多元统计分析实例Word文档下载推荐.docx

1、25114687.7561721169600.0751518188500.81416204825.463268125.10323387465.457425667.984459235.019499195.430559258.810708176.881854998.3861042394.6081222229.5971396048.2801915098.0143086204.5526791755.637 Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num +-+-+-+-+-+ 内蒙 5 -+ 吉林 7 -+ 云南

2、25 -+-+ 江西 14 -+ +-+ 陕西 27 -+-+ | 新疆 31 -+ +-+ 安徽 12 -+-+ | | 广西 20 -+ +-+ +-+ 辽宁 6 -+ | | 浙江 11 -+-+ | 福建 13 -+ | 重庆 22 -+ +-+ 贵州 24 -+ | | 山西 4 -+-+ | | 甘肃 28 -+ | | | 北京 1 -+ | | | 青海 29 -+ +-+ | 天津 2 -+ | | 上海 9 -+ | | 宁夏 30 -+-+ | 西藏 26 -+ | 海南 21 -+ | 河北 3 -+-+ | 四川 23 -+ | | 黑龙江 8 -+-+ +-+ |

3、湖南 18 -+ +-+ | | | 湖北 17 -+-+ +-+ +-+ 广东 19 -+ | | 江苏 10 -+ | 山东 15 -+-+ 河南 16 -+群集成员案例4 群集1:北京 2:天津 3:河北 4:山西 5:内蒙 6:辽宁 7:吉林 8:黑龙江 9:上海 10:江苏 11:浙江 12:安徽 13:福建 14:江西 15:山东 16:河南 17:湖北 18:湖南 19:广东 20:广西 21:海南 22:重庆 23:四川 24:贵州 25:云南 26:西藏 27:陕西 28:甘肃 29:青海 30:宁夏 31:新疆 从SPSS分析结果可以得到,内蒙,吉林,黑龙江,新疆为第2族群

4、,这一族群的特点是农业收入可能不高,但是农民的固定资产,和耕地面积非常高,农民的富余程度或者机械化程度较高;山东是第3族群,这一族群中六个指标都处于较高水平,农林牧渔四项收入都处于较高水平而且农民富余;西藏处于第4族群,这是因为,西藏人员较少,自然条件恶劣,可使用耕地少,但是,由于国家的扶持,农民的固定资产较多,农民相对而言比较富足;大多数省份属于第1族群,这一族群的特点在于六项指标都没有较为突出的一项,或者农林牧渔收入的本来就少,或者是农民的虽然比较辛苦,总体的农业收入较高,但是农民的收入水平比较低,固定资产较少.三.判别法分别代表农业产值,林业产值.牧业总产值,渔业总产值,农村居民家庭拥有

5、生产性固定资产原值,农村居民家庭经营耕地面积.分析案例处理摘要未加权案例N百分比有效100.0排除的缺失或越界组代码.0至少一个缺失判别变量缺失或越界组代码还有至少一个缺失判别变量合计实验结果分析:组统计量Average Linkage （Between Groups） 有效的 N（列表状态）均值标准差未加权的已加权的农业总产值1463.89001062.0348625.000林业总产值118.576887.02052牧业总产值830.3664671.10440渔业总产值291.4128346.71902农村居民家庭拥有生产性固定资产原值14432.34005287.92950农村居民家庭经营

6、耕地面积1.5496.884841582.2975543.928514.00093.350037.711311021.3175372.8825538.350027.4906730226.41754233.778399.49753.306263960.6200.a1.000107.01002285.92001267.070019168.14001.640053.39002.560059.0200.220052935.07001.8900从表上可以看出,组均值之间差值很大.各个分组,在6项指标上均值有较明显的差异.组均值的均等性的检验Wilks 的 LambdaFdf1df2Sig.7732.64

7、0.070.928.699.561.8012.238.107.6914.019.017.25326.538.000.19038.263由表中可以知道,13456指标之间的sig值较小,2指标sig值有0.561较大,不过仍说明接受原假设,各指标族群间差异较大.汇聚的组内矩阵相关性.449.895.400.489.481.294-.093-.262-.052-.040.056-.033.181-.104.326从表中可以知道,检验结果 p值0.05,此时,说明协方差矩阵相等，可以进行bayes检验.Fisher 分析法协方差矩阵的均等性的箱式检验对数行列式秩61.125.b.c汇聚的组内62.3

8、51打印的行列式的秩和自然对数是组协方差矩阵的秩和自然对数。典型判别式函数摘要特征值函数方差的 %累积 %正则相关性4.874a64.2.9112.084a27.491.6.822.638a8.4.624由表中看出，函数1,2的特征值达到0.911,0.822 比较大，对判别的贡献大.标准化的典型判别式函数系数.500-.196.234.164-.742-.639.143.649-.185-.130.869.3701.022.071.865-.676.051典型判别式函数系数.003.002-.009.001.626-.489.037（常量）-2.928-2.269-.975非标准化系数由表中

9、可知，3个Fisher判别函数分别为:农村居民家庭拥有生产性固定资产原值 对判别 数据所属群体无用.结构矩阵.909*-.319.126.585.775*.213-.068-.162*-.027-.164-.059.695*-.026-.179.591*.007-.166.547*判别变量和标准化典型判别式函数之间的汇聚组间相关性 按函数内相关性的绝对大小排序的变量。*. 每个变量和任意判别式函数间最大的绝对相关性该表是原始变量与典型变量（标准化的典型判别函数）的相关系数，相关系数的绝对值越大，说明原始变量与这个判别函数的相关性越强.从表中可以看出相关性较强.符合较好.组质心处的函数-.859

10、-.159-.1705.184-.860.085-1.262.1624.0582.0137.257-.144在组均值处评估的非标准化典型判别式函数由上表可知各类别重心的位置，通过计算观测值与各重心的距离，距离最小的即为该观测值的分类.贝叶斯分析法分类函数系数.006.029.042-.010-.003-.004-.002.010-.006.1534.286-.100-1.675-8.418-38.180-20.732-61.646该表为贝叶斯函数判别函数的取值,从图中可以知道三类贝叶斯函数.第一类:第二类;第三类;第四类:将各样品的自变量值代入上述4个Bayes判别函数，得到函数值。比较函数值

11、，哪个函数值比较大就可以判断该样品判入哪一类.判别结果检验按照案例顺序的统计量案例数目最高组P（Dd | G=g）实际组预测组pdf初始.684.945.724.390.961.117.533.013.1723*.219.975.980.900.313.468.868.742.949.672.910.268.929.568.526.182.030*. 错误分类的案例分类结果a预测组成员计数%96.04.0从上图可以看出本次判别分析的结果比较贴近,只有第10统计量在分布上出现不同.从总体而言,判别效果较好.3.主成分分析通过SPSS主成分统计分析,得到如下数据.公因子方差提取.874.528.8

12、82.543.706.781提取方法：主成份分析。解释的总方差成份初始特征值提取平方和载入2.72845.4631.58526.42271.886.67611.26483.150.60910.14993.299.3315.51598.8141.186100.000旋转平方和载入2.62443.7401.68928.146从以上表可以知道,成分,的特征值都1,并且解释了71.886%的方差,达到了主成分分析的要求.所以只要提取两个因子即可满足要求.其他因子不予以提取.得到以下数据.成份矩阵a.875.330.720-.097.836.428-.138-.428.723-.194.862提取方法

13、:主成分分析法。a. 已提取了 2 个成份。得到主成分解释:第一类因子 F1中X1 X2 X3 X4 载荷系数较大.主要解释了各省区自然条件的状况和农林牧渔收入.可抽象为农业的环境因子.第二类因子 F2中X5 X6载荷比较大.主要解释了各个省区农民的经济和耕地状况.可抽象于农业的农民因子.4.因子分析:通过主城分析得到旋转之前的因子与载荷.与因子公式.下图为旋转矩阵以及旋转之后的因子.成份转换矩阵.954-.301.301 旋转法 :具有 Kaiser 标准化的正交旋转法。旋转成份矩阵a.934.052.657-.309.926.156-.349-.191.818.074.880a. 旋转在 3 次迭代后收敛。得到的旋转之后的因子.旋转之后的矩阵有了明显的变化,因子的特征载荷增大.