PAGEPAGE1SPSS中判別分析的使用內(nèi)容摘要：判別分析是多元統(tǒng)計分析中最常用的方法之一。該文結(jié)合一個語言學(xué)實驗的例子對SPSS判別分析的操作步驟和輸出結(jié)果作了具體的介紹，并對判別分析的不同方法在SPSS中的使用進(jìn)行了區(qū)分。本文關(guān)鍵詞語：SPSS；判別分析；語言學(xué)瞿健菊1.引言判別分析是多元統(tǒng)計分析中判別樣本所屬類型的一種常用方法。它的研究對象是訓(xùn)練樣本，也就是說原始數(shù)據(jù)的詳細(xì)分類是事先已經(jīng)知道的，然后根據(jù)原始數(shù)據(jù)求出判別函數(shù)將待判樣本的數(shù)據(jù)代入判別函數(shù)中判定其類型。[1]常用的判別分析方法重要有：間隔判別法、Fisher判別法和Bayes判別法。然而，在SPSS操作中只能實現(xiàn)Bayes判別法與Fisher判別法兩種，而且這兩種方法的操作是合在一起進(jìn)行的，所以使用起來需要十分留意。[2]下文將結(jié)合一個語言學(xué)實驗的例子對SPSS判別分析的步驟和輸出結(jié)果作具體解釋和說明。2.語言學(xué)實驗2.1實驗背景Fletcher和Peters〔1984〕研究發(fā)現(xiàn)，能夠用語法和詞匯兩個維度來刻畫語言受損兒童在語言表達(dá)方面的特征。被試分為兩組，一組是20個正常兒童〔LN〕，另一組是用標(biāo)準(zhǔn)化測試標(biāo)準(zhǔn)在年齡和智力活動方面跟LN組相比而診斷為語言受損的9個兒童〔LI〕。在標(biāo)準(zhǔn)條件下采集他們的自覺的語言數(shù)據(jù)〔LN組的年齡均值為60.86個月，LI組的年齡均值為62.33個月〕。圍繞65個語法與詞匯范疇――大部分引自Crystal、Fletcher和Garman〔1976〕，每組兒童提供的樣本都包含200個話語的得分。其中一個語法變量是根據(jù)無標(biāo)記動詞形式――既無后綴又無助動詞修飾的實義動詞詞干――的個數(shù)來評分的。另外一個詞匯范疇是動詞詞型，即一個兒童在樣本中使用不同的實義動詞的個數(shù)。[3]2.2數(shù)據(jù)錄入本文使用的SPSS為20.0版本。首先建立一個數(shù)據(jù)文件linguistics.sav，將Fletcher和Peters所提供的每個被試的數(shù)據(jù)錄入進(jìn)去。數(shù)據(jù)文件的變量視圖和數(shù)據(jù)視圖分別如此圖1和圖2所示。在變量視圖中，定義變量Y〔分類〕的值標(biāo)簽，-1為語言受損，1為正常。在數(shù)據(jù)視圖中，共29行數(shù)據(jù)，分別為29個被試兒童在x1和x2這兩個變量上的得分及所屬類別。圖1變量視圖2.3判別分析步驟①單擊“分析〞→“分類〞→“判別分析〞，從對話框左側(cè)的變量列表中選中進(jìn)行判別分析的變量“無標(biāo)記動詞形式[x1]〞和“動詞詞型[x2]〞進(jìn)入“自變量〞框，作為判別分析的基礎(chǔ)數(shù)據(jù)變量。從對話框左側(cè)的變量列表選中“分類[Y]〞進(jìn)入“分組變量〞框，并單擊“定義范圍〞按鈕，在“定義范圍〞對話框中，定義判別原始數(shù)據(jù)的類別數(shù)，在最小值處輸入-1，在最大值處輸入1。分析方法按默認(rèn)的“一起輸入自變量〞。②翻開“統(tǒng)計量〞對話框，在“描繪敘述性〞中，選擇“單變量ANOVA〞和“Box’sM〞。在“函數(shù)系數(shù)〞中選擇“Fisher〞〔注：此為Bayes選項〕和“未標(biāo)準(zhǔn)化〞〔注：此為Fisher選項〕。除此之外，“均值〞能夠輸出各類中各自變量的均值和標(biāo)準(zhǔn)差。“矩陣〞選項組可選擇自變量的系數(shù)矩陣。③翻開“分類〞對話框，在“先驗概率〞〔注：此為Bayes選項〕中，按默認(rèn)選擇“所有組相等〞。在“使用協(xié)方差矩陣〞中，按默認(rèn)選擇“在組內(nèi)〞。在“輸出〞〔注：此為Bayes選項〕中，選擇“內(nèi)容摘要表〞和“不考慮該個案時的分類〞。在“圖〞〔注：此為Fisher選項〕中，選擇“合并組〞、“分組〞和“區(qū)域圖〞。除此之外，“個案結(jié)果〞能夠輸出每個觀測量包含判別分?jǐn)?shù)實際類預(yù)測類〔根據(jù)判別函數(shù)求得的分類結(jié)果〕和后驗概率等。④翻開“保存〞對話框，選擇“預(yù)測構(gòu)成員〞、“判別得分〞和“構(gòu)成員概率〞。全部選擇完成后，單擊“判別分析〞對話框中的“確認(rèn)〞按鈕。2.4判別分析結(jié)果①適用條件檢驗。在“統(tǒng)計量〞對話框中，選擇“單變量ANOVA〞和“Box’sM〞，可分別得到下面的表1和表2。表1中的Sig值表示這兩個變量均值在各組間都是有差別的，因而這兩個變量對類間的判別都是有作用的。表2中的Sig值表示組間協(xié)方差齊這一假設(shè)是被回絕的。不外，協(xié)方差齊的這一要求在實際應(yīng)用中往往是被忽視的。[4]②基本輸出結(jié)果。表3給出了判別函數(shù)的特征根以及判別指數(shù)。本實驗中只要一個判別函數(shù)，所以只要一個特征值。表4中的Sig值表示差別到達(dá)顯著水平，即這個投影函數(shù)能將兩組兒童區(qū)分開。從表5中，能夠看出判別函數(shù)重要與“動詞詞型〞這個自變量相關(guān)。由于本實驗只要一個判別函數(shù)和兩個自變量，那么能夠揣測在區(qū)分正常兒童和語言受損兒童上，“動詞詞型〞這個變量在判別分析中起了重要作用。表6是各組的判別函數(shù)的重心。留意此處使用的是非標(biāo)準(zhǔn)化典型判別式函數(shù)。③三種判別式。判別分析默認(rèn)會給出表7的判別函數(shù)，其中的判別函數(shù)使用的是標(biāo)化變量。假如在“統(tǒng)計量〞對話框中，選擇“未標(biāo)準(zhǔn)化〞，能夠得到表8的判別函數(shù)；選擇“Fisher〞，能夠得到表9的判別函數(shù)。留意此處“Fisher〞復(fù)選框?qū)?yīng)的實際上是Bayes判別。標(biāo)準(zhǔn)化典型判別式為：F〔X〕=-0.684×Z無標(biāo)記動詞形式+0.785×Z動詞詞型〔變量前加Z表示標(biāo)化后的數(shù)值〕未標(biāo)準(zhǔn)化典型判別式為：F〔X〕=-2.046?C0.060×無標(biāo)記動詞形式+0.190×動詞詞型Bayes判別式為：語言受損=-13.760+0.285×無標(biāo)記動詞形式+0.897×動詞詞型正常=-17.050+0.167×無標(biāo)記動詞形式+1.271×動詞詞型④圖表。由于本實驗只要一個判別函數(shù)，所以沒有產(chǎn)生區(qū)域圖和合并圖，只要如此圖3和圖4所示的分組直方圖，從直方圖中能夠大致看出各組中樣本的分布情況。圖3分組直方圖〔語言受損〕圖4分組直方圖〔正常〕⑤分類結(jié)果。在“分類〞對話框中，選擇了“內(nèi)容摘要表〞能夠得到表10中的上半部分，是采取回代法得到的判別信息，由表可見有96.6%的正確率，其中語言受損有1例錯判。在“分類〞對話框中，選擇了“不考慮該個案時的分類〞能夠得到表10中的下半部分，是采取穿插驗證法得到的判別信息，本實驗中正確率為86.2%，其中語言受損有1例錯判，正常有3例錯判。⑥保存結(jié)果。運行判別分析后回到數(shù)據(jù)文件的數(shù)據(jù)視圖，如此圖5所示，生成了新的變量。在“保存〞對話框，選擇“預(yù)測構(gòu)成員〞，產(chǎn)生“Dis_1〞變量，顯示的是各樣本按Bayes判別所屬的類別；選擇“判別得分〞得到“Dis1_1〞列，是樣本在Fisher投影函數(shù)下投影的坐標(biāo)；選擇“構(gòu)成員概率〞得到“Dis1_2〞和“Disc2_2〞，為樣本分別屬于第1類與第2類的后驗概率大小。根據(jù)表10所示，語言受損有1例錯判。在圖5中能夠看出，語言受損兒童中錯判的是第3例，由于其第2類的后驗概率0.90727大于第1類的后驗概率0.09273，因而判別為第2類。除此之外，“Dis1_1〞的值還能夠結(jié)合表6的類中心坐標(biāo)使用間隔判別法進(jìn)行類別判別。3.結(jié)束語綜上所述，SPSS只能完成Bayes判別與Fisher判別，無法直接完成間隔判別。SPSS判別分析是以Bayes判別為主，重要菜單與選項都是針對Bayes判別分析設(shè)置，而且最終保存的判別結(jié)果也是以Bayes判別為根據(jù)；Fisher判別操作僅給出投影表達(dá)式、各類投影中心坐標(biāo)及投影分界圖，最終判別結(jié)果需要自己根據(jù)各類投影中心坐標(biāo)或投影分界圖去做判別。[5]除此之外，由于判別