判别分析实验报告 SPSS

#图四图五贝叶斯判别法输出的结果与Fisher判别法很大程度上是一致的，这里不再列出。表12组的先验概率group先验用干分析的案例未加权的已加权的1.6874646.0002.1491010.0003.1641111.000合计1.0006767.000

表13分类函数系数group123综合效率标准指数-89.225-137.370-110.980经济效率标准指数18.31847.23615.041结构效率标准指数112.414126.246122.679社会效率标准指数61.50987.86457.179人员效率标准指数77.41985.768115.125发展效率标准指数57.663102.98060.184（常量）-46.457-74.840-66.632Fisher的线性判别式函数表12为各族的先验概率，在分组选项中选择的是“根据组大小计算”。表13展示了每组的分类函数，也称费歇线性判别函数，由表中的结果可以说明：group=1这一组的分类函数为：f1=-46.457-89.225综合效率标准指数+18.318经济效率标准指数+112.414结构效率标准指数+61.509社会效率标准指数+77.419人员效率标准指数+57.663发展效率标准指数其他两组的分类函数同样可以写出，我们可以根据每个城市在各组的分类函数值然后将城市分类到较大的分类函数值中。表14为贝叶斯判别的分类结果，其交叉验证有95.5%的城市被判对，这一概率比Fisher判别要高。表14group表14group分类结果b,c预测组成员合计123初始计数14600462010010320911未分组的案例63312%1100.0.0.0100.02.0100.0.0100.0318.2.081.8100.0未分组的案例50.025.025.0100.0交叉验证a计数1460046219010320911%1100.0.0.0100.0210.090.0.0100.0318.2.081.8100.0仅对分析中的案例进行交叉验证。在交叉验证中，每个案例都是按照从该案例以外的所有其他案例派生的函数来分类的。已对初始分组案例中的97.0%个进行了正确分类。已对交叉验证分组案例中的95.5%个进行了正确分类。五、讨论与结论(1)由前面的分析我们知道，协方差矩阵并不相等，考虑采用分组协方差矩阵。在分类中使用协方差矩阵“分组(P),其他选择同上，得到分类结果表如下。分类结果agroup预测组成员合计123初始计数144024620100103001111未分组的案例63312%195.7.04.3100.02.0100.0.0100.03.0.0100.0100.0未分组的案例50.025.025.0100.0a.已对初始分组案例中的97.0%个进行了正确分类。

■俎质心曲数1■俎质心曲数1可以看出这个结果与采用组内协方差矩阵的预测效果没有明显的差别，而且分类结果图与图三也没有很大的差异，因此，可以采用组内协方差矩阵来进行判别。（2）之前的分析是采用“一起输入自变量”的方法，由表1可知，在0.05的显著性水平上不能拒绝结构效率标准指数和环境效率标准指数在三组的均值相等的假设，考虑“使用步进式方法”，最终确定进入分析的变量有3个：经济效率标准指数、人员效率标准指数、发展效率标准指数，上表给出了最终的分类结果，可以看出，在原有数据的所有城市中，有95.5%的城市被判对，在交叉验证中有92.5%的城市被判对。没有“一起输入自变量”时的效果好，但是在最终对待判城市的分组问题上，两种方法所得到的结果是一致的，在这里两种方法的选择对我们所需要的结果影响不是很大！

分类结果bcgroup预测组成员合计123初始计数14510462010010320911未分组的案例63312%197.82.2.0100.02.0100.0.0100.0318.2.081.8100.0未分组的案例50.025.025.0100.0交叉验证a计数1442046219010320911%195.74.3.0100.0210.090.0.0100.0318.2.081.8100.0仅对分析中的案例进行交叉