1华东理工大学2013—2014学年第二学期《多元统计学》实验报告6班级学号姓名开课学院商学院任课教师任飞成绩实验内容：实验5判别分析方法熟悉SPSS中判别分析功能实验要求：1.使用默认值进行判别分析2.使用选择项进行判别分析3.逐步判别分析4.对案例：Crop’Pain连锁店展开判别分析讨论5.在判别分析中缺少分类变量的话，怎么办？教师评语：教师签名：年月日实验报告：Analyze-Classify-Discriminant1.使用默认值进行判别分析选用数据文件data14-04，将slen,swid,plen,pwid移入Independents框，将spno移入GroupingVariables框，对输出结果的认识。2表明有效数据共150组，占总数据的百分比为100%。上图是典型的判别函数，分别反映了判别函数的特征值、解释方差的比例和典型相关系数。Eigenvalues：第一判别函数结束了99%的方差，第二判别函数解释了1%的方差，两个判别函数解释了全部的方差。Wilks’Lambda:是对两个判别函数显著性检验。由Wilks'Lambda检验，两个判别函数在0.05的显著性水平上拒绝原假设，认为函数是显著地。3上图是标准化的判别函数，表示为：Y1=-0.346*花萼长-0.525*花萼宽+0.846*花瓣长+0.613*花瓣宽；Y2=0.039*花萼长+0.742*花萼宽-0.386*花瓣长+0.555*花瓣宽；可以根据这个判别函数计算每个观测值的判别得分。下图是结构矩阵，即各依据变量与函数的关系，由表可以看出那些解释变量对判别函数的贡献较大。绝对值越大，贡献越大，绝对值越小，贡献越小。该表反应了判别函数在各组的重心。结果显示，判别函数在Y=1这一组的重心为（-7.392,0.219），在Y=2这一组的重心为（1.763，-0.737），在Y=3这一组的重心为（5.629,0.518），所以我们就可以对每个观测的判别得分将观测进行分类。2.使用选择项进行判别分析(1)选择分类参数在主对话框中，单击Classify按纽，展开Classification对话框PriorProbabilities---AllgroupsequalUseCovarianceMatrix---WithingroupsPlots---Combinedgroups,Separategroups,TerritorialmapDisplay---Summarytable,Casewiseresults4(2)选择要求输出的统计量在主对话框中，单击Statistics按纽，展开Statistics对话框Descriptives---MeansFunctionCoefficients---Fisher’s,UnstandardizedMatrices---Within-groupscorrelation,Within-groupscovariance,Separate-groupscovariance,Totalcovariance(3)保存新变量在主对话框中，单击Save按纽，展开SaveNewVariables的对话框选择:PredictedgroupmembershipDescriminantScoresProbabilitiesofgroupmembership5(4)对输出结果的认识Bayes判别函数Y1=-80.268+1.687x1+2.695x2-0.880x3-2.284x4Y2=-71.196+1.101x1+1.070x2+1.001x3+0.197x4Y3=-103.890+0.865x1+0.747x2+1.647x3+1.695x4上表显示各类正确判别率分别为100%，96%，98%3.逐步判别分析肝癌诊断案例，选用数据文件discrim，将pa,alpha_ag,alpha_at,hp移入Independents框，将group移入GroupingVariables框6在主对话框中，选择Usestepwisemethod，单击Method按纽，展开Stepwisemethod的对话框判别分析运行记录，可见第一步纳入了alpha_at，第二步纳入了pa判别分析中的每一步中模型所包含的变量判别分析中的每一步中排除在模型之外的变量的情况7显著性情况D1=-0.281pa+0.882alpha_atD2=1.006pa+0.561alpha_atD1=-2.516-0.033*pa+0.008alpha_atD2=-4.419+0.12*pa+0.005alpha_at各类别重心在空间中的位置8正常人：Y=-14.414＋0.539*pa+0.0384*alpha_at肝癌，AFP检测阳性：Y=-18.280＋.0.424*pa+0.055*alpha_at肝癌，AFP检测阴性：Y=-10.203＋.0.366*pa+0.037*alpha_at肝硬化：Y=-12.582＋.0.455*pa+0.039*alpha_at判别新例的类别归属时，直接计算，得分最高的一类即为该观测相应的类别。4.对案例：Crop’Pain连锁店展开判别分析讨论检验结果显著由上图可知，分高绩效分店和低绩效分店有显著影响的预测变量是15-24岁人口数，不形成竞争的餐馆数，月租金，平均收入，45-54岁人口数，差异显著。9Y1=-91.437+0.021X1-0.012X2+4.426X3+0.358X4-0.075X5Y2=-67.773+0.016X1-0.009X2+3.717X3+0.252X4+0.173X5以26%的税前毛利回报作为评判标准是较为准确的。所以这一案例可将由选址专家提供的10处备选地点及相关资料代入，即可判断绩效高低。5.在判别分析中缺少分类变量的话，怎么办？如果缺少分类变量，可以自我设定
