多元统计分析--判别分析SPSS实验报告

《应用多元统计分析》第四章判别分析实验报告第四章判别分析实验报告实验环境Windows xp、Windows vista、Windows 7等，软件SPSS 11.0版本及以上。

实验结果与分析本题中记变量值CF_TD, NI_TA, CA_CL, CA_NS分别为X1,X2,X3,X4 （1）Fisher判别函数特征值EigenvaluesFunction Eigenvalue% of Variance Cumulative %CanonicalCorrelation1.940a100.0100.0.696a. First 1 canonical discriminant functions were used in the analysis.（2）Fisher判别函数有效性检验Wilks' LambdaTest ofFunction(s)Wilks' Lambda Chi-square df Sig.1.51527.8394.000（3）标准化的Fisher判别函数系数Standardized Canonical Discriminant FunctionCoefficientsFunction1CF_TD.134NI_TA.463CA_CL.715CA_NS-.220所以标准化的判别函数为：Y=0.134X1+0.463X2+0.715X3-0.220X4得出Y=0.9012（4）未标准化的Fisher判别函数系数Canonical Discriminant Function CoefficientsFunction1CF_TD.629NI_TA 4.446CA_CL.889CA_NS-1.184 (Constant)-1.327 Unstandardized coefficients所以为标准化的费希尔判别函数为：Y=-1.327+0.629X1+4.446X2+0.889X3-1.184X4得出Y=-0.1703（5）组重心处的费希尔判别函数值Functions at Group CentroidsG Function11.8692-1.035 Unstandardized canonical discriminant functions evaluated at group means各类重心在空间中的坐标位置。

【精品】多元统计分析--判别分析SPSS实验报告一、实验目的1．掌握判别分析的基本原理和应用方法；2．掌握SPSS软件进行判别分析的具体操作；3．通过一个实例，学习如何运用判别分析对指标进行判别。

二、实验内容三、实验原理1．判别分析基本原理：判别分析（Discriminant Analysis），是一种统计学中的分类技术，它是对变量进行归类的技术。

判别分析是用来确定一个对象或自变量集合属于哪一个预设类型或者组别的过程。

判别分析能够生成一个函数，将数据点映射到特定的类型上。

判别分析的应用领域非常广泛，主要应用于以下领域：（1）股票市场（预测股价的涨跌与时间、公司发展情况等因素的关系）；（2）医学（区分疾病、患者状态等）；（3）市场调查（确定客户类型、产品或服务喜好）；（4）产业分析（区分有助于产品销售的市场决策因素）；（5）经济学（预测月度或季度的经济指标）。

3．判别分析的主要应用步骤：（1）建立模型：首先选择和收集数据，将收集的数据分为训练集和测试集；（2）训练模型：使用训练数据建立模型；（3）评估模型：通过模型诊断来评估建立的模型的好坏；（4）应用模型：对新的数据建立模型并进行预测。

四、实验过程1. 上机操作：1）打开SPSS软件，加载数据文件；2）选择分类变量和连续变量；3）选择训练数据集；4）建立模型；5）预测实验数据集。

2. 操作步骤：SPSS分析的步骤如下：1）将数据输入SPSS软件，确保数据格式正确；2）选择Analyse- Classify- Discriminant；3）有两种不同的分类变量，单分类或多分类，如果你要解释一个特定的分类变量，选择单分类。

如果你不确定哪个分类变量最适合，请尝试不同的选项；4）选择两个或更个你认为与指定分类变量相关的连续变量；5）选择要用于判别分析的数据集；6）确定分类变量分类比率。

这可以在设置选项中完成；7）点击OK，开始进行分析；8）评估结果，包括汇总、判别函数、方差-方差贡献、判别矩阵；五、实验结果选取鸢尾花数据，经过训练，得到如下表所示的结果。

华东理工大学2013—2014 学年第二学期《多元统计分析与SPSS应用》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报告：1、使用默认值进行判别分析打开“data14-04.sav”文件，依次选择Analyze→Classify →Discriminant，将变量“slen,swid,plen,pwid”移入Independents框，将变量“spno”移入Grouping V ariables框，单击Grouping Variables框，再在Define Range弹出框中，Minimum输入1，Maximum输入2，如图1.1所示，单击OK输入结果如图1.2、图1.3、图1.4、图1.5所示图1.1图1.2Analysis Case P rocessing Su mmary150100.00.00.00.00.0150100.0Unweighted Cases Valid Missing orout-of-range group codesAt least one missing discriminating variable Both missing or out-of-range group codes and at least one missing discriminating variable TotalExcluded TotalN Percent分析：总体样本为150个，有效样本数为150个，占总数的100%，无效或者未分组的样本数为0个。

图1.3分析：图1.4为分组统计量列表分析：图1.4为Fisher 判别法的两个Fisher 判别函数特征值。

Function1的特征值为30.419，解释了99%的变异.典型相关系数为0.984。

Function2的判别函数的特征值为0.293，解释了1%的变异.典型相关系数为0.476。

其特征值是组间平方和与组内平方和之比。

判别分析实验报告SPSS实验目的：判别分析（Discriminant Analysis）是一种经典的多元统计分析方法，用于解释和预测分类变量。

该实验旨在使用SPSS软件进行判别分析，探索一组变量对分类结果的贡献和预测能力。

实验步骤：1.数据收集：从一些公司的人力资源数据库中随机选择了200个员工作为样本，收集了以下变量：性别（男、女）、教育程度（本科、研究生、博士）、工龄（年）、绩效评分（0-5）、离职与否（是、否）。

2.数据清洗：检查数据中是否存在缺失值，并对缺失值进行处理。

删除离职与否变量中缺失值。

3.数据探索：使用SPSS进行描述性统计分析，了解样本的基本情况。

分别计算男女性别比例和各教育程度及离职状态的分布情况。

4. 变量选择：使用SPSS进行判别分析，将离职与否作为分类变量，性别、教育程度、工龄和绩效评分作为预测变量。

使用Wilks' Lambda检验选择预测变量，确定对分类结果的贡献。

5.判别函数计算：根据选择的预测变量，计算判别函数。

使用判别函数对样本进行分类，并计算分类结果的准确率。

实验结果：1.数据探索结果显示，样本中男女性别比例约为1：1，教育程度主要集中在本科和研究生，离职比例为14%。

2. 判别分析结果显示，Wilks' Lambda检验结果为0.632，p值小于0.05，说明选取的预测变量对分类结果有统计上显著的贡献。

3.计算得到的判别函数为D=-0.311(性别)+0.236(教育程度)+0.011(工龄)+0.585(绩效评分)。

4.使用判别函数对样本进行分类，分类准确率为81.5%。

其中，离职样本的分类准确率为75%，非离职样本的分类准确率为82%。

实验结论：通过判别分析实验，我们得出以下结论：1.性别、教育程度、工龄和绩效评分这四个变量对员工的离职与否有显著的预测能力。

2.预测变量中绩效评分对离职结果的贡献最大，说明绩效评分较低的员工更容易离职。

《多元统计分析》实验报告实验名称: 判别分析及正态检验专业：统计学班级：120802姓名：指导教师：2014 年6 月26 日给出血友病基因携带者数据1，共分2组，第一组为非携带者（1π），第二组为必然携带者（2π），分组变量为g ，变量x1表示()10log AHF 活性，变量x2表示()10log AHF 抗原，利用上述数据： （1）对两个组检查二元正态性假定；一通过菜单系统实现 二运行结果第一组的正态性检验一运行程序proc princomp data=sasuser.zu1 out=prin prefix=z standard;var x1 x2;run;proc univariate data=work.prin normal plot;var z1 z2;run;二运行结果三结论分析第二组的正态性检验一运行程序proc princomp data=sasuser.zu2 out=prin1 prefix=z standard; var x1 x2;run;proc univariate data=work.prin1 normal plot;var z1 z2;run;二运行结果三结论分析（2）假定两组先验概率相等，求样本线性判别函数，并估计误判概率；一运行程序proc discrim data=sasuser.liangzu listerr crosslisterr;class g;var x1-x2;run;二运行结果三结论分析（3）将血友病基因携带者数据2中的10个新事例用（2）得到的判别函数进行分类；一运行程序proc discrim data=sasuser.liangzu testdata=sasuser.daipan listerr crosslisterr testlist;class g;var x1-x2;run;二运行结果三结论分析（3）假定必然携带者（组2）的先验概率为0.25。

多元统计分析实验报告（精选多篇）第一篇：多元统计分析实验报告多元统计分析得实验报告院系:数学系班级:1３级 B 班姓名:陈翔学号:2013１611233 实验目得:比较三大行业得优劣性实验过程有如下得内容:(１)正态性检验;(2)主体间因子,多变量检验a;(３)主体间效应得检验;(4)对比结果(K 矩阵);(5)多变量检验结果;(６)单变量检验结果;(7)协方差矩阵等同性得Box 检验ａ,误差方差等同性得Ｌevene 检验 a;(8)估计;(9)成对比较,多变量检验;(10)单变量检验。

实验结果:综上所述,我们对三个行业得运营能力进行了具体得比较分析,所得数据表明,从总体来瞧,信息技术业要稍好于电力、煤气及水得生产与供应业以及房地产业。

１。

正态性检验Kｏlmogorｏv－SｍirnovaShapiｒ o—Wilk 统计量 dｆ Sig.统计量ｄｆ Sig、净资产收益率。

１１３ 35、2００＊。

97８ 35。

6７7 总资产报酬率。

121 35、２00＊。

964 3５、298 资产负债率。

08６ 35。

2００*.9６2 35、265 总资产周转率.1８0 3５、006。

864 ３5。

00０流动资产周转率、164 3５、０18.88５35、002 已获利息倍数、２8１35.０00。

55１３5、0０0 销售增长率.1０3 ３５、2０0＊。

９4９ 35、104 资本积累率。

251 35。

０00、655 35。

0０0 *。

这就是真实显著水平得下限。

ａ。

Lillｉeforｓ显著水平修正此表给出了对每一个变量进行正态性检验得结果,因为该例中样本中ｎ＝35<2000,所以此处选用 Shapiro—W ｉｌk 统计量。

由 Sig。

值可以瞧到,总资产周转率、流动资产周转率、已获利息倍数及资本积累率均明显不遵从正态分布,因此,在下面得分析中,我们只对净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标进行比较,并认为这四个变量组成得向量遵从正态分布(尽管事实上并非如此)。

华东理工大学《多元统计分析与SPSS应用实验》实验报告2 班级学号姓名开课学院商学院任课教师任飞成绩实验报告：实验2.1 熟悉One---Sample T Test 功能（1）选用Employee data.sav 文件中的变量，Analyze→Compare Means→One---Sample T Test，将salary作为Test因变量，test值分别取34000、35000、34419、24000，作均值检验。

如图实验结果：1.Test Value=34000：双尾概率P=0.593>α=0.05，故接受原假设，说明样本salary均值与假设值34000无显著性差异；2.Test Value=35000：双尾概率P=0.460>α=0.05，故接受原假设，说明样本salary均值与假设值35000无显著性差异；3.Test Value=34419：双尾概率P=0.999>>α=0.05，故接受原假设，说明样本salary均值与假设值35000不仅无显著性差异，而且接近样本均值。

4.Test Value=24000：双尾概率P=0.00<<α=0.05，故接受原假设，说明样本salary均值与假设值24000显著性差异。

(2). 仍选用Employee data.sav 文件中的变量，先作10%的随机抽样，然后将salary作为Test因变量，test 值取34419，作均值检验。

随机抽样：data→select cases→random sample of cases→sample→approximately 10%→Continue→OK实验结果（部分原始数据序号被划掉）：再均值检验过程：Analyze →Compare Means →One---Sample T Test，将salary作为Test因变量，test 值取34419，所得实验数据结果如下图所示：双尾概率P=0.284>α=0.05，故接受原假设，说明随机抽样样本的salary均值与假设值34419无显著性差异。

《多元统计分析分析》实验报告2012 年月日学院经贸学院姓名学号实验实验成绩名称一、实验目的（一）利用SPSS对主成分回归进行计算机实现.（二）要求熟练软件操作步骤，重点掌握对软件处理结果的解释.二、实验内容以教材例题7.2为实验对象，应用软件对例题进行操作练习，以掌握多元统计分析方法的应用三、实验步骤（以文字列出软件操作过程并附上操作截图）1、数据文件的输入或建立：(文件名以学号或姓名命名)将表7.2数据输入spss：点击“文件”下“新建”——“数据”见图1：图1点击左下角“变量视图”首先定义变量名称及类型：见图2：图2：然后点击“数据视图”进行数据输入（图3）：图3完成数据输入2、具体操作分析过程：（1）首先做因变量Y与自变量X1-X3的普通线性回归：在变量视图下点击“分析”菜单，选择“回归”-“线性”（图4）：图4将因变量Y调入“因变量”栏，将x1-x3调入“自变量”栏（图5）：然后选择相关要输出的结果：①点击右上角“统计量（s）”：“回归系数”下选择“估计”；“残差”下选择“D.W”；在右上角选择输出“模型拟合度”、“部分相关和偏相关”“共线性诊断”（后两项是做多重共线性检验）。

选完后点击“继续”（见图6）②如果需要对因变量与残差进行图形分析则需要在“绘制”下选择相关项目（图7），一般不需要则继续③如果需要将相关结果如因变量预测值、残差等保存则点击“保存”（图8），选择要保存的项目④如果是逐步回归法或者设置不带常数项的回归模型则点击“选项”（图9）其他选项按软件默认。

最后点击“确定”，运行线性回归，输出相关结果（见表1-3）图5 图6图7图8图9回归分析输出结果：的协差阵也就是相关阵进行分解做因子分析或主成分分析），如果不需要对变量做标准化处理就选“协方差矩阵”；“输出”中的两项都选，要求输出没有旋转的因子解（主成分分析必选项）和碎石图（用图形决定提取的主成分或因子的个数）；“抽取“下，默认的是基于特征值（大于1表示提取的因子或主成分至少代表1个单位标准差的变量信息，因为标准化后的变量方差为1，因子或者主成分作为提取的综合变量应该至少代表1个变量的信息），也可以自选提取的因子个数（即第二项），本例中做主成分回归，选择提取全部可能的3个主成分，所以自选个数填3。