在组内单选项：使用合并类内协方差矩阵。
4）图框：复选合并组、分组和区域图复选框如图-6所示。
合并组复选项：使出包括各个类的散点图。 分组复选项：每类输出一个散点图。 区域图复选项：输出领域图。
所有设置完成后，单击继续按钮返回判别分析主对话框。
图-7 建立新变量对话框
（6）单击保存按钮，系统弹出一个对话框，复选预测组成员、判别得分和组成员概率复选项如图-7所示。
1）预测组成员复选项：根据判别函数的值，按后验概率计算预测分类结果。 2）判别得分复选项：建立判别函数值变量。
3）组成员概率复选项：建立新变量，表明每一个样品属于某一类的概率。
所有设置完成后，单击继续按钮返回判别分析主对话框。
（7）上述设置完成后，单击确定按钮进行判别分析，得到输出结果。
七、模型的结果
（1）描述性输出
分析案例处理摘要 未加权案例 有效 排除的 缺失或越界组代码 至少一个缺失判别变量 缺失或越界组代码还有至少一个缺失判别变量 合计 合计 0 15 .0 N 15 0 0 0 百分比 .0 .0 .0 图-8
图-8表示有效样本及样本变量的实际情况。 组均值的均等性的检验 x1 x2 x3 x4 Wilks 的 Lambda .888 .426 .442 .786 F .758 df1 2 2 2 2 df2 12 12 12 12 Sig. .490 .006 .007 .236 图-9
由图-9可知显著水平X2、X3最大，而X1、X4显著水平最小。但是由于判别变量间可能相互关联，仅单独检验是不够的。但是通过将X1和X4分别与X2和X3联合后发现，他们对判别的提高有很大的贡献。
组统计量
有效的 N（列表状态）
类型 1
x1 x2 x3
均值
.1380 标准差
.05933 未加权的
5 5 5 已加权的
x4
2
x1 x2 x3 x4
3
x1 x2 x3 x4
合计
x1 x2 x3 x4
.2000 .0700 .1360 .0500 .0900 .0860 .1420 .13323 .01871 .07537 .01871 .06782 .05221 .10094 5 5 5 5 5 5 5 5 5 15 15 15 15 图-10
上表（图-10）表示各组变量的描述统计情况，给出了各个类型的均值、标准差等统计量。通过这些数据，可以大致了解3种类型在这4个指标上的差异。
（2）判别函数的检验
特征值 函数 1 2 特征值 2.768a .192a 方差的 % 累积 % 正则相关性 .857 .402 a. 分析中使用了前 2 个典型判别式函数。 图-11
Wilks 的 Lambda 函数检验 1 到 2 2 Wilks 的 Lambda .223 .839 卡方 df 8 3 Sig. .046 .605 图-12
“特征值”（图-11）表格给出了两个典型判别函数所能解释的方差变异，其中第一个函数解释了所有变异的%，第二个函数解释了余下的%。因而第二个函数的相对重要性远远小于第一个函数。
“Wilks的lambda”（图-12）表格用来检验各个判别函数有无统计学上的显著意义，根据该表反应的值，这些数据表明，第二个判别函数对判别组仍有显著贡献（犯错概率为%）。
（3）典型判别式函数摘要
标准化的典型判别式函数系数
x1 x2 x3 x4
1
函数
2
.382 .567 .673 .296 .011 .633 .515 x3 x1 x2 x4
结构矩阵
1
函数
2 .314 .178 * .670* .208* .673 .296 图-13
“标准化的典型判别式函数系数”判别函数中各个变量的标准化系个函数主要受那些变量的影响；“结出的是判别变量和标准化判别函数
.390* 图-14 判别变量和标准化典型判别式函
数之间的汇聚组间相关性 按函数内相关性的绝对大小排序的变量。
*. 每个变量和任意判别式函数间最大的绝对相关性
表格（图-13）是两个数，由此可以判断各构矩阵”（图-14）给之间的相关性数据，
同样可以用来判断各个函数受那些判别变量的影响最大。对于判别函数1，变量X2、X3的判别意义最大，而对判别函数2变量X3、X4的判别意义最大。 （4）未标准化系数和质心函数
典型判别式函数系数
相关推荐：
loading