教育多元统计学与SPSS软件8聚类分析.doc

第八章 聚类分析 聚类分析是一种研究“物以类聚”问题的多元统计方法，按照一定的分类原则，将指标或样品聚为一类。 第一节 概述 聚类分析根据分类对象的不同，分为R型聚类分析与Q型类分析两种。用于指标的分类用R型聚类分析，用于样品的分类用Q型聚类分析。 聚类分析的基本思想：先将分类对象（指标或样品）各自看成一类，然后选择一个统计量来衡量分类对象的相似程度，根据其大小先将两两对象聚成一类，如此下去，直至所有对象都聚成一类（或预分的类）为止。 将聚类的整个过程作成一张谱系图，然后根据实际问题的需要，选择一个合适的分类标准，便能得到所要分的类。当一类中多于两个指标时，需要计算相关指数R2（相关系数的平方，也称判定系数）的平均数R2，将其值最大的指标作为典型指标。 Σr2 R2= k-1 其中，r为类内指标之间的相关系数，k为类内的指标个数。 1．聚类方法 一般多元统计书上介绍8种方法： 最短距离法：将两类样本间的最短距离作为类与类之间的距离，具有单调性，空间收缩很快。 最长距离法：与最短距离法相反，将两类样本间的最长距离作为类与类之间的距离，也具有单调性，聚类空间呈扩张状态。 中间距离法：类间距离介于以上两种方法之间，聚类空间处于守衡状态，不能保证类距离总是单调的。 重心法：上述3种方法在定义类间距离时均未考虑新类中所含样本点的多少，存在不合理之处，该方法可以纠正上述问题。与中间距离法类似，聚类空间守衡，不能保证类距离总是单调的。 类平均法：为了更多地吸取类内样本点信息，定义类间距离为两类中样本点间距离平方的平均。该法空间守衡，又是单调的，是较为理想的系统聚类方法。 可变类平均法：在计算类间距离的公式中引入了聚集强度系数β（β1），β取不同的值可能会得到不同的聚类结果，选择合适的β值，以达到最佳聚类效果，一般认为取-1/4时效果较好。该方法仍具有单调性，比类平均法更为合理一些。 可变法：将可变类平均法中的聚集强度系数β引进中间距离法就形成了该方法。 离差平方和法：又称Ward法，利用方差分析原理进行聚类。 2．常用的数据变换方法 中心化变换、标准化变换、极差正规化变换、对数变换 3．距离 绝对值、欧氏、切比雪夫、兰氏、马氏、斜交空间 4．相似系数 积差相关系数、夹角余弦、指数相似系数 第二节 系统聚类法 聚类方法有多种，如系统聚类、动态聚类、有序样品聚类及模糊聚类等，下面进行简要介绍。 系统聚类方法（也称分层聚类方法）：将p个指标（样品）看成p类，将性质最接近的两类聚成一个新类，得到p-1类，再从中将性质最接近的两类聚成一个新类，得到p-2类，依此类推，直至所有的指标（样品）均聚为一类。 动态聚类方法：先将指标（样品）粗略的分成若干类，然后根据某种最优原则进行调整，反复多次，直至不能调整时为止。 有序样品聚类方法：先将指标（样品）根据某种原因排成次序，要求次序相邻的指标（样品）聚成一类。 模糊聚类方法：将模糊数学理论用于聚类分析中产生的方法。 本节结合SPSS软件介绍系统聚类方法。 1．SPSS软件计算步骤 选择“Analyze”→“Classify”→“Hierarchical Cluster”项。弹出如图8.2.1所示的对话框。 1．1 Variables栏 存放聚类变量。 1．2 Label Cases by栏 存放标识变量，如用指标名称、编号、姓名来标明各指标或样品最后聚到哪一类，不指定时，系统自动将序号作为标识变量。 1．3 Cluster选项 ① Cases 对样品进行聚类，Q型聚类。 ② Variables 图8.2.1 分层聚类分析主对话框 对指标进行聚类，R型聚类。 1．4 Display选项 ① Statistics 输出统计量。 ② Plots 输出图形。 1．5 Statistics按钮 图8.2.2 Statistics对话框 ① Agglomeration schedule复选项 凝聚状态表，显示聚类过程中每一步合并的类或观测值，根据该表跟踪聚类的合并过程。 ② Proximity Matrix复选项 各项间的距离（R型聚类为相关系数）矩阵。 ③ Cluster Membership类成员栏 显示每个观测值被分到的类或显示若干步聚类过程。 None：不显示类成员表。 Single solution：输入数值n，显示聚为n类时各观测值的归属情况。 Range of solutions：要求列出某个范围中每一步各观测值所属的类，如输入3、5，则输出结果中列出3类、4类与5类所包括的观测值。 1．6 Plots按钮 图8.2.3 Plots对话框 ① Dendrogram选项 树形图。 ② Icicle选项 冰柱图栏。 All clust