效果不好； （2）最長(zhǎng)距離法：定義類與類之間距離為兩類最遠(yuǎn)樣品的距離，受奇異值的影響大； （3）重心法：以兩類重心之間的距離作為兩類間的距離。重心即該類樣品的均值。每合并一次類，都要重新計(jì)算新類的重心。不具單調(diào)性，圖形逆轉(zhuǎn)，限制了其應(yīng)用，可能引起局部最優(yōu)，但在處理異常值方面較穩(wěn)健。 （4）類平均法： 以兩類元素兩兩之間距離平方的平均作為類間距離的平方。（5）離差平方和法：又稱Ward法，其基本思想是認(rèn)為同類樣品的離差平方和應(yīng)當(dāng)較小，類與類的離差平方和應(yīng)當(dāng)較大。首先n個(gè)樣品各自成一類，然后每次縮小一類，每縮小一類離差平方和就要增大，

27、選擇使離差平方和增加最小的兩類合并，直到所有樣品歸為一類。它分類效果較好，應(yīng)用較廣泛，對(duì)異常值較敏感。離差平方和是各項(xiàng)與平均項(xiàng)之差的平方的總和 以上幾種聚類方法，只有兩點(diǎn)區(qū)別：（1）類與類之間距離定義不同；（2）計(jì)算新類與其他類的距離所用的公式不同，因而并類距離不同；各種方法并類步驟完全一樣。在一般情況下，用不同的方法聚類的結(jié)果是不會(huì)完全一致的，怎樣比較各種方法的優(yōu)劣呢？至今還沒(méi)有合適的衡量標(biāo)準(zhǔn)，因?yàn)椴淮嬖谝环N總是最優(yōu)的聚類方法。類的結(jié)構(gòu)（規(guī)模、形狀、個(gè)數(shù)）、奇異值、相似測(cè)度選擇都會(huì)影響結(jié)果。在實(shí)際應(yīng)用中，一般采用以下兩種處理方法：（1）根據(jù)分類問(wèn)題本身的專業(yè)知識(shí)結(jié)合實(shí)際需要來(lái)選擇分類方法，并

28、確定分類個(gè)數(shù)；（2）多用幾種分類方法去作，把結(jié)果中的共性提出來(lái)，對(duì)有爭(zhēng)議的樣品用判別分析去歸類。應(yīng)注意的問(wèn)題 （1）在聚類分析中，應(yīng)根據(jù)不同的目的選用不同的指標(biāo)。一般來(lái)說(shuō)，選擇哪些變量應(yīng)該具有一定的理論支持，但在實(shí)踐中往往缺乏這樣強(qiáng)有力的理論基礎(chǔ)，一般根據(jù)實(shí)際工作經(jīng)驗(yàn)和所研究問(wèn)題的特征人為的選擇變量，這些變量應(yīng)該和分析的目標(biāo)密切相關(guān)，反映分類對(duì)象的特征，在不同研究對(duì)象上的值具有明顯差異，變量之間不應(yīng)該高度相關(guān)。選變量時(shí)并不是加入的變量越多，得到的結(jié)果越客觀。有時(shí)，加入一兩個(gè)不合適的變量就會(huì)使分類結(jié)果大相徑庭。 變量之間高度相關(guān)相當(dāng)于加權(quán)，此時(shí)，有兩種處理方法：（1）首先進(jìn)行變量聚類，從每類中選

29、一代表性變量，再進(jìn)行樣品聚類；（2）進(jìn)行主成分分析或因子分析，降維，使之成為不相關(guān)的新變量，再進(jìn)行樣品聚類。 （2）標(biāo)準(zhǔn)化問(wèn)題指標(biāo)選用的度量單位將直接影響聚類分析的結(jié)果。為了避免對(duì)變量單位選擇的依賴，數(shù)據(jù)應(yīng)當(dāng)標(biāo)準(zhǔn)化。數(shù)據(jù)量綱不同時(shí)，必須進(jìn)行標(biāo)準(zhǔn)化；但如果量綱相同，可數(shù)量級(jí)相差很大，這時(shí)也應(yīng)該進(jìn)行標(biāo)準(zhǔn)化。應(yīng)注意的問(wèn)題 研究問(wèn)題 對(duì)一個(gè)班同學(xué)的數(shù)學(xué)水平進(jìn)行聚類。聚類的依據(jù)是第一次數(shù)學(xué)考試的成績(jī)和入學(xué)考試的成績(jī)。SPSS中實(shí)現(xiàn)過(guò)程表 學(xué)生的數(shù)學(xué)成績(jī)姓 名第一次成績(jī)?nèi)?學(xué) 成 績(jī)hxh99.0098.00yaju88.0089.00yu79.0080.00shizg89.0078.00hah75.00

30、78.00john60.0065.00watet79.0087.00jess75.0076.00wish60.0056.00Iiakii100.00100.00數(shù)據(jù)如下表所示： 實(shí)現(xiàn)步驟在SPSS中如何選擇標(biāo)準(zhǔn)化方法:Analyze Classify Hierachical Cluster Analysis 然后從對(duì)話框中進(jìn)行如下選擇“Hierarchical Cluster Analysis”對(duì)話框（一） “Hierarchical Cluster Analysis：Method”對(duì)話框（一） 從Transform Values框中點(diǎn)擊向下箭頭，將出現(xiàn)如下可選項(xiàng)，從中選一即可：1、數(shù)據(jù)標(biāo)準(zhǔn)化

31、常用標(biāo)準(zhǔn)化方法（選項(xiàng)說(shuō)明）：None：不進(jìn)行標(biāo)準(zhǔn)化，這是系統(tǒng)默認(rèn)值為了便于后面的說(shuō)明，作如下假設(shè)：均值表示為標(biāo)準(zhǔn)差表示為所有樣本表示為極差表示為Z Scores：標(biāo)準(zhǔn)化變換作用：變換后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1，消去了量綱的影響；當(dāng)抽樣樣本改變時(shí)，它仍能保持相對(duì)穩(wěn)定性。Range 1 to 1：極差標(biāo)準(zhǔn)化變換作用：變換后的數(shù)據(jù)均值為0，極差為1，且|xij*|1，消去了量綱的影響；在以后的分析計(jì)算中可以減少誤差的產(chǎn)生。Maximum magnitude of 1作用：變換后的數(shù)據(jù)最大值為1。Range 0 to 1（極差正規(guī)化變換 / 規(guī)格化變換）作用：變換后的數(shù)據(jù)最小為0，最大為1，其余在區(qū)

32、間0，1內(nèi)，極差為1，無(wú)量綱。Mean of 1作用：變換后的數(shù)據(jù)均值為1。Standard deviation of 1作用：變換后的數(shù)據(jù)標(biāo)準(zhǔn)差為1。在SPSS中如何選擇測(cè)度:Analyze Classify Hierachical Cluster Analysis Method 然后從對(duì)話框中進(jìn)行如下選擇2、構(gòu)造關(guān)系矩陣描述變量或樣本的親疏程度的數(shù)量指標(biāo)有兩種：相關(guān)系數(shù)距離從Measure框中點(diǎn)擊Interval項(xiàng)的向下箭頭，將出現(xiàn)如左可選項(xiàng)，從中選一即可。常用測(cè)度（選項(xiàng)說(shuō)明）：Euclidean distance：歐氏距離（二階Minkowski距離）用途：聚類分析中用得最廣泛的距離但與

33、各變量的量綱有關(guān)，未考慮指標(biāo)間的相關(guān)性，也未考慮各變量方差的不同Squared Euclidean distance：平方歐氏距離用途：聚類分析中用得最廣泛的距離Cosine：夾角余弦(相似性測(cè)度)用途：計(jì)算兩個(gè)向量在原點(diǎn)處的夾角余弦。當(dāng)兩夾角為0o時(shí)，取值為1，說(shuō)明極相似；當(dāng)夾角為90o時(shí)，取值為0，說(shuō)明兩者不相關(guān)。取值范圍：01Pearson correlation：皮爾遜相關(guān)系數(shù)用途：計(jì)算兩個(gè)向量的皮爾遜相關(guān)系數(shù)Chebychev：切比雪夫距離用途：計(jì)算兩個(gè)向量的切比雪夫距離Block：絕對(duì)值距離（一階Minkowski度量）（又稱Manhattan度量或網(wǎng)格度量）用途：計(jì)算兩個(gè)向量的絕

34、對(duì)值距離Minkowski：明科夫斯基距離用途：計(jì)算兩個(gè)向量的明科夫斯基距離Customized：自定義距離用途：計(jì)算兩個(gè)向量的自定義距離SPSS中如何選擇系統(tǒng)聚類方法從Cluster Method框中點(diǎn)擊向下箭頭，將出現(xiàn)如左可選項(xiàng)，從中選一即可。Between-groups linkage 組間平均距離連接法特點(diǎn)：非最大距離，也非最小距離方法簡(jiǎn)述：合并兩類的結(jié)果使所有的兩兩項(xiàng)對(duì)之間的平均距離最小。（項(xiàng)對(duì)的兩成員分屬不同類）Within-groups linkage 組內(nèi)平均連接法方法簡(jiǎn)述：兩類合并為一類后，合并后的類中所有項(xiàng)之間的平均距離最小常用系統(tǒng)聚類方法介紹Nearest neighbo

35、r 最近鄰法（最短距離法）特點(diǎn)：樣品有鏈接聚合的趨勢(shì)，這是其缺點(diǎn)，不適合一般數(shù)據(jù)的分類處理，除去特殊數(shù)據(jù)外，不提倡用這種方法。方法簡(jiǎn)述：首先合并最近或最相似的兩項(xiàng)Furthest neighbor 最遠(yuǎn)鄰法（最長(zhǎng)距離法）方法簡(jiǎn)述：用兩類之間最遠(yuǎn)點(diǎn)的距離代表兩類之間的距離，也稱之為完全連接法Centroid clustering 重心聚類法特點(diǎn)：該距離隨聚類地進(jìn)行不斷縮小。該法的譜系樹狀圖很難跟蹤，且符號(hào)改變頻繁，計(jì)算較煩。方法簡(jiǎn)述：兩類間的距離定義為兩類重心之間的距離，對(duì)樣品分類而言，每一類中心就是屬于該類樣品的均值Median clustering 中位數(shù)法特點(diǎn)：圖形將出現(xiàn)遞轉(zhuǎn)，譜系樹狀圖很

36、難跟蹤，因而這個(gè)方法幾乎不被人們采用。方法簡(jiǎn)述：兩類間的距離既不采用兩類間的最近距離，也不采用最遠(yuǎn)距離，而采用介于兩者間的距離Wards method 離差平方和法特點(diǎn)：實(shí)際應(yīng)用中分類效果較好，應(yīng)用較廣；要求樣品間的距離必須是歐氏距離。方法簡(jiǎn)述：基于方差分析思想，如果分類合理，則同類樣品間離差平方和應(yīng)當(dāng)較小，類與類間離差平方和應(yīng)當(dāng)較大生成樹形圖生成冰柱圖凝聚狀態(tài)表，顯示聚類過(guò)程各項(xiàng)間的距離矩陣類成員欄“Hierarchical Cluster Analysis：Plots”“Hierarchical Cluster Analysis：Statistics”對(duì)話框（一） 由于本例中選中的選項(xiàng)較多

37、，這里按照各個(gè)結(jié)果分別解釋。 （1）首先是層次聚類分析的概要結(jié)果，該結(jié)果是SPSS輸出結(jié)果文件中的第一個(gè)表格，如下表所示。結(jié)果和討論（2）輸出的結(jié)果文件中第二個(gè)表格如下表所示。歐氏距離（3）輸出的結(jié)果文件中第三個(gè)表格為層次聚類分析的凝聚狀態(tài)表，包括：（4）輸出的結(jié)果文件中第四個(gè)表格如下表所示。（5）輸出的結(jié)果文件中第五個(gè)表格如下表所示。反映樣品聚類的情況圖 （6）輸出的結(jié)果文件中第六部分如圖所示。樹形圖（7）由于對(duì)“Hierarchical Cluster Analysis: Save New Var”對(duì)話框進(jìn)行了設(shè)置，將聚類成三類時(shí)，各個(gè)樣本的類歸屬情況保存為一個(gè)變量，因此在SPSS數(shù)據(jù)編輯

38、窗口中就新增了一個(gè)變量的值，如圖所示。 前面講述了不同種聚類分析的方法，不論是哪種方法，聚類分析都是直接比較各事物之間的性質(zhì)，將性質(zhì)相近的歸為一類，將性質(zhì)差別較大的歸入不同的類。六、判 別 分 析判別分析，也是一種比較常用的分類分析方法。 定義：判別分析先根據(jù)已知類別的事物的性質(zhì)（自變量），建立函數(shù)式（自變量的線性組合，即判別函數(shù)），然后對(duì)未知類別的新事物進(jìn)行判斷以將之歸入已知的類別中。統(tǒng)計(jì)學(xué)上的定義和計(jì)算公式 研究問(wèn)題 調(diào)查了15個(gè)公司的組織文化、領(lǐng)導(dǎo)角色和員工發(fā)展3個(gè)方面內(nèi)容作為預(yù)測(cè)變量，因變量為公司對(duì)員工的吸引力。為符合研究問(wèn)題，將公司對(duì)員工的吸引力根據(jù)被測(cè)的實(shí)際填答情形，劃分為高吸引力

39、組（group=1）、中吸引力組（group=2）和低吸引力組（group=3）。表 不同類的不同公司特點(diǎn)公 司組 織 文 化領(lǐng) 導(dǎo) 角 色員 工 發(fā) 展GroupMicrosoft80.0075.0090.001IBM85.0090.0090.001Dell85.0085.0060.001Apple90.0075.0090.001聯(lián)想99.0078.0080.001NPP88.0089.0090.002北京電子79.0095.0097.003清華紫光89.0081.0082.001北大方正75.0095.0096.001TCLE60.0085.0088.003世紀(jì)成79.0050.0051.

40、002Angel75.0088.0089.001Hussar160.0089.0090.003世紀(jì)飛揚(yáng)100.0085.0084.003Vinda61.0089.0060.003數(shù)據(jù)如表所示。判別分析有如下的假定： 預(yù)測(cè)變量服從正態(tài)分布。 預(yù)測(cè)變量之間沒(méi)有顯著的相關(guān)。 預(yù)測(cè)變量的平均值和方差不相關(guān)。 預(yù)測(cè)變量應(yīng)是連續(xù)變量，因變量（類別或組別）是間斷變量。 兩個(gè)預(yù)測(cè)變量之間的相關(guān)性在不同類中是一樣的。在分析的各個(gè)階段應(yīng)把握如下的原則： 事前組別（類）的分類標(biāo)準(zhǔn)（作為判別分析的因變量）要盡可能準(zhǔn)確和可靠，否則會(huì)影響判別函數(shù)的準(zhǔn)確性，從而影響判別分析的效果。 所分析的自變量應(yīng)是因變量的重要影響因素，

41、應(yīng)該挑選既有重要特性又有區(qū)別能力的變量，達(dá)到以最少變量而有高辨別能力的目標(biāo)。 初始分析的數(shù)目不能太少。這些判別函數(shù)是各個(gè)獨(dú)立預(yù)測(cè)變量的線性組合。程序自動(dòng)選擇第一個(gè)判別函數(shù)，以盡可能多地區(qū)別各個(gè)類，然后再選擇和第一個(gè)判別函數(shù)獨(dú)立的第二個(gè)判別函數(shù)，盡可能多地提供判別能力。程序?qū)凑者@種方式，提供剩下的判別函數(shù)。判別函數(shù)的個(gè)數(shù)為k。 判別分析的示意圖 研究問(wèn)題 調(diào)查了15個(gè)公司的組織文化、領(lǐng)導(dǎo)角色和員工發(fā)展3個(gè)方面內(nèi)容作為預(yù)測(cè)變量，因變量為公司對(duì)員工的吸引力。為符合研究問(wèn)題，將公司對(duì)員工的吸引力根據(jù)被測(cè)的實(shí)際填答情形，劃分為高吸引力組（group=1）、中吸引力組（group=2）和低吸引力組（gr

42、oup=3）。SPSS中實(shí)現(xiàn)過(guò)程表 不同類的不同公司特點(diǎn)公 司組 織 文 化領(lǐng) 導(dǎo) 角 色員 工 發(fā) 展GroupMicrosoft80.0075.0090.001IBM85.0090.0090.001Dell85.0085.0060.001Apple90.0075.0090.001聯(lián)想99.0078.0080.001NPP88.0089.0090.002北京電子79.0095.0097.003清華紫光89.0081.0082.001北大方正75.0095.0096.001TCLE60.0085.0088.003世紀(jì)成79.0050.0051.002Angel75.0088.0089.001H

43、ussar160.0089.0090.003世紀(jì)飛揚(yáng)100.0085.0084.003Vinda61.0089.0060.003數(shù)據(jù)如表所示。 實(shí)現(xiàn)步驟圖 在菜單中選擇“Discriminant”命令指定判別分析的自變量在Minimum：后面的矩形框中輸入該分類變量的最小值；在Maximurn：后面的矩形框中輸入該分類變量的最大值。 選擇分類變量及其范圍 選擇判別分析方法 在主對(duì)話框中，自變量列表框下側(cè)顯示兩個(gè)單選框，用于指定選擇判別分析的方法。選擇判別分析方法 Enter independents together 默認(rèn)選項(xiàng)。 當(dāng)認(rèn)為所有自變量都能對(duì)觀測(cè)特性提供豐富的信息時(shí)，使用該選項(xiàng)，選擇

44、該項(xiàng)將不加選擇地使用所有自變量進(jìn)行判別分析，建立全模型，且不需要進(jìn)一步選擇。 Use stepwise method 逐步分析方法。 當(dāng)認(rèn)為不是所有自變量都能對(duì)觀測(cè)量特性提供豐的信息時(shí)，選擇該項(xiàng)，因此需要判別貢獻(xiàn)的大小再進(jìn)行選擇。選中該單選按鈕時(shí)，“Method”按鈕被激活，可以進(jìn)一步選擇判別分析方法?！癕ethod”按鈕選擇判別分析方法在Method組的矩形框中進(jìn)行?？晒┻x擇的判別分析方法有：Wilkslambda 使Wilk的統(tǒng)計(jì)量最小化法。Unexplained variance。使各類不可解釋的方差和最小化法。Mahalanobisdistance。使最近兩類間的 Mahalanobi

45、s距離最大化法。Smallest F ratio。使任何兩類間的最小的F值最大化法。Raos V。使 RaoV統(tǒng)計(jì)量最大化?？梢詫?duì)一個(gè)要加入到模型中的變量的V值指定一個(gè)最小增量。選擇此種方法后，應(yīng)該在該項(xiàng)下面的V-to-enter后的矩形框中輸這個(gè)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(jìn)行?？晒┻x擇的判據(jù)有：Use F value：使用F值，是系統(tǒng)默認(rèn)的判據(jù)，默認(rèn)值是：Entry：3.84；removal：2.71。即當(dāng)被加入的變量F值=3.84時(shí)才把該變量加入到模型中，否則變量不能進(jìn)入模型；或者，當(dāng)要從模型中移出的變量F值=2.71時(shí)，該變量才被移出模型，否則模型

46、中的變量不會(huì)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(rèn)值是0.05（5）；移出變量的q值概率是0.10（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(duì)于逐步選擇變量的過(guò)程和最后結(jié)果的顯示可以通過(guò)Method對(duì)話框最下面的“Display”矩形框中的兩項(xiàng)進(jìn)行選擇： Summary of step要求在逐步選擇變量過(guò)程中的每一步之后顯示每個(gè)變量的統(tǒng)計(jì)量。 F for pairwise distances要求顯示兩兩類之間的兩兩F值

47、矩陣。Statistics選項(xiàng) 在主對(duì)話框中單擊“statistics”按鈕，打開(kāi)“Discriminant Anlysis：statistics”（判別分析：統(tǒng)計(jì)量）對(duì)話框，如圖所示。“Discriminant Anlysis：statistics” 對(duì)話框在“descriptive”（描述性）選項(xiàng)組中選擇對(duì)原始數(shù)據(jù)的描述統(tǒng)計(jì)量的輸出。Means 均值。選擇該項(xiàng)，可以輸出各類中各自變量的均值、標(biāo)準(zhǔn)差以及各自變量總樣本的均值和標(biāo)準(zhǔn)差。Univariate ANOVAs 單變量方差分析。選擇該項(xiàng)，表示對(duì)每一類同一自變量均值都相等的假設(shè)進(jìn)行檢驗(yàn)，輸出單變量的方差分析結(jié)果。Boxs M 選擇該項(xiàng)，表

48、示對(duì)各類的協(xié)方差矩陣相等的假設(shè)進(jìn)行檢驗(yàn)。 “Function Coefficients”（判別分析的系數(shù)）選項(xiàng)組中給出選擇判別函數(shù)系數(shù)的輸出形式的選項(xiàng)，有兩個(gè)復(fù)選項(xiàng)：Fishers 選擇該項(xiàng)，表示可以用于對(duì)新樣本進(jìn)行判別分類的fisher系數(shù)，對(duì)每一類給出一組系數(shù)，并給出該組中判別分?jǐn)?shù)最大的觀測(cè)量。Unstandardized 選擇該項(xiàng)，表示未經(jīng)標(biāo)準(zhǔn)化處理的判別系數(shù)。在“matrices”（矩陣）選項(xiàng)組中選擇自變量的系數(shù)矩陣，有4個(gè)復(fù)選項(xiàng)：Within-group correlation類內(nèi)相關(guān)矩陣。它計(jì)算相關(guān)矩陣之前將各組協(xié)方差矩陣平均后，計(jì)算類內(nèi)相關(guān)矩陣。Within-group cova

49、riance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(jì)算的，區(qū)別與總協(xié)方差矩陣。Separate-groups covariance 協(xié)方差矩陣。Total covariance 總樣本的協(xié)方差矩陣。Classification 選項(xiàng) 在主對(duì)話框中單擊“classify”按鈕，顯示“Discriminant Analysis：Classification”（判別分析：分類）子對(duì)話框，如圖所示?！癉iscriminant Analysis：Classification” 對(duì)話框在“prior probabilities”選項(xiàng)組中選擇先驗(yàn)概率，有兩個(gè)單選項(xiàng)供選擇：All groups e

50、qual 表示各類先驗(yàn)概率相等。Compute from groups sizes 表示由各類的樣本量計(jì)算決定，即各類的先驗(yàn)概率與其樣本量成正比。在“use covariance matrix”（利用協(xié)方差矩陣）選項(xiàng)組中選擇分類使用的協(xié)方差矩陣，有兩個(gè)單選項(xiàng)：Within-groups選擇該項(xiàng)，表示指定使用合并組內(nèi)協(xié)方差矩陣進(jìn)行分類。Separate-groups選擇該項(xiàng)，表示指定使用各組協(xié)方差矩陣進(jìn)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(xiàng)不是總等價(jià)于二次判別。在“plots”選項(xiàng)組中選擇要求輸入的統(tǒng)計(jì)圖形，給出3個(gè)復(fù)選項(xiàng)：Combined-groups選擇該項(xiàng)，生成一張

51、包括各類的散點(diǎn)圖，該散點(diǎn)圖是根據(jù)前兩個(gè)判別函數(shù)值做的散點(diǎn)圖；如果只有一個(gè)判別函數(shù)，就輸出直方圖。Separate-groups選擇該項(xiàng)，根據(jù)前兩個(gè)判別函數(shù)值對(duì)每一類生成一張散點(diǎn)圖，共分為幾類就生成幾張散點(diǎn)圖；如果只有一個(gè)判別函數(shù)就生成一張直方圖。Territorial map選擇該項(xiàng)，生成用于根據(jù)函數(shù)值把觀測(cè)量分到各組中去的邊界圖，此種統(tǒng)計(jì)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(gè)區(qū)，各類的均值在各區(qū)中用*號(hào)標(biāo)出；如果僅有一個(gè)判別函數(shù)則不作此圖。在“display”選項(xiàng)組中選擇生成到輸出窗中的分類結(jié)果，其中包括3個(gè)復(fù)選框：Casewise results 要求輸出每個(gè)管測(cè)量，包括判

52、別分?jǐn)?shù)實(shí)際類預(yù)測(cè)類（根據(jù)判別函數(shù)求得的分類結(jié)果）和后驗(yàn)概率等，選擇此項(xiàng)還可以選擇其附屬選擇項(xiàng)，選擇“Limit cases to”（個(gè)案限制）選項(xiàng)，并在后面的文本框中輸入觀測(cè)量數(shù)n，選擇此項(xiàng)則僅對(duì)前n個(gè)觀測(cè)量輸出分類結(jié)果，觀測(cè)數(shù)量大時(shí)可以選擇此項(xiàng)。 Summary table 要求輸出分類的綜述表，給出正確分類觀測(cè)數(shù)（原始類和根據(jù)判別函數(shù)計(jì)算的預(yù)測(cè)類相同）和錯(cuò)分觀測(cè)量數(shù)即錯(cuò)分率。 Leave-one-out classification 輸出對(duì)每個(gè)觀測(cè)量進(jìn)行分類的結(jié)果，所依據(jù)的判別時(shí)由除該觀測(cè)量以外的其他觀測(cè)量導(dǎo)出的，也稱為交互校驗(yàn)結(jié)果。該對(duì)話框給出選擇缺失值的處理方法，即“Replace m

53、issing values with mean”，表示用該變量的均值代替缺失值。Save選項(xiàng)在主對(duì)話框單擊“save”按鈕，打開(kāi)“Discriminant Analysis：Save”（判別分析：保存）對(duì)話框，如圖所示。 該對(duì)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(xiàng)： Predicted groups membership 選擇該項(xiàng)，要求建立一個(gè)新變量預(yù)測(cè)觀測(cè)量的分類，是根據(jù)判別分?jǐn)?shù)把觀測(cè)量按后驗(yàn)概率最大指派所屬的類，每運(yùn)行一次“Discriminant”過(guò)程就建立一個(gè)，表民使用判別函數(shù)預(yù)測(cè)各觀測(cè)量屬于哪一類的新變量。第一次運(yùn)行建立新變量的變量名為dis_1，如果在工作數(shù)據(jù)

54、文件中不把前一次建立的新變量刪除，第n次運(yùn)行建立的新變量名為dis_n。 Discriminant scores 選擇該項(xiàng)，要求建立表明判別分?jǐn)?shù)的新變量，該分?jǐn)?shù)是由未標(biāo)準(zhǔn)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(lái)的。每次運(yùn)行“Discriminant”過(guò)程就給出一組表明判別分?jǐn)?shù)的新變量，建立幾個(gè)判別函數(shù)就有幾個(gè)判別分?jǐn)?shù)變量參與分析的觀測(cè)量，共分為m類，則建立m個(gè)點(diǎn)則判別函數(shù)指定該選擇項(xiàng)就可以生成m-1個(gè)表明判別分?jǐn)?shù)的新變量。 Probabilities of groups membership 選擇該項(xiàng)，要求建立新變量表明觀測(cè)量屬于某一類的概率。如果有m類，對(duì)一個(gè)觀測(cè)量就會(huì)給出m個(gè)

55、概率值，因此建立m個(gè)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(gè)案綜合統(tǒng)計(jì)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(jì)量。表中給出分組變量和合計(jì)的均數(shù)（means）、標(biāo)準(zhǔn)差（standard deviation）和有效個(gè)案的例數(shù)。其中值得關(guān)注的是均值一欄，它是后面計(jì)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(yàn) 這張表是預(yù)測(cè)變量在各組間均值是否相等的假設(shè)檢驗(yàn)。包含Wilks lambda，F(xiàn) 統(tǒng)計(jì)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

56、表示沒(méi)有組間差異。 F 統(tǒng)計(jì)量是組間均方與組內(nèi)均方的比。有兩個(gè)自由度，分子為df1分母為df2。分子和分母自由度用來(lái)得到觀測(cè)顯著性水平。如果顯著性水平值很?。ū热缯f(shuō)小于0.10）表示組間差異顯著。如果顯著性水平較大（比如說(shuō)大于0.10）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(gè)協(xié)方差陣和一個(gè)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(lái)的。（5）輸出的結(jié)果文件中第五個(gè)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

57、同。方差顯示在主對(duì)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(yàn)協(xié)方差相等的假設(shè)。 （6）輸出的結(jié)果文件中第六個(gè)部分如下兩個(gè)表格所示。Boxs協(xié)方差矩陣相等檢驗(yàn)（7）輸出的結(jié)果文件中第七個(gè)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(jì)百分比和典型判別函數(shù)。 （8）輸出的結(jié)果文件中第八個(gè)部分如下表所示。典型判別分析的Wilks檢驗(yàn)結(jié)果。檢驗(yàn)判別函數(shù)的顯著性水平 第一欄test of functions 表示每步中判別

58、函數(shù)被移去后的函數(shù)值。 1 through 2表示沒(méi)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(gè)判別函數(shù)的聯(lián)合效果顯著，通常會(huì)視為最大的判別函數(shù)顯著。 2表示前一個(gè)判別函數(shù)被移去后的顯著性檢驗(yàn)。如果顯著，表示第二個(gè)判別函數(shù)也顯著。（9）輸出的結(jié)果文件中第九個(gè)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(biāo)準(zhǔn)化系數(shù)，確定各變量對(duì)結(jié)果的作用大小，標(biāo)準(zhǔn)化判別函數(shù)系數(shù)可以看出預(yù)測(cè)變量在組成判別函數(shù)時(shí)的相對(duì)貢獻(xiàn)，如本例，第一判別函數(shù)的“領(lǐng)導(dǎo)角色”項(xiàng)比較重要，第二判別函數(shù)在“組織文化”項(xiàng)上比較重要。標(biāo)準(zhǔn)判別函數(shù)系數(shù)的計(jì)算是由非標(biāo)準(zhǔn)化判別函數(shù)系數(shù)乘以聯(lián)合組內(nèi)協(xié)方差矩陣

59、主對(duì)角的平方根得來(lái)。（10）輸出的結(jié)果文件中第十個(gè)部分如下表所示。結(jié)構(gòu)矩陣 結(jié)構(gòu)系數(shù)即預(yù)測(cè)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(gè)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（-0.202，-1.228，0. 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(duì)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(gè)部分包括3個(gè)分類統(tǒng)計(jì)信息表格 分類函數(shù)處理匯總。已處理15個(gè)觀測(cè)量，沒(méi)有缺失值。 各組先驗(yàn)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(gè)

60、部分為每一個(gè)個(gè)案的實(shí)際分組摘要表。如下表所示。如果此處和第三大欄的預(yù)測(cè)組別不同，會(huì)加上兩個(gè)星號(hào)，表示重新分類錯(cuò)誤的觀測(cè)值。 案例編號(hào)實(shí)際組別預(yù)測(cè)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(gè)部分如所示。根據(jù)判別得分做出的散點(diǎn)圖（15）輸出的結(jié)果文件中第十五個(gè)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(shí)際組別，第一行為預(yù)測(cè)組別。 （16）在實(shí)現(xiàn)過(guò)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(yùn)行后，數(shù)據(jù)編輯窗口如圖所示。小 結(jié)聚類分析的實(shí)質(zhì)是建立一種分類方法，將一批樣本數(shù)據(jù)按照他們?cè)谛再|(zhì)上的密