SPSS之判别分析

SPSS的判别分析过程中默认使用的是Fisher判别法和Bayes判别法，并以前者为主，在指定选项后也可以给出Bayes判别法的结果。

SPSS中判别分析在【分析】—【分类】—【判别】中完成。选定类别变量放入【分组变量】框中，单击定义范围(D)按钮给出类别变量的类别值范围，选择判别变量到【自变量】框中。指定判别变量进入策略：【一起输入自变量】选项，表示所有判别变量同时进入，为默认策略；【使用步进法】为逐步筛选策略。

判别分析的准备工作：均值检验和协差阵齐性检验。 

        （1）均值检验。要使判别分析的效果较为理想，多个类别总体下的各判别变量的均值应存在显著差异，否则误判率会较高。通常，应先进行总体的均值检验，判断各类别总体下判别变量的组间差是否显著。SPSS中通过【判别分析】—统计量(S)—【判别分析：统计】— 描述性 —【单变量ANOVA(A)】来实现均值检验，检验的原假设H0:各类别总体下的各判别变量的均值相等，检验统计量为Wilk’s λ统计量，检验方法是方差分析法。

        （2）协方差齐性检验。在距离判别中，各类别总体的协差阵相等和不等将采用不同的判别函数，因此，应判断协方差阵是否存在显著差异，或采用Box’M法进行检验。但从实用角度来说，真正完全满足协方差齐性条件的数据几乎不存在，所以一般不关心它的结果。

Fisher判别函数。Fisher判别法，也称为典则判别法，是SPSS中的默认方法。SPSS在默认情况下输出的是标准化的Fisher判别函数的判别系数。如果在SPSS中，选择【判别分析】——统计量(S)—【判别分析：统计】—【函数系数】框下，勾选【未标准化(V)】选项，表示输出非标准化的Fisher判别函数的判别系数。

贝叶斯判别函数。SPSS中选择【判别分析】——统计量(S)—【判别分析：统计】—【函数系数】框下，选择【Fisher’s】选项，可以求得Bayes判别函数的系数。

通过上述的设置，可以得到非标准化的Fisher判别函数的系数和Bayes判别函数的系数，进而可以写成相应的判别函数表达式。

        （1）将样本数据代入Fisher判别函数式，可求出各样本点投影到新空间中的坐标，进而可计算该点到类中心的距离，哪个距离短，就归入哪一类。

        （2）将样本数据代入Bayes判别函数式，算出函数值，哪个值最大，就属于哪一类。

7.为了将判别结果保存，SPSS通过【判别分析】—保存(A)—【判别分析：保存】对话框中勾选相应选项。

---

下面我们来开始实战训练：

文件：MBA录取情况.sav，给出了某商学院招收MBA学生的模拟数据，报考学生有85名，变量包括：大学平均成绩(x1)、管理才能评分(x2)以及录取结果(y,1-录取，2-不录取，3-待定)。即样品数n=85,判别变量数p=2。针对该数据，建立该学院MBA学生录取的判别模型，进而预测新学生的录取结果。

spss判别分析实现步骤：[Analyze]→[Classify]→[Discriminant Analysis]对话框，其中【Statistics】和【Classification】对话框勾选分别如下内容：

将判别分析结果保存到数据集中：在[Discriminant Analysis]中选择【Save】对话框中勾选需要保存的分析数据：

分析结果如下：

 群组统计资料（指出哪一组的哪一变量的均值最高）：录取结果中录取中的管理才能评分最高，为560.2581。

群组平均值的等式检定（指出各判别变量的概率p值）：大学平均成绩的P值 = 0.000，P值 < α=0.05，所以拒绝零假设。管理才能评分的P值 = 0.000，P值 < α=0.05，使用拒绝零假设。即各类别总体下判别变量的均值差异显著。

特征值：第一判别函数的特征值是4.110，解释了4.110/(4.110+0.184)=95.7%的方差，第一判别函数很重要；第二判别函数解释了4.3%的方差，两个判别函数解释了全部方差。

Wilks‘ Lambda：各判别函数的概率p值=0.000，p值  ＜ α=0.05，所以拒绝原假设。即 2 个判别函数的判别能力在α=0.05的显著性水平下是显著的。

Fisher判别函数：

标准化Fisher判别函数为： y1=0.913 x1+0.449 x2；y2=0.449 x1+0.895 x2

结构矩阵：大学平均成绩对判别函数1的贡献较大；管理才能评分对判别函数2的贡献较大。

非标准化Fisher判别函数为：y1=-15.595+4.086 x1+0.007x2；y2=-1.470-1.831 x1+0.014x2

群组重心的函数：“录取”类重心：判别函数1=2.368；判别函数2=0.0241。  “不录取”类重心：判别函数1=-2.403；判别函数2=0.321。  “待定”类重心：判别函数1=-0.236；判别函数2=-0.633。

Bayes判别函数：

Bayes判别函数为：录取：  F1= -163.901+70.255 x1+0.152x2；不录取：F2=-89.717+50.616 x1+0.120x2；待定：  F3=-119.397+61.215 x1+0.121x2

典型区别函数：“录取”与“待定”和“不录取”与“待定”之间存在重合区域，即存在误判。

（此处输出结果过多，只显示部分输出内容）

分类结果：

录取：原始 31 个，判对 27 个，有 4 个误判为 “待定” 类，判对率为 87.1%。

不录取：原始 28 个，判对 27 个，有 1 个误判为 “待定” 类，判对率为 96.4%。

待定：原始 26 个，判对 25 个，有 1 个误判为 “不录取” 类，判对率为 96.2%。

总判对率为  92.9% ，总的判对 79 个。

实际群组和预测群组结果：

（此处也只显示部分输出结果）