SPSS判别分析PPT课件.ppt

判别分析 的计算机实现 SPSS Discriminant 1 Discriminant AnalyzeClassiflyDiscriminant 2 三种情形下的判别分析 使用SPSS默认选项进行判别分析使用选择项进行判别分析进行逐步判别分析 3 SPSS中使用的判别方法 SPSS的Discriminant过程中默认情况下使用的是Fisher判别 给出的是标准化的Fisher判别函数的系数在指定选项后也可以给出Bayes判别的结果 但容易引起误会的是 用于输出Bayes判别的复选框的名字恰恰就叫Fisher 这是因为按判别函数值最大的一组进行归类这种思想是Fisher提出的 故而SPSS会如此命名 4 FunctionCoefficients复选框 SPSS中判别方法的选择Fisher s 给出Bayes判别函数 而不是Fisher判别函数Unstandardized 给出Fisher判别法建立的判别函数的未标准化系数 由于可以将实测值直接代入方程计算判别得分 该系数使用起来较标准化系数更方便一些 5 判别分析的参数指标 判别系数 函数系数 functioncoefficientBayes判别系数结构系数 structuralcoefficient组重心 groupcentroid判别指数 方差百分比 percentofvariance剩余判别指标 Wilks Lambda 6 判别系数 函数系数 functioncoefficient 非标准化判别系数 unstandardizeddiscriminantcoefficient 非标准化判别函数是用来计算判别值 discriminantscore 的标准化判别系数 standardizeddiscriminantcoefficient 比较各变量对判别值的相对作用程度 哪个变量的标准化系数的绝对值大 就意味着它对判别值有较大影响 根据判别系数可以写出判别函数的具体形式 若有了判别变量值代入后 即可得到样品在空间中的位置 7 Bayes判别系数 Bayes判别系数可以直接进行一个样品的判断最大的一个值对应的分组便是判别分组 8 结构系数 structuralcofficient 结构系数又称为判别负载 discriminantloading 实际上是某个判别变量xi与判别值y之间的相关系数 它表达了两者之间的拟合水平 绝对值很大 接近 1或 1 这个函数表达的信息与这个变量表达的信息几乎完全相同 接近0 两者之间几乎没什么共同之处结构系数有两种 一种是总结构系数 识别函数所携带的在分组间进行鉴别的信息 另一种是组内结构系数主要考虑的是组内相关 Pooledwithin groupscorrelations 又称为组内结构系数 within groupsstructurecoefficient 表示函数与分组内部变量的紧密联系程度 9 组重心 groupcentroid 组重心是描述在判别空间中每一类的中心位置每个判别函数值是每类在各判别轴上的坐标值 10 判别指数 方差百分比 percentofvariance 判别指数 potencyindex 有时更直接地称为方差百分比 percentofvariance 所表示的值越大说明分组差异越显著 即该判别函数对总的判别结果影响越明显 判别能力越强 在判别分析中 一个判别函数所代表的方差量用所对应的特征值 eigenvalue 来相对表示 即组间偏差平方和与组内偏差平方和之比典型相关系数Canonicalcorrelations 值越大 在这一判别轴上分组差异越明显 11 剩余判别指标 Wilks Lambda 当资料来源于一个样本 计算出判别函数而又想推断它在判别总体案例时的情况涉及到的统计显著性问题 剩余 的含义 在之前计算的判别函数已经提取过原始信息后 剩余的变量信息对于判别分组的能力间接地进行判别函数的显著性检验 其值越小表示越高的判别力 12 实际上 在得到SPSS关于判别函数的输出结果后 首先要检查的就是剩余判别力的检验 以评价到哪一步是有意义的 在出现不显著的结果以后 就用不着进一步分析后面给出的判别函数了 而应将注意力转向判别系数 结构系数及判别力指数的分析 有时 即使一个函数统计上显著 但其他指标表明其判别作用不大时 也可以略去不用 剩余判别指标 Wilks Lambda 13 使用默认值进行判别分析 选用数据文件8 sav将x1 x2 x7移入Independents框将Group移入GroupingVariables框对输出结果的认识 SPSS 14 特征值分析 本例中只有两组 所以产生一个判别函数特征值为4 807 解释了100 的变异典型相关系数为0 910 在判别轴上的分组差异明显 15 Wilks统计量 判别函数达到0 068的显著性水平 或者说在0 1的显著性水平下 此判别函数是显著的 16 Fisher判别函数的标准化系数 17 结构系数矩阵 表中数据是按大小依次排序的各判别变量与判别函数间的相关系数 18 各组重心坐标值 利用Fisher判别函数计算出各观测值具体坐标后 再计算出离各重心的距离 则可得知分类情况 19 使用选择项进行判别分析 选用数据文件8 sav将x1 x2 x7移入Independents框将Group移入GroupingVariables框对输出结果的认识 20 1 选择分类参数 PriorProbabilities AllgroupsequalUseCovarianceMatrix WithingroupsPlots Combinedgroups Separategroups TerritorialmapDisplay Summarytable Casewiseresults Leave one outclassification 在主对话框中 单击Classify按纽 展开Classification对话框 21 2020 2 7 22 2 选择要求输出的统计量 Descriptives Means UnivariateANOVAsFunctionCoefficients Fisher s Unstandardized 在主对话框中 单击Statistics按纽 展开Statistics对话框 23 3 保存新变量 选择 PredictedgroupmembershipDescriminantScoresProbabilitiesofgroupmembership 在主对话框中 单击Save按纽 展开SaveNewVariables的对话框 24 Display对话框 Casewizeresults 输出每个样品判别后所属类别 适用于样本容量较少的情况Summarytable 输出判别率符合结果表 此表比较重要Leave one outclassification 交互验证 如果Summarytable和Leave one outclassification输出结果基本一致 说明判别分析的结果比较稳定 25 Plot对话框 Combined groups 各类共同输出在一副图中 可以观察各个类别的区分程度如何Separate groups 每个类别单独输出一副散点图Territorialmap 分类区域图 此图非常重要 可直接用于判断分类 整个图形会被分为几大块 每一块代表一个类别 之间有清楚的界限分隔 26 4 对输出结果的认识 认真阅读输出文件 搞清楚各指标的意义 以及判别的结果 SPSS 27 描述统计量 28 各组平均数差异的检验结果 x1 x2 x4和x5在不同组间有显著性差异 29 Fisher判别函数的未标准化系数 Y1 59 979 0 189X1 0 178X2 0 02X3 0 667X4 0 921X5 0 614X7 30 Bayes判别函数的系数 31 第一类 F1 25180 3 92X1 92 565X2 7 815X3 58 119X4 163 5X5 0 033X6 507 238X7第二类 F2 24940 4 684X1 93 285X2 7 895X3 55 42X4 159 775X5 0 033X6 504 755X7 将两样品的自变量值代入上述两个贝叶斯判别函数 得到两个函数值 比较这两个函数值 哪个函数值比较大就可将该样品判入该类 例如 将待判样品山东的各变量值分别代入两函数 得到F1 23126 21 F2 23136 71 比较两个函数值 得出F2较大 可以认为待判样品山东省应该属于第二类 Bayes判别函数 32 正确 错误判别率 各组正确判别率及总的判别率均为100 交互验证法 两组的正确判别率分别为50 和85 7 33 逐步判别分析 在主对话框中 选择Usestepwisemethod单击Method按纽 展开Stepwisemethod的对话框 选用数据文件8 sav将x1 x2