SPSS教程06(带图)_聚类分析和判别分析_chenxy.docVIP

简单教程 06 相关配套数据 已经 上传百度文库： 配套软件 SPSS 17.0 已经上传百度文库； 百度文库搜索“SPSS简单教程配套数据及软件_chenxy” 百度云盘链接 7. 聚类分析 2 7.1 Q型聚类 2 7.2 R型聚类 9 7.3 快速聚类 10 8. 判别分析 15 8.1 判别分析_全模型法（无待判别个体） 17 8.2 判别分析_逐步选择法（无待判别个体） 29  聚类分析 聚类分析(Cluster Analysis)：又称群分析、点群分析、簇类分析等，根据事物本身的特性研究个体分类的方法，是研究“物以类聚”的一种方法。 聚类分析的基本思想：在聚类分析的基本思想是认为研究的样本或指标(变量)之间存在着程度不同的相似性(亲疏关系)。于是根据一批样本的多个观测指标，具体找出一些能够度量样本或指标之间相似程度的统计量，以这些统计量为划分类型的依据，把一些彼此之间相似程度较大的样本(或指标)聚合为一类，关系密切的聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有的样本(或指标)都聚合完毕，把不同的类型一一划分出来，形成一个由小到大的分类系统。 分层聚类( Hierarchical Cluster )，反映事物特点的变量很多，根据所研究的问题选择部分变量对事物的某一方面进行研究。 快速样本聚类(Quick Cluster)，就是对观测值进行聚类，是反映被观测对象特征的各变量进行分类；当要聚成的类数已知时，使用快速聚类过程可很快将观测量分到各类中去。 层次聚类法最终得到的只是一个树状结构图，从图中可以看出存在很多不同的类， 四个因素会大大影响聚类方法的使用效果： 类的结构(主要指类的形状、规模和个数) 奇异值(Outliers)的存在 类与类之间重叠的程度 相似测度的选择 聚类分析的基本步骤 数据标准化 计算对象之间的相异度（距离衡量两个对象之间的相异度） 选择类与类之间的距离定义 聚类 分类:依据实际需要，确定以第几层的类为最终的分类标准。 目标; 根据聚类结果 写出聚类过程 和 最后的聚类情况 层次聚类分析：是根据观察值或变量之间的亲疏程度，将最相似的对象结在一起，以逐次聚合的方式(Agglomerative Clustering)，它将观察值分类，直到最后所有样本都聚成一类。 层次聚类分析中的Q型聚类：是对样本(个案)进行分类； 层次聚类分析中的R型聚类：是对研究对象的观察变量进行分类。 聚类时会涉及两种类型亲疏程度的计算： 样本数据之间的亲疏程度 样本数据与小类、小类与小类之间的亲疏程度。 7.1 Q型聚类 定义：对样本(个案)进行分类 操作步骤1 ：（数据文件见聚类分析_Q型聚类） 对样本数据作聚类分析，设定变量中必须对所分类目标的数据类型设为 String（字符串） 点击Type所在列 对应行数据 单元格 更改type 为 String 对于String 类型数据 直接可以在Data view数据窗口 录入汉字，字母等其他形式数据 操作步骤2 ： Analyze - Classify - Hierarchial 点击 - Method 选择默认选项不做更改 点击 - plots 点击 - Statistics 点击 -continue - OK 结果如下 输出结果以及分析结果如下： 判定：数据是否丢失； 由表格显示 N=10 且percent = 100% 故 无数据丢失 近似矩阵：判定数据相似性 显示任意两个个案（学生姓名）之间的距离，且距离越小近似性越高 由表看出：正对角线值都为0，意为自己与自己本身完全相关完全相似，故距离为0 第一列 stage(1-9)：表示本次实验迭代的次数 第二列 cluster combined：表示本次试验中每次迭代所聚类的两个簇（簇可以是一个个案也 可以是一个已经聚集的小类） 第三列 coefficients：表示所比较两个簇之间的距离，必须从小到大排序 第四列 stage cluster first appears ：若C1=0且C2=0，则表示为两个个案之间的聚类 若 C1，C2仅有一个为0，则为个案和小类之间的聚类 若 C1，C2都不为0，则为两个小类之间的聚类 第五列 next stage ： 表示在第几次迭代中需要使用到本次迭代所生成的小类 具体分析该表格： 开始共分为10个个案，则可以简单看作为分成10个簇，第一个个