下载文档原格式
逐步判别分析运行记录，第一步纳入人均地方财政收入，第二步纳入人均国内生产总值，以此类推。
共5 个变量进入判别模型，其他5个变量未进入。
5步的Wilks 的 Lambda检验均小于0.05。
拒绝原假设，说明5步中分别纳入判别函数的变量对正确判断分类都是有作用的。
分析中一共提取出了来年各个维度的典型判别函数，期中第一个函数解释了所有变异的99.3%，第二个函数解释了0.7%。
说明建立的各个判别函数有无统计学意义，上表显示第一个判别函数有意义，第二个判别函数搭边。
说明人均国内生产总值，人均地方财政收入在第一个判别函数中比较重要，人均进出口贸易总额、移动电话普及率、电话普及率在第二个判别函数中比较重要。
说明判别结果正确。
判别分析判别分析是一种常用的统计分析方法，根据观察或测量到若干变量值，判别研究对象属于哪一类的方法。
进行判别分析必须已知观测对象的分类和若干表明观测对象特征的变量值。
判别分析就是要从中筛选出能提供较多信息的变量并建立判别函数，使得利用推导出的判别函数对观测量判别其所属类别时的错判率最小。
线性判别函数一般形式是1122...n n y a x a x a x =+++，y 为判别分数（判别值），n x 为反映研究对象特征的变量，n a 为各变量的判别系数。
典则判别分析：建立典则变量代替原始数据文件中指定的自变量。
典则变量是原始自变量的线性组合。
用少量的典则变量代替原始的多个变量可以比较方便地描述各类之间的关系。
实验：实验数据见：判别分析2010.sav .例1：一个城市的居民家庭，按其有无割草机可分为两组，有割草机的记为一组为1π，没有割草机的一组记为2π，割草机工厂欲判断一些家庭是否购买割草机。
从1π和2π分别随机抽取12个样品，调查两项指标：1x =家庭收入，2x =房前屋后土地面积。
用y 作为二元被解释变量，有割草机的家庭用1表示，没有割草机的家庭用0表示，12,x x 作为解释变量。
实验步骤:打开判别分析2010.sav ,之后选择判别分析。
选择变量，定义范围分组变量：必须是离散变量，设置分类变量的范围选择变量：选择一部分符合条件的观测量进行判别函数的推导，而且有一个变量的某个值可以作为这些观测量的标识。
例如：新设一个变量group，选择group=1，则只有group=1的观测量参与判别函数的推导。
一起输入自变量：判别分析过程使用所有的自变量进行判别分析，建立全模型。
使用步进式方法：筛选能对观测量的特性提供丰富的信息的自变量进入判别分析。
在“方法”栏中作相应选择Wilks’lambda：每步都是Wilk的lambda统计量最小的进入判别函数。
未解释方差：每步都是各类不可解释的方差和最小的变量进入判别函数。
判别分析假设有k 个总体，判别分析就是根据某个个体的观察值来推断该个体是来自这k 个总体中哪一个总体。
下面的例子说明判别分析有着广泛的应用。
（1）根据已有的气象资料，如气温、气压等判断明天是晴天还是阴天，是有雨还是无雨。
明天的天气情况是未来的行为。
因为是未来行为，难以得到它的完全信息。
已有的气象资料仅是它的一部分信息。
基于未来行为的不完全信息对未来行为进行预测是判别分析的一个应用。
（2）在非洲发现了一种头盖骨化石，考古学家要研究它究竟是像猿（如黑猩猩）还是像人。
倘若研究对象是活的，就能对他进行各方面的观察，有充足乃至完全的信息。
但研究对象早就死了，他的很多重要信息都丢失了。
考古学家只能根据不完全信息，如牙齿的长宽来进行判断。
当信息丢失后，对过去的行为进行判断是判别分析的另一个应用。
（3）有时人们难以得到完全的信息，这里有两种情况。
情况之一是信息完全只能来自破坏性试验。
例如，汽车的寿命只有在把它用坏之后才知道。
一般地，希望根据一些测量指标（如零部件的性能）就能事先对汽车的寿命作出判断。
情况之二是获得完全信息的代价太高。
例如，有些疾病可用代价昂贵的检查或通过手术得到确诊。
但人们往往更希望用便于观察得到的一些外部症状来诊断体内的疾病，以避免过大的开支和损失。
在完全信息难以得到时，对行为判断是判别分析的又一格应用。
正因为判别分析是基于不完全信息作出的判断，它就不可避免地会犯错误，一个好的判别法则错判的概率应很小。
除了错判概率，在判别分析问题中还应考虑费用，一个好的判别法则错误的损失应很小。
关于判别法则优良性的讨论从略。
判别分析问题的描述：设有k 个m 维总体k G G G ,,,21 ，其分布特征已知（如已知分布函数分别为)(,),(),(21x F x F x F k ，或知道来自各个总体的训练样本）。
对给定的一个新样品X ，我们要判断它来自哪个总体。
在进行判别归类时，由假设的前提，判别的依据及处理的手法不同，可得出不同判别方法。
第18章 判别分析判别分析，也就是根据观测数据对所研究的对象进行分类判别。
判别分析方法就是专门根据若干因素对预报对象进行分类的一种方法, 通过分析可以建立用于定性预报的数学模型。
例如，我们积累了某种病虫害各种发生状态的若干历史资料(样本)，希望从中总结出分类的规律性(即判别公式)，在以后的工作中遇到新的发生状态(样本)时，只要根据总结出来的判别公式判断它所属的类就行了。
在判别分析中，可从不同角度提出问题，故有不同的判别准则，常见如Fisher 判别和Bayes 判别。
第1节 两组判别1. 概述 在两组间进行判别分析的处理方法，基于统计上的费歇尔(Fisher)准则，即判别的结果应使两组间区别最大，使每组内的离散性最小。
在费歇尔准则下，确定线性判别函数y ＝c 1x 1＋c 2x 2＋…＋c p x p ，其中 c 1, c 2, …, c p 为待求判别函数的系数。
以A 和B 代表两组总体，两组中各有一批抽样数据，每个样本有p 个变量(p 个判别指标)。
A 组有n A 个样本，各判别指标(变量)的平均值为x 1(A), x 2(A), …, x p (A)。
B 组有n B 个样本，各判别指标(变量)的平均值为x 1(B),x 2(B), …, x p (B) 。
若以y c x k k k p ()()A A ==∑1 表示A 组样本的重心，以y c x k k k p()()B B ==∑1表示B 组样本的重心，则两组间的离差可用(()())y y A B -2来表示，A 组内部离散程度和B 组内部离散程度分别以(()())y y i i n A A -=∑211和(()())y y i i n B B -=∑212 来表示，其中y i (A)=c x k ik k p ()A =∑1，y c x i k ik k p()()B B ==∑1。
要使两组间离差最大，必须使()())y y (A B -2最大；要使各组内的离散程度最小，必须使()())y y i i n (A A -=∑211+(()))y y i i n B (B -=∑212达到最小。
