实例44 层次聚类分析
功能与意义
又称系统聚类分析,先将每一个样本看作一类,然后逐渐合并,直至合并为一类的一种合并法,层次聚类分析的优点很明显,他可对样本进行聚类,样本可以为连续或是分类变量,还可以提供多种距离测量方法和结果表示的方法。
数据来源
分析过程
分析-分类-系统聚类
统计量
绘制
保存
结果分析
(1)聚类表
第一步,样本14和16合并成一类,距离系数为40508.871,在首次出现阶群集显示为0,因此合并两项都是第一次出现,合并结果为6,即归为第6类。
(2)群集成员表
(3)分类结果的垂直冰柱图
(4)聚类分析树状图
实例45 判别分析
功能与意义
已知研究对象分成若干类型,并一直各种类型的样品观测数据的基础上,根据某些准则建立判别方程,然后根据判别方程对位置所属类别的事物进行分类的一种分析方法。意义在于可以根据已知样本的分类情况来判断未知样本的归属问题。
数据来源
分析过程
分析-分类-判别
统计量
保存
结果分析
(1)组统计量表
(2)汇聚的组内矩阵表
(3)输入和删除变量情况统计表
第一步纳入的变量是质量,第三部所有变量全部纳入,且从sig值均为零可以看出,逐步判别没有剔除变量。
(4)典型判别方程的特征值
(5)判别方程的有效性检验
特征根数为2,其中第一个特征根为77.318,能够解释所有变异的89.4%。
Sig值均为0,因此两个典型方程的判别能力都是显著的。
(6)标准化的典型判别方程
Y1=0.681*质量-0.674*宽度+0.612*长度
Y2=0.363*质量+0.777*宽度+0.302*长度
(7)为标准化的典型判别方程
Y1=-11.528+0.210*质量-1.950*宽度+0.186*长度
Y2=-15.935+0.112*质量+2.246*宽度+0.092*长度
(8)贝叶斯的Fisher线性判别方程
Y1=-90.708+2.557*质量+18.166*宽度+1.922*长度
(9)判别分析在数据编辑窗口的输出结果