例：研究某年全国各地区农民家庭收支的分布规律，根据抽样调查资料进行分类，共抽取28个省、市、自治区的六个指标数据。先采用聚类分析，将28个省、市、自治区分为三组。北京、上海、广州3个城市属于待判样本。（家庭收支.sav）
1.选中判别分析，
2.选择Fisher 即bayes判别分析方法，易混！！！
3.确定组别
4. 选择保存结果
5. 模型检验（即判别准确率）
重要结果
分类函数系数
类别
1 2 3
食品.480 .473 .429 衣着 1.612 1.354 .933 燃料 2.421 2.189 .777 住房.555 .335 .052 用品及其它 1.032 .580 .847 文化支出 5.387 5.446 4.317
(常量) -117.620 -89.052 -53.616
Fisher 的线性判别式函数
按照案例顺序的统计量
案例
数目
实
际
组
最高组第二最高组判别式得分
预
测
组
P(D>d |
G=g)
P(G=g
| D=d)
到质心的平
方
Mahalanobis
距离组
P(G=g
| D=d)
到质心的平
方
Mahalanobis
距离
函数
1
函数
2 p df
初始 1 1 1 .320 2 1.000 2.282 2 .000 22.754 3.163 -2.717
2 1 1 .799 2 1.000 .449 2 .000 17.611 3.559 -1.659
3 1 2**.095 2 .688 4.705 1 .312 6.283 2.737 1.275
4 1 1 .797 2 .984 .453 2 .016 8.670 2.85
5 -.569
5 1 1 .504 2 1.000 1.372 2 .000 20.770 4.205 -1.461
6 1 1 .313 2 .996 2.321 2 .004 13.305 1.84
7 -2.131
7 2 2 .788 2 .986 .476 1 .011 9.482 .566 .595
8 2 2 .405 2 .992 1.806 1 .008 11.456 1.756 1.913
9 2 2 .532 2 .987 1.263 1 .013 9.942 1.645 1.607
10 2 2 .451 2 .999 1.593 1 .001 15.008 1.358 2.269
11 2 2 .826 2 .984 .383 1 .015 8.758 .816 .718
12 2 2 .769 2 .994 .524 1 .006 10.742 1.252 1.523
13 2 2 .378 2 .861 1.945 3 .139 5.594 -.611 .539
14 2 2 .219 2 .639 3.034 3 .361 4.179 -1.036 .605
15 2 2 .304 2 .941 2.379 3 .059 7.903 -.943 1.596
16 2 2 .935 2 .997 .134 1 .003 12.046 .874 1.485
17 3 3 .387 2 .994 1.899 2 .006 12.039 -1.570 -1.448
18 3 3 .801 2 1.000 .443 2 .000 19.449 -3.157 -1.076
19 3 3 .413 2 .991 1.767 2 .009 11.104 -1.531 -1.303
20 3 3 .570 2 .984 1.124 2 .016 9.398 -1.635 -.847
21 3 3 .880 2 .997 .255 2 .003 11.791 -2.562 -.128
22 3 3 .826 2 .993 .383 2 .007 10.155 -2.282 -.140
23 3 3 .130 2 1.000 4.077 2 .000 29.305 -4.643 -.183
24 3 3 .078 2 .995 5.095 2 .005 15.558 -3.369 1.526
25 3 3 .323 2 1.000 2.260 2 .000 25.638 -3.294 -1.989
26 未
分
组
的
1 .000
2 1.000 20.22
3 2 .000 62.899 7.05
4 -3.278
27 未
分
组
的
1 .000
2 1.000 82.160 2 .000 150.236 11.796 -3.630
28 未
分
组
的
1 .005
2 1.000 10.431 2 .000 25.808 5.621 .759
交叉验证a 1 1 1 .349 6 1.000 6.707 2 .000 27.301
2 1 1 .025 6 .999 14.400 2 .001 29.412
3 1 2**.087 6 1.000 11.051 1 .000 37.740
4 1 1 .233 6 .900 8.064 2 .100 12.459
5 1 1 .13
6 6 1.000 9.738 2 .000 28.718
6 1 1 .182 6 .975 8.851 2 .025 16.179
7 2 2 .249 6 .945 7.850 1 .043 14.042
8 2 2 .734 6 .984 3.575 1 .016 11.807
9 2 2 .039 6 .880 13.285 1 .120 17.268
10 2 2 .078 6 .996 11.349 1 .004 22.465
11 2 2 .701 6 .967 3.819 1 .031 10.683
12 2 2 .461 6 .984 5.669 1 .016 13.903
13 2 3**.129 6 .703 9.898 2 .297 11.622
14 2 3**.444 6 .684 5.820 2 .316 7.368
15 2 2 .123 6 .635 10.047 3 .365 11.151
16 2 2 .000 6 .878 35.006 1 .121 38.973
17 3 3 .114 6 .955 10.252 2 .044 16.407
18 3 3 .925 6 1.000 1.939 2 .000 20.371
19 3 3 .288 6 .959 7.373 2 .041 13.678
20 3 3 .652 6 .963 4.186 2 .037 10.707
21 3 3 .526 6 .991 5.139 2 .009 14.634
22 3 3 .834 6 .986 2.792 2 .014 11.302
23 3 3 .101 6 1.000 10.616 2 .000 39.411
24 3 3 .018 6 .917 15.261 2 .083 20.057
25 3 3 .268 6 1.000 7.611 2 .000 32.555
对初始数据来说，平方Mahalanobis 距离基于典则函数。
对交叉验证数据来说，平方Mahalanobis 距离基于观察值。**. 错误分类的案例
