SPSS软件实例应用(计量地理学课后题详解).pptxVIP

聚类分析主成分分析实例·分析某地区35个城市2004年的7项经济统计指标数据（1）试用最短距离法对35个城市综合实力进行系统聚类分析，并画出聚类谱系图a.软件操作及原理b.数据结果及分析a.软件操作及原理——操作a.软件操作及原理——操作a.软件操作及原理——标准差标准化原理a.软件操作及原理——欧氏距离原理a.软件操作及原理——最短距离聚类法原理 凝聚状态表的第一列表示聚类分析的第几步；第二列、第三列表示本步骤聚类中那两个样本或小类聚成一类；第四列是相应的样本距离或小类距离；第五列、第六列表明本步骤聚类中，参与聚类的是样本还是小类。0表示样本，数字n(非0)表示由第n部聚类产生的小类参与本步骤聚类；第七列表示本步骤聚类的结果将在下面聚类的第几部中用到。 聚类表阶 群集组合 系数 首次出现阶群集 下一阶 群集 1 群集 2 群集 1 群集 2 1 17 25 .060 0 0 62 5 29 .065 0 0 63 33 34 .085 0 0 124 26 35 .089 0 0 285 30 31 .104 0 0 86 5 17 .108 2 1 97 8 18 .108 0 0 178 20 30 .115 0 5 109 5 16 .123 6 0 1010 5 20 .127 9 8 1111 5 32 .128 10 0 1212 5 33 .129 11 3 1313 5 14 .136 12 0 1514 6 21 .150 0 0 1615 5 22 .160 13 0 1716 6 11 .166 14 0 2717 5 8 .182 15 7 1818 5 19 .190 17 0 2019 13 15 .196 0 0 2420 5 7 .197 18 0 2121 4 5 .198 0 20 2222 4 28 .199 21 0 2323 4 12 .201 22 0 2424 4 13 .204 23 19 2525 3 4 .235 0 24 2626 3 9 .240 25 0 2727 3 6 .255 26 16 2828 3 26 .270 27 4 2929 2 3 .391 0 28 3030 2 23 .418 29 0 3131 2 24 .551 30 0 3232 1 2 .632 0 31 3333 1 10 .770 32 0 3434 1 27 .818 33 0 0b.数据结果及分析 在不同的聚类标准（距离）下，聚类结果不同，当距离标准逐渐放大时，35个区域单元被依次聚类。 当距离为0时，每个样本为单独的一类；当距离为5，则35个区域单元被聚为11类；当距离为10，则35个区域单元被聚为7类；当距离为15，则35个区域单元被聚为5类；当距离为20，则35个区域单元被聚为3类；最终，当聚类标准（距离）扩大到25时，35个区域单元被聚为1类。聚类分析主成分分析实例·分析某地区35个城市2004年的7项经济统计指标数据（2）试用主成份分析法对35个城市7项经济指标进行主成分分析，并分析其综合实力。a.软件操作b.数据结果及分析a.软件操作a.软件操作b.数据结果及分析——Bartlett验证 因子分析前，首先进行KMO检验和巴特利球体检验。KMO检验用于检查变量间的偏相关性，取值在0~1之前。KMO统计量越接近于1，变量间的偏相关性越强，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时效果比较好；当KMO统计量在0.5以下，此时不适合应用因子分析法，应考虑重新设计变量结构或者采用其他统计分析方法。b.数据结果及分析——主成分因子 一般取累计贡献率达85%~95%的特征值所对应的第1、第2、…、第m（m≤p）个主成分。 b.数据结果及分析——变量与因子联系系数 变量与某一因子联系系数绝对值越大，则该因子与变量关系越近。 将第一因子代替x4,x5,x6,x7;将第二因子代替x1,x2,x3即可得到旋转矩阵，使复杂的矩阵变得简洁。 b.数据结果及分析——变量与因子联系系数 变量与某一因子联系系数绝对值越大，则该因子与变量关系越近。 将第一因子代替x4,x5,x6,x7;将第二因子代替x1,x2,x3即可得到旋转矩阵，使复杂的矩阵变得简洁。 b.数据结果及分析——变量与因子联系系数 第1主成分与所有变量成正相关，与x4,x5,x6,x7呈现出较强的正相关，因此可以认为第1主成分是2014年城市经济结构的代表。 第2主成分与x1,x3呈现出较强的正相关，x2呈现出较强的负相关，因此可以认为第2主成分是2014年农业经济的代表。 聚类分析主成分分析实例·分析某地区35个城市2004年的7项经济统计指标数据（3）以第一、二、三主成分为变量，进行聚类分析，结果