食品安全检查数据幻灯片.pptVIP

* * * * * * * * * * * * Fisher判别法 　　1. Standardized Canonical Discriminant Function Coefficients（给出标准化的典型判别函数系数） 　　标准化的典型判别函数是由标准化的自变量通过Fisher判别法得到的，所以要得到标准化的典型判别得分，代入该函数的自变量必须是经过标准化的。 　　2. Canonical Discriminant Function Coefficients（给出未标准化的典型判别函数系数） 　　未标准化的典型判别函数系数由于可以将实测的样品观测值直接代入求出判别得分，所以该系数使用起来比标准化的系数要方便一些。 未标准化的典型判别函数系数 组重心处的费希尔判别函数值 Bayes判别法 Bayes判别法的输出结果 将各样品的自变量值代入上述四个Bayes判别函数，得到四个函数值。比较这四个函数值，哪个函数值比较大就可以判断该样品判入哪一类。 个案观察结果表 　　某省城镇居民家庭消费水平的聚类分析结果完全正确。 　　如有新的调查样本数据（待判样品），则可代入Fisher判别函数或Bayes判别函数中进行判别，并对判别结果加以验证。 判别结果 方法 平均水平差异性检验 聚类分析和判别分析 主成分分析和因子分析 典型相关分析 多元回归分析 主成分分析 问题提出 　　▲某省各地区食品安全水平的综合评价。 　　▲某省各地区食品安全水平倾向的分析。 　　▲某省各地区食品安全水平的综合考评。 问题解析 　　工资性收入、经营性收入、财产性收入、转移性收入；食品、衣着、家庭设备用品及服务、医疗保健、交通和通信、教育文化娱乐服务、居住、杂项商品和服务。 多个变量 　　综合变量是原来变量的线性组合，它不仅保留了原始变量的主要信息，而且彼此之间又不相关。 综合变量 　　用少数几个综合变量代替原来多个变量，并且使其损失的信息尽可能的少。 问题 主成分分析 这些变量有较强的相关性 基本思想 　　为了全面系统地分析问题，我们选取众多变量，由于每个变量都不同程度地反映了所研究问题的某些信息，彼此之间有一定的相关性，同时增加分析问题的复杂性。故我们想用较少的几个综合变量来代替原来较多的变量，而这些较少的综合变量既能尽可能多地反映原来较多变量的有用信息，且相互之间又是无关的。这种处理问题的方法称为主成分分析。 “降维”思想 主成分个数提取原则为主成分对应的特征值大于1的前m 个主成分。特征值在某种程度上可以被看成是表示主成分影响力度大小的指标，如果特征值小于1，说明该主成分的解释力度还不如直接引入一个原变量的平均解释力度大，因此一般可以用特征值大于1 作为纳入标准。 具体步骤 　　2、将原始数据标准化； 　　3、建立变量的相关系数阵； 　　1、根据研究问题选取初始分析变量； 　　5、根据因子载荷阵求解主成分的相应系数； 　　4、由累积方差贡献率确定主成分的个数； 　　6、构建综合评价函数。 上机操作 　　SPSS没有提供主成分分析的专用功能，只有因子分析的功能。但是因子分析和主成分分析有着密切的联系。因子分析的重要步骤——因子的提取最常用的方法就是“主成分法”。利用因子分析的结果，可以很容易地实现主成分分析。具体来讲，就是利用因子载荷阵和相关系数矩阵的特征根来计算特征向量。 SPSS 在调用Factor Analyze 过程进行分析时, SPSS 会自动对原始数据进行标准化处理, 所以在得到计算结果后的变量都是指经过标准化处理后的变量, 但SPSS 并不直接给出标准化后的数据, 如需要得到标准化数据, 则需调用Descriptives 过程进行计算。 主成分 综合得分 　 第一主成分 第二主成分 第三主成分 综合得分 综合排名 A市 4.267 1.303 -0.900 2.988 1 B县 1.255 -0.284 -0.919 0.656 5 C市 -1.940 -0.804 -0.091 -1.467 17 D市 1.514 0.893 0.177 1.214 4 E县 -2.695 -1.360 -0.478 -2.133 18 F市 3.243 1.621 -0.673 2.405 2 G县 0.221 -0.619 -0.416 -0.036 10 H市 -0.882 -0.173 -0.149 -0.640 14 I县 -1.040 0.404 0.205 -0.579 13 J市 0.281 0.397 0.609 0.347 7 K市 3.362 -0.232 -0.469 2.121 3 L市 -0.632 -0.530