系统工程实验报告基于SPSS的聚类分析实验.docx

1、系统工程实验报告基于SPSS的聚类分析实验西南交通大学交通运输与物流学院实验报告系统工程学年第二学期实验名称： 基于SPSS的聚类分析实验 学号姓名： 20121986 罗静 指导教师： 蒋赛 实验时间： 2014年4月25号 实验一 基于SPSS的聚类分析实验一、实验背景数据表示我国商业主要银行的10个综合竞争力指标，人均净利润、净利润率、资产回报率、核心资本充足率、人均费用额、资产负债率、股东权益乘数、不良贷款比率、存款市场份额和贷款市场份额。本实验是基于SPSS利用系统聚类法对这些商业银行的综合竞争力进行评价分析。二、实验步骤1.建立SAV格式的数据2.点击【分析】【分类】【系统聚类】，

2、开始进行系统聚类分析。3.将要分析的变量x1到x10移入变量的列表框中,将Y移入标注个案，用于标注每一个个案。分群中点选个案，表示对样品进行聚类。4.点击【统计量】，点选“单一方案”，结合实际分析，将银行分为3类较合适，所以在聚类数的方框中填写3，表示此次聚类把样品分为3类。点击“继续”返回系统聚类分析对话框。5.点击【绘制】，点选“树状图”，以形象地显示聚类的整个过程，点击“继续”返回系统聚类分析对话框。6.点击【方法】，在转换值框中，下拉对话框，选择Z得分，表示数据标准化到Z分数，其余项保持系统默认状态，点击“继续”返回系统聚类分析对话框。7.各选项设置完成后，点击确定进行系统聚类。三、实

3、验结果分析1. 聚类分析过程表在表3-1中，根据聚类系数的变化可以得到，第6步的聚类系数是8.1，第5步是6.764，它们相差1.336个单位，第7步和第6步相差3.32个单位，可见，从理论上来说，聚类过程结束于第7步是合理的，此时所有的数据被分为2类，可是当结合实际时，分类数太少，没有办法更好的反映银行之间的差异性，因此我们决定聚类数为3。表3-12.树状图树状图3-1表示了整个聚类过程图3-13.聚类分析结果显示表表3-2表示了此次聚类分析的结果，可以看到聚类分析最终分为以下几类：第类：工商银行，建设银行，中国银行。第类：交通银行，光大银行，深发银行，浦发银行。第类：中信银行，民生银行，招

4、商银行。表3-2四、实验心得通过本次实验，我学会了使用SPSS对样本进行系统聚类分析，在实验的过程中收获颇多，但仍然存在很多问题，对于实验结果的树状图冰柱图的读解还存在一定的问题，对实验结果中系数的实际含义理解上也存在一些问题。在本次实验数据中，指标有10个，变量数目过多，我认为在做聚类分析之前也可以结合主成分分析，先对变量做一个降维过程，在对样本做聚类分析，这样的结果会更加优越，然而由于主成分分析对数据要求较高，我在用此次数据做主成分分析时，发现结果并不是很理想，提取的两个公因子对变量的贡献率只有81.596%，在贷款市场份额，存款市场份额，不良贷款比率，核心资本充足率指标上的解释，两个因子

5、显得含糊不清，它们的载荷系数区别并不明显，因此，我认为该结合实际情况适当将因子分析和聚类分析相结合。聚类分析在物流领域中应用广泛，例如物流园区空间类型定位中的应用，区域物流中心综合评价，多级物流配送中心选址中的应用等等。五、参考资料1 汪应洛，系统工程（第4版），机械工业主板社，北京，20082 西南交通大学交通运输与物流学院，系统工程，案例及实验指导，20113 王璐，王沁，统计软件SPSS完全学习手册与实战精粹，化学工业出版社，北京，2013西南交通大学交通运输与物流学院实验报告系统工程学年第二学期实验名称： 基于SPSS的主成分分析实验 学号姓名： 20121986 罗静 指导教师： 蒋

6、赛 实验时间： 2014年4月25号 实验二 基于SPSS主成分分析实验一、实验背景数据表示某市居民2000年到2007年的消费结构，具体表示为食品，衣着，家庭设备用品及服务、医疗保健、交通和通信、文化娱乐服务、居住及杂项商品与服务。据此定量得研究该市居民的消费结构。二、实验步骤1.建立实验数据，输入实验数据2.对数据进行主成分分析，具体步骤为：【分析】【降维】【因子分析】3.将要分析的变量移入变量的对话框中4.点击【描述】进行设置，勾选“单变量描述性”以为主成分分析提供一个直观的分析结果，其余项保持系统默认状态，点击“继续”返回因子分析对话框。5.点击【抽取】进行设置，方法选择“主成分”，其

7、余项保持系统默认状态，点击“继续”返回因子分析对话框。6.点击【旋转】进行设置，使得因子变量更具有解释性，方法选择“最大方差法”，使每个因子具有最高载荷的变量数最小，以简化对因子的解释，点击“继续”返回因子分析对话框。7.点击【得分】进行设置，勾选“保存为变量”，将因子得分作为新变量保存在数据文件中，此时激活方法选项，再勾选“回归”，此方法使得因子得分的均值为“0”，勾选“显示因子得分系数矩阵”，点击“继续”返回因子分析对话框。8.点击【选项】进行设置，系数显示格式中勾选“按大小排序”，将载荷系数按大小排列构成矩阵，使在同一因子上具有较高载荷的变量排列在一起，以便于得出结论，其余项保持系统默认

8、状态，点击“继续”返回因子分析对话框。9.各选项设置完成后，单击“确认”进行主成分分析。三、实验结果分析1.描述性统计表表3-1显示了食品、衣着等八个消费指标的描述性统计量，从中可以看出，食品消费所占的比重最大，其均值为39.475%。其次是文化娱乐服务和居住，医疗保健和杂项占的比重则比较小。表3-12.因子分析共同度表3-2给出了8个变量的共同度数据，它给出了因子分析初始解下的变量共同度，表明原有变量的所有方差都可被解释，变量的共同度均为1。表3-23.因子分析的总方差解释从表3-3中第4列中可看出，前三个因子的累积贡献率已达到94.196%，并且在表格的第2列中显示只有它们的取值大于1，说

9、明前三个因子基本包含了变量的主要信息，因此选择前三个因子为主因子即可，同时从提取后和旋转后的因子方差解释情况看来，它们也支持选择前三个因子。表3-34.旋转前的因子载荷矩阵表3-4显示了旋转前的因子载荷矩阵，从表中可看出这三个因子对第四个变量家庭设备用品及服务解释能力较差，同样，对于食品这个变量，在三个因子的载荷系数区别也不大，说明此时需要采用因子旋转使得因子对变量的解释效果更好。表3-45.旋转后的因子载荷矩阵表3-5为旋转后的因子载荷矩阵，从表中可看出，各指标在各因子的载荷系数有了较大的区别，此时的结果较旋转前对变量有了更好的解释性。从表中可看出，第一个因子主要反映了交通和通信、医疗保健、

10、文化娱乐服务、家庭设备用品及服务和食品这5个指标，因此我们可以将第一个公因子命名为第一基本生活消费因子，即享受型消费因子，同时在2000年到2007年之间，交通和通信、医疗保健和文化娱乐服务的载荷系数为正，即0.946,0.938,0.931，表明这几年这些指标在居民消费结构中时递增的，而载荷系数为负即-0.895，-0.793的家庭设备用品及服务和食品指标在居民消费结构中程递减趋势。由表中数据得到，第二个公因子主要反映了居住和衣着指标，载荷系数为-0.974,0.889，因此将第二个公因子命名为第二基本生活消费因子，即发展性消费因子。数据显示，居民在居住方面的消费支出是递减的，而越来越专注衣

11、着水平的提高。由表中数据得，第三个公因子主要反映杂项商品与服务指标，其载荷系数为0.968，因此将第三个公因子命名为第三生活消费因子，即其他型消费因子，由其载荷系数也可看出，居民已经不再是单一得追求满足基本生活消费，在对杂项商品服务的追求是逐年提升的，此指标在居民消费结构中程递增趋势。表3-56.因子得分系数表3-7给出了采用回归法估计的因子得分系数，根据表中内容得到以下因子得分系数：表3-67.综合评价模型根据以上计算的因子得分，并以因子的方差贡献率为权，建立综合评价的模型，数学表达式如下：四、实验心得通过本次实验，我学会了使用SPSS软件进行主成分分析，主成分分析的目的就是让变量数目变得尽可能少，也就是降维，以更简洁明了得反映我们所要研究的事物的特征。这种分析方法在我们以后进行系统评价的时候提供了较大的方便。主成分分析在物流领域中，应用广泛，可以用来分析物流的发展水平，货物的周转量影响因素，对物流绩效的评价以及区域物流的规划等等。五、参考资料1 汪应洛，系统工程（第4版），机械工业主板社，北京，20082 西南交通大学交通运输与物流学院，系统工程，案例及实验指导，20113 王璐，王沁，统计软件SPSS完全学习手册与实战精粹，化学工业出版社，北京，2013X