判 别 分 析

一、实验目的

1.掌握应该使用线性判别函数而不使用多元回归的情形；

2.理解判别分析用于实际问题时的基本假定；

3.掌握判别分析应用时的要点;

4.描述判别分析的计算方法及其应用场合;

5.掌握如何解释线性判别函数的性质，即用显著的判别力去判定被解释变量;

6.掌握如何通过SPSS软件实现判别分析。

7.回归模型普及性的基础在于用它去预测和解释度量（metric）变量。

根据系统聚类法的谱系图图3-18、图3-19和图3-20可知，若将2016年全国31个省、直辖市、自治区城镇居民的人均消费支出水平划分为2类，其中北京和上海为一类，其余地区为一类。现将广东和西藏作为待判样品，具体分类数据如表4-3所示。试建立费歇线性判别函数，并将广东和西藏两个待判省区归类。

实验内容：

DISCRIMINANT

  /GROUPS=Group(1 2)

  /VARIABLES=X1 X2 X3 X4 X5 X6 X7 X8

  /ANALYSIS ALL

  /SAVE=CLASS

  /PRIORS EQUAL

  /STATISTICS=MEAN STDDEV RAW

  /CLASSIFY=NONMISSING POOLED.

Analysis Case Processing Summary
Unweighted Cases		N	Percent
Valid		29	93.5
Excluded	Missing or out-of-range group codes	2	6.5
	At least one missing discriminating variable	0	.0
	Both missing or out-of-range group codes and at least one missing discriminating variable	0	.0
	Total	2	6.5
Total		31	100.0

Group Statistics
Group		Mean	Std. Deviation	Valid N (listwise)
				Unweighted	Weighted
1	X1	9042.6000	1374.89843	2	2.000
	X2	2238.9000	571.48370	2	2.000
	X3	12672.0000	769.33218	2	2.000
	X4	2189.6000	454.52824	2	2.000
	X5	4762.7000	445.76011	2	2.000
	X6	4294.1000	338.56273	2	2.000
	X7	2734.8500	148.56313	2	2.000
	X8	1121.3500	27.22361	2	2.000
2	X1	6219.3370	1161.92606	27	27.000
	X2	1705.0556	367.54290	27	27.000
	X3	4265.4852	1035.99501	27	27.000
	X4	1308.3222	212.29766	27	27.000
	X5	2920.1519	669.68013	27	27.000
	X6	2419.0000	414.39125	27	27.000
	X7	1624.4481	351.98210	27	27.000
	X8	519.6704	139.21624	27	27.000
Total	X1	6414.0448	1360.59896	29	29.000
	X2	1741.8724	395.03828	29	29.000
	X3	4845.2448	2391.12022	29	29.000
	X4	1369.1000	317.61390	29	29.000
	X5	3047.2241	805.79717	29	29.000
	X6	2548.3172	630.37353	29	29.000
	X7	1701.0276	444.77780	29	29.000
	X8	561.1655	205.17889	29	29.000

Summary of Canonical Discriminant Functions

Eigenvalues
Function	Eigenvalue	% of Variance	Cumulative %	Canonical Correlation
1	10.981a	100.0	100.0	.957
a. First 1 canonical discriminant functions were used in the analysis.

Wilks' Lambda
Test of Function(s)	Wilks' Lambda	Chi-square	df	Sig.
1	.083	57.116	8	.000

Classification Processing Summary
Processed		31
Excluded	Missing or out-of-range group codes	0
	At least one missing discriminating variable	0
Used in Output		31

在SPSS中进行费歇判别分析是十分快捷的。首先按照表4-3把数据输入SPSS数据表中，然后依次点击 Analyze→-Classify→-Discriminant，打开 Discriminant Analysis对话框，将对话框左侧变量列表中的Group选入Grouping Variable框，并点击 Define Range,在弹出的Discriminant Analysis:Define Range 对话框中，定义判别原始数据的类别区间，本例为两类，故在Minimum 处输入1，在Maximum 处输入2，点击Continue 返回 Discriminant Analysis 对话框。再从对话框左侧的变量列表中将八个变量选人Independents框，作为判别分析的基础数据变量。点击 Statistics，弹出 Discriminant Analysis:Statistics 对话框，在Descriptives栏中选Means项，要求对各组的各变量做均值与标准差的描述；在Function Coefficients 栏中选Unstandardized 项（注意，不是Fisher's项），要求显示费歇判别法建立的非标准化系数。之后，点击Continue 返回Discriminant Analysis对话框。点击 Save，弹出 Discriminant Analysis：Save 对话框，选 Predicted group member ship 项要求将回判的结果存入原始数据库中。点击Continue 返回 Discriminant Analysis对话框，其他项目不变，点击 OK即完成分析。在输出结果中，可以看到各组均值、标准差、协方差阵等描述统计结果以及判别函数。返回数据表中，可以看到判别结果已经作为一个新的变量被保存，广东和西藏均被划分为第二类。受篇幅所限，各输出结果在此不再列示。

在SPSS中进行贝叶斯判别分析时，操作步骤与例4-3中的费歇判别相同，但是在Discriminant Analysis：Statistics 对话框的Function Coefficients 栏中要选Fisher's项而不是Unstandardized项（因为贝叶斯判别思想是由费歇提出来的，故SPSS以此命名）。Save 都分增加Probabilities of group membership 项，点击OK后得到分析结果。

逐步判别法也可以在SPSS中实现。操作步骤仍与例4-3类似，不同之处在于点击Analyze-Classify→-Discriminant，打开 Discriminant Analysis 对话框后，将 Independents栏下的 Enter independents together 项改选为Use stepwise method，此时窗口右侧的Method 按钮被激活，点击后进入 Discriminant Analysis：Stepwise Method 对话框，在Method 栏中选中Mahalanobis distance 项，即采用马氏距离，其他选项保持不变，返回主对话框后，其他操作仍与前面的例子类似。

实验总结

结果合理。根据系统聚类法的谱系图图3-18、图3-19和图3-20可知，若将2016年全国31个省、直辖市、自治区城镇居民的人均消费支出水平划分为2类，其中北京和上海为一类，其余地区为一类。现将广东和西藏作为待判样品，具体分类数据如表4-3所示。试建立费歇线性判别函数，并将广东和西藏两个待判省区归类。