試驗三SPSS統計分析及統計圖表的繪制一、試驗目的多元統計分析的操作〔聚類分析和因子分析。二、試驗內容與步驟根本的統計分析翻開“分析描述統計”菜單，可以看到以下幾種常用的根本描述統計分析方法：1.Frequencies過程〔頻數分析〕括百分位值、均值、中位數、眾數、合計、偏度、峰度、標準差、方差、全距、最大值、最小值、均值的標準誤等。調用此過程可對變量進展描述性統計分析，計算并列出一系列相應的統計指標，包括：均值、合計、標準差、方差、全距、最大值、最小值、均值的標準誤、峰度、偏度等。Explore過程〔探究分析〕全面，有助于用戶思考對數據進展進一步分析的方案。Descriptie輸出均數、中位數、眾數、5%修正均數、標準誤、方差、標準差、最小值、最大值、全距、四分位全距、峰度系數、峰度系數的標準誤、偏度系數、偏度系數的標準誤；ConfidenceIntervalforMa估量；M-estimatosOutlies輸出五個最大值與五個最小值；Percentie輸出第5%、10%、25%、50%、75%、90%、95%4.Crosstabs過程〔列聯表分析〕調用此過程可進展計數資料和某些等級資料的列聯表分析，在分析中，可對二維至n維列聯表〔RC表〕資料進展統計描述和χ2檢驗，并計算相應的百分數指標。此外，還可計算四格表精準概率FisherxactTet且有單雙側One-TaiTwo-Tai，對數似然比檢驗LikelihoodRai以及線性關系的MantelHaenszel2檢驗。根本統計分析結果解讀1.頻率分析的結果解讀1頻率分析的結果解讀〔Excel文件〕描述分析的結果解讀〔同上，略〕探究分析的結果解讀2探究分析的結果解讀〔Excel文件〕列聯表分析的結果解讀統計圖表的繪制2一般統計圖表條形圖〔Bar〕3條形圖定義選項框Summariesforgroupsofae組為單位表達數據；Summariesofseparatevarals量為單位表達數據；Valuesofindividual

cs

察樣例為單位表達數據。多數情形下，統計圖都是以組為單位的形式來表達數據的。在定義選項框的上方有3SimpleClustereStacked為積存式直條圖。圖。箱圖可用于表現觀測數據的中位數、四分位數和兩頭極端值。中間的粗線為中位數，灰色的箱體為四分位〔箱體下端為其次十五百分位數、上端為第七十五百分位數，兩頭伸出的線條表現極端值〔下邊為最小值、上邊為最大值?！吧Ⅻc圖Scatter/Dt變動趨勢或變化范圍。4散點圖定義選項框Simple為單層散點圖，Overlay為多層散點圖，Matrix為矩陣散點圖，3-D為立體散點圖。5.餅圖〔略〕統計圖表的美化和編輯習。多元統計分析〔了解〕聚類分析〔1.根本概念類分析的原則是同一類中的個體有較大的相像性，不同類中的個體差異很大。依據分類對象的不同，可將聚類分析分為樣品〔觀測量〕聚類〔Q型聚類〕和變量聚類〔R型聚類〕兩種：〔1Q(Case〔據，如選拔運發動與分課外活動小組〕〔2〕R型聚類。找出彼此獨立且有代表性的自變量，而又不喪失大局部信息。在生產活動中不乏有變量聚類的實例，如：衣服號碼〔身長、胸圍、褲長、腰圍〕、鞋的號碼。變量聚類使批量生產成為可能。2.聚類分析法在市場爭論中的作用細分市場市場時機爭論消費者心理和行為爭論試驗市場的選擇設計抽樣方案作為多元分析的預處理3.樣本間的相像性或距離測度〔樣本或變量，通常是變量〕之間的聯系的嚴密程度，常用的指標有“距離”和“相像系數”。常用的5種距離和1種相像系數：①歐式距離Euclideandistne②歐式距離的平方SquaredEuclideandisae〔Bloc〔Chebychevdistae⑤冪距離PowerorCustomizeddistne⑥余弦系數Cosin〕4.常用的系統聚類法最短距離法Nearestneighor最長距離法Furthestneighor中間距離法Medinaneighbr沃德法Ward’smetho〕重心法Centroidclusteing類間平均連接Between-grouplinkge類內平均連接Within-group5.SPSS進展聚類分析Analyze/ClassfyStatistics項：Agglomerationschedl的類或樣品之間的距離以及樣品或參加到一類的類水平。Proximitymati相變量似矩陣。給出各類之間的距離或相像測度值。ClusterMembershp類成員。顯示每個樣品被安排到的類或顯示假設干步分散過程。具體內容有三個選項：①NoneSinglesolutionRangeofsoluto的類。

求列出某個范圍中每一步各樣品所屬Plot選項Dendrogram：樹形圖。Icice冰柱圖。MethodClustr聚類方法選擇。Measure：對距離和相像系數的不同測量方法。TransformValusTransformMeasurs測度的轉換方法。實例演示①一維集群分析〔按年齡集群〕②促銷市場的選擇③各省份依據產業構造、水平分類聚類要留意的問題不同。②相比之下，聚類方法的選擇則不那么重要了。因此，聚類之前肯定要目標明確。能的近，而且分類結果還要有令人信服的解釋。這一點就不是數學可以解決的了。判別分析〔1.根本概念判別分析爭論方法是依據對象的某些觀測指標和所屬類別來推斷未知對象所屬類別的樣本只要將其代入判別函數就可以推斷它屬于哪一類總體。2.判別分析實例team.sav15要素，將team分為高、中、低效能。其中評價的指標為組織、分散力和領導三個變量；我們期望依據這些team的上述變量的打分和它們的組別〔三個組別：1—代表高效能，2—代表中效能，3—代表低效能〕找出一個分類標準，以對折15team以外的team15team〔15〕，465于低效能，這個數據就是一個“訓練樣本”。依據距離的判別〔不用投影〕數據有3個用來建立判別標準〔或判別函數〕的〔推測〕變量，另一個是組別。因此每team3315可以得到任何給定的點〔team〕到這三個中心的三個距離。明顯，最簡潔的方法就是離哪個中心距離最近，就屬于哪一類。通常使用的距離是所謂的Mahalanobis距離。用來比較到各個中心距離的數學函數稱為判別函數discriminantfuncin這種依據遠近判別的方法，原理簡潔，直觀易懂。Fisher判別法〔先進展投影〕所謂Fisher〔推測〕變量的判別分析問題。練樣本。其中一類有38〔用“o”表示〕，另一類有44〔用“*”表示〕。依據原來的變量〔橫坐標和縱坐標〕，很難將這兩種點分開。于是就查找一個方向，也就是圖上的虛線方向，沿著這個方向朝和這個虛線垂直的一條直線進展投影會使得這兩類分得最清楚。距離遠近的方法來得到判別準則。這種首先進展投影的判別方法就是Fisher判別法。逐步判別法〔僅僅是在前面的方法中參加變量選擇的功能〕步判別。也就是，一邊判別，一邊引進判別力量最強的變量，這個過程可以有進有出。一個WilksLambdaRaos、TheSquaredMahalanobisDistallestFraiTheSumofUnexplainedVariatos他方面和前面的無異。實例操作①Indepentens選擇自變量和使用自變量的方法對于選定的自變量可以全部應用到判別函數中去，這是系統默認的使用全部自變量法EnterindependenttogtestepwisemethdMethor”將被激活，Wilks”lama法為系統默認的方UnexplainedvariacMahalamobis”distaSmallestFrto小FRao”s”勞氏增值法。②Statistic統計量、矩陣和函數系數的計算

哈拉莫比斯距離法；“DescriptieMeans各個類別中的平均值和標準差；“UnivariateANOVA”計算各類中同一個自變量的一元方差分析；“Box”sM”計算各類的協方差矩陣，并進展協方差分析?！癕atrics“Within-groupscorrelto算組內相關矩Within-groupscovarineSeparate-groupscovarine算Totalcovariace計算總體協方差矩陣。“FunctionCoefficinsFishers計算可以用于對樣本進展Unstandardizd③Classiy分類方式和判別結果設置分類所依據的判別先驗概率和協方差矩陣，以及輸出圖形和顯示結果。PriorProbabilteAllgroupseqaComputefromgroupsz依據各個類的樣本個數確定先驗概率?！癉isplaCasewiseresutSummarytabl”輸出分類摘要表，表中將標明：Leave-one-outclassifiato一種交互檢驗?！癠seCovarianceMatiWithin-grous選擇分析使用的組Separate-grop分析。Plot：統計圖形的輸出“Combined-groups”將各個類的圖形都存放在同一張圖中。“Separate-grop分類顯示各個類的圖形。“Territoriala落在該區域中的樣本觀測點就屬于該區域所代表的類。⑤Replacemissingvalueswithma缺失值用樣本平均值代替。⑥結果分析CanonicalDiscriminantFunctionCoefcet別函數。將未歸類的樣本的變量值樣本就是二維平面上的點。ClassificationFunctionCoefiins數系數表。就屬于相應的那一類。判別分析的留意事項①訓練樣本中必需有全部要判別的類型，分類必需清楚，不能有混雜。地不見得有多大。③要留意數據是否有不尋常的點或者模式存在。還要看推測變量中是否有些不適宜的；這可以用單變量方差分析〔ANOVA〕和相關分析來驗證。的。使用較少的變量意味著節約資源和易于對結果進展解釋。因子分析Analyze/Data1.根本概念職工人數、分工和教育程度等等。假設讓你向上級或有關方面介紹公司狀況去嗎？描述。需要把這種有很多變量的數據進展高度概括。少數幾個能充分反映總體信息的指標，便于進一步分析。因子分析模型Xi=ai1f1+ai2f++aimfm+uiu——特別因子Uniquefaco；ai——因載Factorloadn。有關概念，其實質是兩者間的相關系數公因子方差比Communalitie〕：取出的比例，或者說原變量的方差中由公因子打算的比例。特征根Eigenvale/主成分后可以解釋平均多少原始變量的信息。4.SPSSExtractin因子提取方法Principalcomponet主成分分析法〔因子不用旋轉Unweightedleastsqurs加權最小平方法；Generalizedleastsqae合最小平方法；Maximumlikelihod極大似然估量法；PrincipalaxisfacoigAlphafactorn因子法；Imagefactorn多元回歸法。Rotatin因子旋轉方法NoneVarimax：正交旋轉；Equamax：全體旋轉，對變量和因子均作旋轉；Quartimax：四分旋轉，對變量作旋轉；DirectOblimn斜交旋轉。旋轉的目的是為了獲得簡潔構造，以幫助我們解釋因子。5.結果分析