spss 相关分析

格式：ppt
大小：2.20 MB
文档页数：87

下载文档原格式

SPSS统计分析第章相关分析(共26张PPT)

7.3 偏相关分析
(4) SPSS实现举例
【例7-3】下表是四川绵阳地区3年生中山柏的数据，分析月生长量与月平均气温、月降雨量、月平均日照时数、月平均湿度4个气候因素中哪些因素有关。
月份
月生月平均长量气温
月降雨量
月平均日照时数
月平均湿度
月份
月生长量
月平均气温
月降雨量
月平均日月平均照时数湿度
方位或大小等）。定序变量的相关系数用斯皮尔曼（Spearman）相关系数和肯德尔（Kendall’s ）相关系数来衡量。
Spearman相关系数及Z统计量
n
6
D
2 i
r
1
i1
n (n 2
1)
Z r n1
Kendall’s等级相关系数及Z统计量
(UV) 2
n(n1)
Z
9n(n 1) 2(2n 5)
7.4 距离分析
相似性测度
对于定距数据主要使用皮尔逊相关系数和夹角余弦距离; 对于二值数据的相似性测度主要包括简单匹配系数、Jaccard相似性指数、Hamann相似性测度等20余种。
其中的距离又分为个案（观测记录）之间的距离和变量之间的距离两种。
(3) 分析步骤
距离分析中不存在假设检验问题，主要是通过SPSS自动计算
Spearman相关系数及Z统计量
Pearson 相关性
偏相关分析的任务就是在研究两个变量之间的线性相关关系时控制可能对其产生影响的变量，这种相关系数称为偏相关系数。
当≤|r时视为中度相关；
r r r r r r r r 当其偏|中相r时的关说x距分y明离析,变z又的量分任之为务间个就的案是相（在关观研性测究x很记两y弱录个。）变2之量间之xz的间距的y离线z 和性变相2量关之关间系的时距控离制两可x种能y,。对z1其z2产生影响的变量x，y,这z1种2相关系xz数1称,z为2偏y相z2关,2系z1数。

典型相关分析的spss操作流程

典型相关分析的spss操作流程1.首先，打开SPSS软件并创建一个新的数据文件。

First, open the SPSS software and create a new data file.2.导入你要进行典型相关分析的数据到SPSS中。

Import the data for canonical correlation analysis into SPSS.3.确保数据变量的命名和类型是正确的。

Make sure the data variable names and types are correct.4.确认数据的缺失值情况，并进行适当的处理。

Check for missing values in the data and handle them appropriately.5.选择“分析”菜单中的“相关”选项。

Select the "Correlate" option from the "Analysis" menu.6.选择“典型相关”作为分析的方法。

Choose "Canonical Correlation" as the method for analysis.7.将想要进行分析的自变量和因变量添加到对应的框中。

Add the predictor and criterion variables to their respective boxes for analysis.8.确定是否需要进行变量的标准化处理。

Decide if standardization of variables is needed.9.点击“OK”开始进行典型相关分析。

Click "OK" to start the canonical correlation analysis.10.解释典型相关分析的结果和统计显著性。

Interpret the results and statistical significance of the canonical correlation analysis.11.对典型相关分析的结果进行图表展示。

spss相关性分析原理

spss相关性分析原理
SPSS相关性分析是一种统计方法，用于研究两个变量之间的
关系。

它通过计算变量间的相关系数来衡量它们之间的相关性强度和方向。

相关系数可以是皮尔逊相关系数（Pearson correlation coefficient）或斯皮尔曼等级相关系数（Spearman rank correlation coefficient）。

皮尔逊相关系数是用于度量两个连续变量之间线性相关的指标，它的取值范围从-1到1。

当相关系数为正时，表示变量之间存
在正相关关系；当相关系数为负时，表示变量之间存在负相关关系；当相关系数接近于0时，表示两个变量之间没有线性关系。

斯皮尔曼等级相关系数则用于度量两个有序变量之间的相关性，它将原始数据转换为变量的等级顺序，然后计算等级之间的相关系数。

它适用于非线性关系和存在异常值的情况。

在进行相关性分析之前，需要检查两个变量是否满足相关性分析的前提条件，如数据的正态性、线性关系和离群值的影响等。

如果数据不满足这些前提条件，可能需要进行数据转换或选择其他适当的分析方法。

相关性分析的结果通常用相关系数和p值来解释。

相关系数越接近于1或-1，则表示变量之间的相关性越强；p值则用于检
验相关系数是否显著，p值越小表示相关性越显著。

总体而言，相关性分析可以帮助研究者理解变量之间的关系，从而对研究对象或现象进行更深入的探索。

如何在SPSS中实现典型相关分析

如何在SPSS中实现典型相关分析什么是典型相关分析？典型相关分析是指对于两个变量集合，分别找出它们的主成分，使得两个主成分之间相关系数最大，称为典型相关分析，也叫双重主成分分析。

典型相关分析可用于研究两个变量集合之间的联系，特别是当变量集合具有相关结构时，可发现更深入的联系。

SPSS中如何实现典型相关分析？1.打开数据文件：首先要打开SPSS软件，然后点击“文件”选项卡，从下拉菜单中选择“打开”命令。

在弹出的打开文件对话框中选择自己的典型相关分析数据文件并打开。

2.设置典型相关分析：点击“分析”选项卡，在下拉菜单中选择“典型相关”命令。

在弹出的对话框中选择两组变量集合并输入相关变量的名称，然后点击“确定”按钮。

3.进行典型相关分析：在弹出的典型相关分析结果窗口中，SPSS会输出典型相关系数矩阵和变量权重矩阵，以及典型变量的相关性和累积方差贡献等信息。

4.结果解释：通过观察典型相关系数矩阵和变量权重矩阵，可发现两个变量集合之间的相关性状况。

同时，通过观察典型变量的相关性和累积方差贡献，获取变量集合对联结的贡献度和对典型变量的解释能力。

典型相关分析的应用实例举例来说，假设我们想研究人的身体状况与心理健康之间的关系。

我们将人的身体状况因素归为一组变量集（如身高、体重、BMI指数等），将人的心理健康因素归为另一组变量集（如焦虑得分、抑郁得分、快乐得分等），然后进行典型相关分析。

结果显示，两组变量集之间存在强关联，其中第一对典型变量是身高、体重、BMI指数、焦虑得分和抑郁得分；第二对典型变量是快乐得分、嗜睡得分和心境得分。

这些变量集代表两方面不同的人类特征。

因此我们可以得到人类身体和心理健康之间的关系非常密切。

典型相关分析是一种用于寻找两组变量集合之间关联的有用工具。

在SPSS中实现典型相关分析，需要首先打开数据文件，然后选择指定变量集合并进行典型相关分析。

最后通过观察典型相关系数矩阵、变量权重矩阵、典型变量的相关性和累积方差贡献等指标，来解释变量集合之间的关联状况。

SPSS数据分析—相关分析

相关系数是衡量变量之间相关程度的度量，也是很多分析的中的当中环节，SPSS 做相关分析比较简单，主要是区别如何使用这些相关系数，如果不想定量的分析相关性的话，直接观察散点图也可以。

相关系数有一些需要注意的地方：1、两变量之间存在相关，仅意味着存在关联，并不意味着因果关系。

2、相关系数不能进行加减乘除运算，没有单位，不同的相关系数不可比较3、相关系数大小容易受到数据取值区间大小和数据个数大小的影响。

4、相关系数也需要进行检验确定其是否有统计学意义相关系数的假设检验中H0：相关系数=0，变量间没有相关性H1：相关系数≠0，变量间有相关性相关系数很多，我们一般根据变量的类型进行选择，我们知道变量类型由低级到高级可以分为定类、定序、定距、定比四种类型，而变量的数据类型则可以分为连续型或者离散型，注意不要混淆一、定距、定比变量，基本上也就是连续变量一般使用pearson相关系数，也称为积差相关系数，是一种线性相关系数，使用最为广泛，适用条件是两变量需要为线性关系，并且都来自正态分布总体，且要求成对出现二、定序、定距、定比变量一般使用spearman等级相关系数也称为秩相关系数，该系数利用了变量的次序信息，而且对原始数据没有过多要求，因此比pearson相关系数使用范围更广，它利用两变量的秩次大小作为分析依据，也可以认为是基于秩次的pearson相关系数，当数据不符合pearson相关系数的要求时，可以选择使用spearman相关系数，但是如果是定距或定比变量，还是建议用pearson相关系数，spearman 相关系数的效能略低。

三、只限定序变量1.Gamma相关系数2.Kendall等级相关系数，分为τ-a，τ-b，τ-c三种3.Somer's D相关系数四、定类变量定类变量的相关性大都是根据卡方值衍生而来1、person卡方实际上也就是卡方检验2.列联系数3.φ-Phi系数4.Cramer's V系数mbda（λ）系数6.Goodman and Kruskal的Tau-y系数五、二分类变量1.相对危险度RR值2.优势比OR值=========================================================熟悉了各种相关系数的情况之后，我们来看一下在SPSS中的操作1.分析—描述性统计—交叉表此过程一般用来分析列联表的，由于数据的组成大多是列联表形式，因此该过程包含了很多种相关系数2.分析—相关—双变量此分析为简单相关分析，是最常用的相关分析。

SPSS相关分析实例操作步骤-SPSS做相关分析

SPSS相关分析实例操作步骤-SPSS做相关分析SPSS（Statistical Product and Service Solutions）是目前在工业、商业、学术研究等领域中广泛应用的统计学软件包之一。

Correlation是SPSS的一个功能模块，可以用于分析两个或多个变量之间的关系。

下面是SPSS进行相关分析的具体步骤：1. 打开SPSS软件，选择“变量视图”（Variable View），输入相关的变量名，包括数字型变量和分类变量。

2. 进入“数据视图”（Data View），输入数据，并保存数据集。

3. 打开菜单栏中的“分析”（Analyze），选择“相关”（Correlate），再选择“双变量”（Bivariate）。

4. 在双变量窗口中，选择包含需要分析的变量的变量名，并将其移至右侧窗口中的变量框（Variables）。

5. 如果需要控制其他变量的影响，可以选择“控制变量”（Options）。

6. 点击“确定”（OK）按钮后，SPSS将输出结果，并将其显示在输出窗口中。

相关系数（Correlation Coefficient）介于-1和1之间，可以用来衡量两个变量之间的线性关系的强度。

7. 如果需要对结果进行图形化展示，可以选择“图”（Plots），并选择适当的图形类型。

需要注意的是，进行相关分析时需要确保变量之间存在线性关系。

如果变量之间存在非线性关系，建议使用其他统计方法进行分析。

同时，SPSS进行相关分析的结果只能描述变量之间的关系，不能用于说明因果关系。

以上是SPSS做相关分析的具体步骤，希望能对大家进行SPSS 数据分析有所帮助。

spss对数据进行相关性分析实验报告

spss对数据进行相关性分析实验报告一、实验目的与背景在统计学的研究中，相关性分析是一种常见的分析方法，用于研究两个或多个变量之间的关联程度。

本实验旨在使用SPSS软件对收集到的数据进行相关性分析，并探索变量之间的关系。

二、实验过程1. 数据收集：根据研究目的，我们收集了一份包含多个变量的数据集。

其中，变量包括A、B、C等。

2. 数据准备：在进行相关性分析之前，我们需要对数据进行准备。

首先，我们载入数据集到SPSS软件中。

然后，对于缺失数据，我们根据需要采取相应的填补或删除策略。

接着，我们进行数据的清洗和整理，以确保数据的准确性和一致性。

3. 相关性分析：使用SPSS软件，我们可以轻松地进行相关性分析。

在SPSS的分析菜单中，选择相关性分析功能，并设置相应的参数。

我们将选择Pearson相关系数，该系数用于衡量两个变量之间的线性相关关系。

此外，还可以选择其他类型的相关系数，如Spearman相关系数，用于非线性关系的探索。

设置参数后，我们点击“运行”按钮，即可得到相关性分析的结果。

4. 结果解读：SPSS将为我们提供一份详细的结果报告。

我们可以看到每对变量之间的相关系数及其显著性水平。

如果相关系数接近1或-1，并且P值低于显著性水平（通常为0.05），则可以得出两个变量之间存在显著的线性相关关系的结论。

此外，我们还可以通过散点图、线性回归等方法进一步分析相关性结果。

5. 结论与讨论：根据相关性分析的结果，我们可以得出结论并进行讨论。

如果发现两个变量之间存在显著的相关关系，我们可以进一步探究其原因和意义。

同时，我们还可以提出假设并设计更深入的实验，以验证和解释这些相关性。

三、结果与讨论根据我们的研究目的和数据集，通过SPSS软件进行的相关性分析显示了一些有意义的结果。

我们发现变量A与变量B之间存在显著的正相关关系（Pearson相关系数为0.7，P<0.05）。

这表明随着A的增加，B也会相应增加。

SPSS典型相关分析

还可以得到每个典型变量V和第一组变量的相关系数见表6以及每个典型变量W和第二组变量的相关系数见表7.
表6
第18页/共23页
表7
从这两个表中可以看出，V1主要和变量hed相关（0.99329），而V2主要和led（0.92484）及net （0.75305）相关；W1主要和变量arti（0.99696）及 man（0.92221）相关，而W2主要和com（0.81123）相关；这和它们的典型系数是一致的。
表1 相关性的若干检验
第12页/共23页
表2给出了特征根(Eigenvalue)，特征根所占的百分比 (Pct)和累积百分比(Cum. Pct)和典型相关系数(Canon Cor)及其平方(Sq. Cor)。看来，头两对典型变量(V, W) 的累积特征根已经占了总量的99.427%。它们的典型相关系数也都在0.95之上。
第14页/共23页
表3 未标准化系数表4 标准化系数
第15页/共23页
可以看出，头一个典型变量V1相应于前面第一个（也是最重要的）特征值，主要代表高学历变量hed；而相应于前面第二个（次要的）特征值的第二个典型变量V2主要代表低学历变量led和部分的网民变量net，但高学历变量在这里起负面作用。从表4中可以得到第一变量的头三个典型变量V1、 V2、V3中的V1 和V2的表达式:
12.3 典型相关分析的实例分析
例12.1为研究业内人士和观众对于一些电视节目的观点的关系，对某地方30个电视节目做了问卷调查并给出了平均评分。观众评分来自低学历(led)、高学历(hed) 和网络(net)调查三种,它们形成第一组变量；而业内人士分评分来自包括演员和导演在内的艺术家(arti)、发行(com)与业内各部门主管(man)三种，形成第二组变量。参加图12.1，数据间TV.Sav。

第七章 SPSS的相关分析

单因素方差分析

当一个变量为定类变量，另一变量为定距变量时，两变量间是否有关，通常以分组平均数比较的方法来考察。即按照定类变量的不同取值来分组，看每个分组的定距变量的平均数是否有差异。不同组间的平均数差异越小，两个变量间的关系越弱；相反，平均数差异越大，变量间关系越强。
单因素方差分析的基本步骤

最后，对不同看法进行分析。如果显著性水平设为0.05，则概率值小于0.05，拒绝原假设，认为本市户口和外地户口对未来三年是否打算买房的看法是不一致的。

在列联表中，这一定理就具体转化为：若两变量无关，则两变量中条件概率应等于各自边缘的概率乘积。反之，则两变量有关，或称两变量不独立。
由此可见，期望值（独立模型）与观察值的差距越大，说明两变量越不独立，也就越有相关。因此，卡方的表达式如下：
X
2

j i
( O ij E ij ) 2 E ij
第七章
相关分析与检验
主要内容
方差分析回顾相关分析的概念
列联分析
简单相关分析
偏相关分析
方差分析回顾
概念：方差分析是从因变量的方差入手，研究诸多自变量中哪些变量是对因变量有显著影响的变量，对因变量有显著影响的各个自变量其不同水平以及各水平的交互搭配是如何影响因变量的。方差分析认为因变量的变化受两类因素的影响：第一，自变量不同水平所产生的影响；第二，随机变量所产生的影响。这里的随机变量指那些人为很难控制的因素，主要指试验过程中的抽样误差。
卡方的取值在0~∞之间。卡方值越大，关联性越强。在SPSS中，有Pearson X2和相似比卡方（Likelihood Ratio X2 ）两种。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

实现步骤
图6-4 在菜单中选择“Scatter/Dot”命令
图6-5 “Scatter/Dot”对话框
图6-6 “Simple Scatterplot”对话框

结果和讨论
图6-7 散点图
6.3 二元定序变量的相关分析 6.3.1 统计学上的定义和计算公式
定义：定序变量又称为有序（ordinal）变量、顺序变量，它取值的大小能够表示观测对象的某种顺序关系（等级、方位或大小等），也是基于“质”因素的变量。例如，“最高学历”变量的取值是：1—小学及以下、2—初中、 3—高中、中专、技校、4—大学专科、5—大学本科、6—研究生以上。由小到大的取值能够代表学历由低到高。
david
caber marry joke jake herry
85.00
87.00 75.00 73.00 95.00 88.00
80.00
75.00 80.00 78.00 90.00 90.00

实现步骤
图6-8 “Bivariate Correlations”对话框（二）
6.3.3 结果和讨论
6.4.1 统计学上的定义和计算公式
定义：偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。偏相关分析的工具是计算偏相关系数r12， 3。
6.4.2 SPSS中实现过程
研究问题某农场通过试验取得某农作物产量与春季降雨量和平均温度的数据，如表6-3所示。现求降雨量对产量的偏相关。

实现步骤
图6-1 在菜单中选择“Bivariate”命令
图6-2 “Bivariate Correlations”对话框（一）
图6-3 “Bivariate Correlations：Options”对话框
6.2.3 结果和讨论
6.2.4 绘制相关散点图
如果对变量之间的相关程度不需要掌握得那么精确，可以通过绘制变量的相关散点图来直接判断。仍以上例来说明。
表6-2
学生作文两次的得分情况
人名 hxh yaju yu shizg hah smith watet jess wish laly john chen 作文 1 86.00 78.00 62.00 75.00 89.00 67.00 96.00 80.00 77.00 59.00 79.00 68.00 作文 2 83.00 82.00 70.00 73.00 92.00 65.00 93.00 85.00 75.00 65.00 75.00 70.00
在不相似性测量的距离分析中，根据不同类型的变量，采用不同的统计量进行计算。（1）对连续变量的样本 (x,y) 进行距离相关分析时，常用的统计量有以下几种。
6.5.2 SPSS中实现过程
距离相关分析分为相似性测量和不相似性测量，也可分为样本间分析和变量间分析。下面分别对这4种情况进行讲解。
图6-20 “Distances：Dissimilarity Measures”对话框（二）
6.1 相关分析的基本概念
任何事物的变化都与其他事物是相互联系和相互影响的，用于描述事物数量特征的变量之间自然也存在一定的关系。变量之间的关系归纳起来可以分为两种类型，即函数关系和统计关系。
当一个变量x取一定值时，另一变量y可以按照确定的函数公式取一个确定的值，记为 y = f(x)，则称y是x的函数，也就时说y与x 两变量之间存在函数关系。又如，某种商品在其价格不变的情况下，销售额和销售量之间的关系就是一种函数关系：销售额=价格×销售量。
6.4 偏相关分析
二元变量的相关分析在一些情况下无法较为真实准确地反映事物之间的相关关系。例如，在研究某农场春季早稻产量与平均降雨量、平均温度之间的关系时，产量和平均降雨量之间的关系中实际还包含了平均温度对产量的影响。同时平均降雨量对平均温度也会产生影响。在这种情况下，单纯计算简单相关系数，显然不能准确地反映事物之间地相关关系，而需要在剔除其他相关因素影响的条件下计算相关系数。偏相关分析正是用来解决这个问题的。
Pearson简单相关系数用来衡量定距变量间的线性关系。如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。
计算公式如下。 Pearson简单相关系数计算公式为
对Pearson简单相关系数的统计检验是计算t统计量，公式为
t统计量服从n−2个自由度的t分布。
6.00
8.00 10.00 13.00 14.00 16.00 17.00 18.00 18.00 20.00

实现步骤
图6-9 在菜单中选择“Partial”命令
图6-10 “Partial Correlations”对话框
图6-11 “Partial Correlations：Options”对话框
第一个第二个第三个
50 51 52

实现步骤
图6-17 “Distances”对话框（三）
图6-18 “Distances：Similarity Measures”对话框（二）
研究问题4—个案之间的不相似性测量分析以问题3中的数据为例，求幼仔的不相似程度（距离）。

实现步骤
图6-19 “Distances”对话框（四）
距离相关分析根据统计量不同，分为以下两种。不相似性测量：通过计算样本之间或变量之间的距离来表示。相似性测量：通过计算Pearson相关系数或Cosine相关来表示。
距离相关分析根据分析对象不同，分为以下两种。样本间分析：样本和样本之间的距离相关分析。变量间分析：变量和变量之间的距离相关分析。
6.4.3 结果和讨论
6.5 距离相关分析 6.5.1 统计学上的定义和计算公式
距离相关分析是对观测量之间或变量之间相似或不相似的程度的一种测量。距离相关分析可用于同一变量内部各个取值间，以考察其相互接近程度；也可用于变量间，以考察预测值对实际值的拟合优度。
距离相关分析的结果可以用于其他分析过程。例如，因子分析、聚类分析等，有助于分析复杂的数据集合。
在实际中，因为研究目的不同，变量的类型不同，采用的相关分析方法也不同。比较常用的相关分析是二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离分析。
6.2 二元定距变量的相关分析
二元变量的相关分析是指通过计算变量间两两相关的相关系数，对两个或两个以上变量之间两两相关的程度进行分析。根据所研究的变量类型不同，又可以分为二元定距变量的相关分析和二元定序变量的相关分析。
SPSS 16实用教程
第6章相关分析
6.1
相关分析的基本概念二元定距变量的相关分析
二元定序变量的相关分析偏相关分析距离相关分析
6.2
6.3
6.4
6.5
描述变量之间线性相关程度的强弱，并用适当的统计指标表示出来的过程为相关分析。可根据研究的目的不同，或变量的类型不同，采用不同的相关分析方法。本章介绍常用的相关分析方法：二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离相关分析。
图6-16 “Distance：Dissimilarity Measures”对话框（一）
研究问题3—个案之间的相似性测量分析某动物一次产下3个幼仔，分别对3个幼仔的长、体重、四肢总长、头重进行测量，试就这几个测量而言，分析3个幼仔的相似性，数据如表6-5所示。
表6-5
3个幼仔情况长体重 215 220 220 四肢总长 100 110 112 头重 11 12 12
对Kendall's tua-b等级相关系数的统计检验，一般如果个案数n≤30，将直接利用 Kendall's tua-b等级相关统计量表，SPSS将自动根据该表给出对应的相伴概率值。
6.3.2 SPSS中实现过程
研究问题某语文老师先后两次对其班级学生同一篇作文加以评分，两次成绩分别记为变量“作文 1”和“作文2”，数据如表6-2所示。问两次评分的等级相关有多大，是否达到显著水平？
表6-3 早稻产量与降雨量和温度之间的关系
产量降雨量温度
150.00
230.00 300.00 450.00 480.00 500.00 550.00 580.00 600.00 600.00
25.00
33.00 45.00 105.00 111.00 115.00 120.00 120.00 125.00 130.00
函数关系是一一Leabharlann 应的确定性关系，比较容易分析和测度，可是在现实中，变量之间的关系往往并不那么简单。
相关系数的取值范围在−1和+1之间，即 −1≤r≤+1。其中：若0＜r≤1，表明变量之间存在正相关关系，即两个变量的相随变动方向相同；若−1≤r＜0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反；
为了判断r对ρ 的代表性大小，需要对相关系数进行假设检验。（1）首先假设总体相关性为零，即H0为两总体无显著的线性相关关系。（2）其次，计算相应的统计量，并得到对应的相伴概率值。如果相伴概率值小于或等于指定的显著性水平，则拒绝H0，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝H0，认为两总体不存在显著的线性相关关系。
0.136 0.140
0.144
0.138 0.142
0.137
0.140 0.143

实现步骤
图6-12 在菜单中选择“Distances”命令
图6-13 “Distances ”对话框（一）
图6-14 “Distance：Similarity Measure”对话框（一）