SPSS因子、聚类案例分析报告.doc
SPSS聚类分析实验报告
SPSS聚类分析实验报告一、实验目的本实验的目的是通过应用SPSS软件进行聚类分析，对样本进行分类和分组，通过群组间的比较来发现变量之间的关系和特征。
通过聚类分析的结果，可以帮助我们更好地理解和解释数据。
二、实验步骤1.数据准备：选择合适的数据集进行分析。
数据集应包含若干个已知变量，以及我们需要进行聚类的目标变量。
2.打开SPSS软件，导入数据集。
3.对数据集进行数据清洗和预处理，包括处理缺失数据、异常值等。
4.进行聚类分析：选择合适的聚类方法和变量，进行聚类分析。
5.对聚类结果进行解释和分析，确定最佳的聚类数目。
6.对不同的聚类进行比较，看是否存在显著差异。
7.结果展示和报告撰写。
三、实验结果及分析在实验过程中，我们选择了学校学生的体测数据作为聚类分析的样本。
数据集共包含身高、体重、肺活量等指标，共有200个样本。
首先，我们进行了数据预处理，包括处理缺失数据和异常值。
对于缺失数据，我们选择用平均值进行填充；对于异常值，我们使用离群值检测方法进行处理。
然后，我们选择了合适的聚类方法和变量，使用K-means聚类算法对样本进行分组。
我们尝试了不同的聚类数目，从2到10进行了分析。
根据轮廓系数和手肘法定量评估了不同聚类数目下聚类效果的好坏。
最终，我们选择了聚类数目为4的结果进行进一步分析。
通过比较不同聚类结果的均值，我们发现不同聚类之间的身高、体重和肺活量等指标存在较大差异。
这说明聚类分析对样本的分类和分组是合理和有效的。
四、实验总结本次实验通过应用SPSS软件进行聚类分析，对样本进行分类和分组，通过群组间的比较来发现变量之间的关系和特征。
通过分析聚类结果，我们发现不同聚类之间存在显著差异，这为进一步研究和探索提供了参考。
聚类分析是一种常用的数据分析方法，可以帮助我们更好地理解和解释数据，对于从大量数据中发现规律和特征具有重要的应用价值。
总之，聚类分析是一种有力的数据分析工具，可以帮助我们更好地理解和解释数据。
SPSS聚类分析实验报告
SPSS聚类分析实验报告一、实验目的本实验旨在通过SPSS软件对样本数据进行聚类分析，找出样本数据中的相似性，并将样本划分为不同的群体。
二、实验步骤1.数据准备：在SPSS软件中导入样本数据，并对数据进行处理，包括数据清洗、异常值处理等。
2.聚类分析设置：在SPSS软件中选择聚类分析方法，并设置分析参数，如距离度量方法、聚类方法、群体数量等。
3.聚类分析结果：根据分析结果，对样本数据进行聚类，并生成聚类结果。
4.结果解释：分析聚类结果，确定每个群体的特征，观察不同群体之间的差异性。
三、实验数据本实验使用了一个包含1000个样本的数据集，每个样本包含了5个变量，分别为年龄、性别、收入、教育水平和消费偏好。
下表展示了部分样本数据：样本编号，年龄，性别，收入，教育水平，消费偏好---------，------，------，------，---------，---------1，30，男，5000，大专，电子产品2，25，女，3000，本科，服装鞋包3，35，男，7000，硕士，食品饮料...，...，...，...，...，...四、实验结果1. 聚类分析设置：在SPSS软件中，我们选择了K-means聚类方法，并设置群体数量为3，距离度量方法为欧氏距离。
2.聚类结果：经过聚类分析后，我们将样本分为了3个群体，分别为群体1、群体2和群体3、每个群体的特征如下：-群体1：年龄偏年轻，女性居多，收入较低，教育水平集中在本科，消费偏好为服装鞋包。
-群体2：年龄跨度较大，男女比例均衡，收入中等，教育水平较高，消费偏好为电子产品。
-群体3：年龄偏高，男性居多，收入较高，教育水平较高，消费偏好为食品饮料。
3.结果解释：根据聚类结果，我们可以看到不同群体之间的差异性较大，每个群体都有明显的特征。
这些结果可以帮助企业更好地了解不同群体的消费习惯，为市场营销活动提供参考。
五、实验结论通过本次实验，我们成功地对样本数据进行了聚类分析，并得出了3个不同的群体。
spss样本聚类案例分析
原数据名称总人口从业人员土地面积耕地面积财政收入粮食产量龙固镇58089.0029906.005302.002670.004435.0026564.00杨屯頸56235.0024033.004100.002040.001874.0028327.00大屯镇82418.0035558.007380.003793.005370.0037803.00沛城镇84487.0052675.006600.005161.006085.0050950.00胡寨镇37952.0020190.004594.002727.001779.0032305.00魏庙镇53677.0031875.005200.003706.001974.0029220.00五段镇45860.0021148.004700.002800.002099.0042762.00张庄镇90950.0042858.0011200.006800.001695.0035511.00张寨镇89017.0038344.0010634.006847.003028.004739.00敬安镇63200.0031940.009600.005003.002638.0026260.00河口镇58895.0029580.008257.005324.001655.0010821.00栖山頸63711.0026292.008951.006386.002203.00494.00鹿楼镇71143.0035285.0012540.005991.002250.0040500.00朱寨镇60112.0025776.007900.004482.001449.0033611.00安国镇85083.0051974.0013329.005634.004313.0033911.00------------1・1样本聚类（Q聚类）JJU .00 Ib^.UU Jbbll.UU 30方0D 4739.00.00.00至统嶷类分析：统才蛍.00.00.00.00 ◎无迥）' •单一方买⑤鬆类»（Bj：最小惑数勉:［缝绫II取希II帮助I聚类表通过系数做出其散点图群集成员案例群集数使用平均联接（组间）的树状图重新调整距离聚类合并1.2变量聚类（R 聚类）近似矩阵案例矩阵文件输入总人口从业人 员土地面积耕地面 积 财政收 入粮食产 量总人口 1.000 .857 .698 .714 .512 .043 从业人.8571.000.597.570.643.277员土地面.698.5971.000.856.044-.147积耕地面.714.570.8561.000 -.001-.335积21M8.C0 U70J.C0 2EO3.C0 GEODCO羽丸d 31940 2^60CO 26292 CO劇a 标皿35265 CO®EXal|N)：5776 CO 引97」CO卡方血 0计砲• |転瓦ndzn 距阉O 二分卷回：咖SUB忝统蟹凭分析：力链厂沱屯＜3丄）I 卿符弓也丄刼碇到01全距归4255B.C011ZOD.CO 咖 3427G2.C01SK.C0 2S511.CO［齢］躺般|/总人口 少丛业人员 少土地面枳 炉辭地而枳细 Q...方法妙财政收.512 .643 .044 001 1.000 .342 入粮食产.043 .277 -147 335 .342 1.000 量聚类表群集成员案例粮您产蜀财政收入耕地面枳土地面枳从业人员总人口使用平均联接（纽间）的树状图2. K—均值聚类原数据描述统计量:均值聚类分析:…冈星H 初始聚类中心(!)ffl gNOVA 表(A)■■“ ••“ ••“ •■“ •••• •■“ ・•••••••••••••••••••••••••• •••• •••• IN极小值 极大值均值 标准差身髙月平均增长19.3411.03 1.88422. 5634率2体重月平均增长19.4950. 30 5. 6363 11. 718率14胸围月平均增长19.1611.81 1.49582. 7933率9坐髙月平均增长19.1411.27 1. 71112. 8070率9有效的N （列表19状态）66153049J714212-.12513K3-.046697卅K 均佰垦艮分・・・区）|E 标准©O［竝］确用|缺失值@按列表排除个案也）O按对排除个案Q输出结果:初始聚类中心迭代历史记录4a.由于聚类中心内没有改动或改动较小而达到收敛。
SPSS因子分析实验报告
实验十一（因子分析）报告一、数据来源各地区年平均收入.sav二、基本结果（1）考察原有变量是否适合进行因子分析首先考察原有变量之间是否存在线性关系，是否采用因子分析提取因子。
借助变量的相关系数矩阵、反映像相关矩阵、巴特利球度检验和KMO检验方法进行分析，结果如表1、表2所示：表1原有变量相关系数矩阵 correlation matrix表1显示原有变量的相关系数矩阵，可以看出大部分的相关系数都比较高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。
表2 KMO and Bartlett's Test由表2可知，巴特利特球度检验统计量观测值为，p值接近0，显著性差异，可以认为相关系数矩阵与单位阵有显著差异，同时KMO值为，根据Kaiser给出的KMO度量标准可知原有变量适合进行因子分析。
（2）提取因子进行尝试性分析：根据原有变量的相关系数矩阵，采用主成分分析法提取因子并选取大于1的特征值。
具体结果见表3：可知，initial一列是因子分析初始解下的共同度，表明如果对原有7个变量采用主成分分析法提取所有特征值，那么原有变量的所有方差都可以被解释，变量的共同度均为1。
事实上，因子个数小于原有变量的个数才是因子分析的目的，所以不可以提取全部特征值。
第二列表明港澳台经济单位、集体经济单位以及外商投资经济单位等变量的绝大部分信息（大于83%）可被因子解释。
但联营经济、其他经济丢失较为表3因子分析中的变量共同度（一）严重。
因此，本次因子提取的总体效果不理想。
重新制定提取特征值的标准，指定提取2个因子，分析表4：可以看出，此时所有变量的共同度均较高，各个变量的信息丢失较少。
因此，本次因子提取的总体效果比较理想。
表4因子分析的变量共同度（二）表5中，第一列是因子编号，以后三列组成一组，每组中数据项为特征值、方差贡献率、累计方差贡献率。
第一组数据项（2-4列）描述因子分析初始解的情况。
在初始解中由于提取了7个因子，因此原有变量的总方差均被解释，累计方差贡献率为100%。
SPSS管理统计 课程设计 因子分析和聚类分析
一：实验名：实验四二：实验要求：练习上课讲过（第10-12章）的例子。
（无需写实验报告）三：实验步骤：1、使用“网购数据”文件进行以下分析。
1.1 产生因子：商品感知风险、网页展示质量、网络安全、卖家信誉、服务质量、便捷性、所属平台质量、以往经验、网络购物意向。
实验步骤：1）读取数据“网购数据”，依次点击analyze--data reduction—factor，弹出小窗口，将“感知风险”以及以下的四列添加到Test Variable(s)中，如图1.11所示2）再点击score按钮，选择“save as variables”选项，如图1.12所示，点击continue 返回。
3）此时data view界面就会出现如图1.13所示列，用相同方法将其余的各组因子归类，如图1.14所示，使其增加了9列fac1_1..9 。
图1.11 因子分析主窗口图1.12 因子分析子窗口图1.13新增因子实验结果：图 1.14 ，如图所示，产生“商品感知风险、网页展示质量、网络安全、卖家信誉、服务质量、便捷性、所属平台质量、以往经验、网络购物意向”9项因子图1.141.2 分别对网络购物意向与商品感知风险、网页展示质量、网络安全、卖家信誉、服务质量、便捷性、所属平台质量、以往经验的相关分析。
实验步骤：1）依次点击analyze--data reduction—factor，弹出小窗口，将“fac_1”以及以下的9列因子添加到Test Variable(s)中，如图1.21所示2）点击descriptives按钮，弹出小窗口，选上“KMO and…sphericity ”选项，（即KMO 测度和巴特利特球体检验）如图1.22，点击continue返回。
3）点击extraction按钮，探出小窗口，在display框中选上scree plot（显示碎石图）如图1.23。
点击continue返回。
4）点击score按钮，选择“save as variables”选项，下面的method小框被激活，系统默认为regression选项（回归方法），如图1.24所示，点击continue返回。
spss聚类分析与因子分析
基于因子分析的31个省行业就业情况分析摘要：就业问题已经越来越受人重视，通过对31个省的17个就业指标进行因子分析，得出3个因子的较为合理的解释，并结合对31个省的就业情况做出相应的聚类分析，给出相应的综合分析结论。
关键词：因子分析聚类分析1、指标的确定根据《中国统计年鉴2009》中的数据表，选取X1: 农、林、牧、渔业就业人数 X2: 采矿业就业人数X3:制造业就业人数 X4：电力、燃气及水的生产及水的生产和供应业就业人数X5：建筑业就业人数 X6：交通运输、仓储和邮政业就业人数X7：信息传输、计算机服务和软件业就业人数X8：批发和零售业就业人数 X9：住宿和餐饮业就业人数X10：金融业就业人数 X11：租赁和商务服务业就业人数X12：科学研究、技术服务和地质勘查业就业人数X13：水利、环境和公共设施管理业就业人数 X14：教育就业人数X15：卫生、社会保障和社会福利业就业人数 X16：文化、体育和娱乐业就业人数X17：公共管理和社会组织就业人数这17个数据对31个省的就业情况进行相关分析。
2、因子分析及结果先标准化数据，且因子分析过程以特征值大于0为标准提取因子，以主成分法做因子分析，由KMO检验值0.766可判别该问题可使用因子分析。
再考察累计贡献率>85﹪的成分，由图1可知应选择3个因子较为适合。
Total Variance Explained14 .016 .091 99.879 .016 .091 99.87915 .011 .064 99.942 .011 .06499.94216 .008 .045 99.987 .008 .045 99.98717 .002 .013 100.000 .002 .013 100.000图1再次以3个主分做标准做提取因子，并以主成分法做因子分析，采用方差极大化方法对因子载荷矩阵进行旋转，可得旋转后的因子特征值和贡献率（图2）以及旋转后的因子载荷矩阵（图3）。
SPSS聚类分析实验报告
SPSS聚类分析实验报告摘要：本实验旨在利用SPSS软件进行聚类分析，并通过实验结果分析数据的分布情况，揭示数据中的隐含规律。
通过聚类分析，我们将数据样本划分为不同的类别，以便更好地理解数据的特征、相似性以及群组之间的差异。
实验结果表明，SPSS软件在聚类分析方面具有较高的可靠性和准确性，能够有效地提取数据的特征和隐含信息，为数据分析提供有力支持。
1.引言2.实验方法2.1数据收集与准备本实验使用到的数据集是从公开渠道获取的一份包含各个地区收入、消费、教育等特征的数据集。
为了保护数据安全和隐私，将被分析的数据进行了匿名化处理。
2.2SPSS操作步骤（1）导入数据集：将数据集导入SPSS软件，并进行数据检查和处理，确保数据的完整性和准确性。
（2）选择合适的聚类算法：根据实验目的和数据特点选择适合的聚类算法，这里选择了k-means算法作为聚类算法。
（3）设置聚类参数：设置聚类的类别数、迭代次数等参数，以得到最优的聚类结果。
（4）进行聚类分析：运行聚类分析模块，观察聚类结果和聚类中心的分布情况。
（5）结果解释与分析：根据聚类结果，对不同类别的数据进行特征分析和差异比较，以更好地理解数据的特点和分布规律。
3.实验结果与分析通过SPSS软件进行聚类分析，得到了数据样本的聚类结果。
根据平均轮廓系数和间隔分析等指标，确定了最优的聚类类别数，并得到了每个类别的聚类中心和分布情况。
3.1聚类类别数的确定为了确定合适的聚类类别数，使用平均轮廓系数方法和间隔分析方法进行评估。
通过计算不同聚类类别数下的平均轮廓系数和间隔分析值，选择具有最大平均轮廓系数和最小间隔分析值的类别数作为最优的聚类类别数。
经过计算分析，确定了聚类类别数为33.2聚类结果与分析根据聚类类别数为3的聚类结果，将数据样本分为了三组。
分别对每组数据进行了特征分析和差异比较。
3.2.1类别1：高收入、高教育水平、低消费该类别的个体具有较高的收入水平和教育水平，但消费水平较低。
使用SPSS软件进行因子分析和聚类分析的方法
使用SPSS软件进行因子分析和聚类分析的方法使用SPSS软件进行因子分析和聚类分析的方法随着统计分析软件的发展，SPSS（Statistical Package for the Social Sciences）软件作为一款功能强大、易于使用的统计分析工具受到广泛欢迎。
它能帮助研究人员进行各种统计分析，其中包括因子分析和聚类分析。
本文将介绍如何使用SPSS软件进行因子分析和聚类分析，并针对每个分析方法提供详细步骤和操作示例。
一、因子分析因子分析是一种常用的统计方法，在数据维度缩减和相关变量结构分析方面具有广泛的应用。
以下是使用SPSS软件进行因子分析的步骤：1. 数据准备首先，需要将原始数据导入SPSS软件中。
可以通过选择“文件”>“打开”>“数据”，然后选择合适的数据文件进行导入。
确保数据是以矩阵的形式存储，每个变量占据一列，每个观察单位占据一行。
2. 因子分析设置在SPSS软件中，选择“分析”>“数据准备”>“特殊分析”>“因子”。
在弹出的对话框中，选择需要进行因子分析的变量，将它们移动到“因子”框中。
然后，选择所需的因子提取方法（如主成分分析或因子分析），并指定所需的因子个数。
可以选择默认值，也可以根据实际需求进行调整。
3. 统计输出完成因子分析设置后，点击“确定”按钮开始分析。
SPSS软件将生成一个因子分析结果报告。
报告中将包含因子载荷矩阵、特征值、解释的方差比例等统计指标。
通过这些指标，可以对变量和因子之间的关系、每个因子的解释能力进行分析。
4. 结果解读对于因子载荷矩阵，可以根据因子载荷的大小来判断变量与因子之间的关系。
一般来说，载荷绝对值大于0.3的变量与因子之间具有显著关联。
解释的方差比例表示每个因子能够解释变量总方差的比例，一般来说，越大越好。
在解读结果时，需要综合考虑因子载荷和解释的方差比例。
二、聚类分析聚类分析是一种用于数据分类的统计方法。
它根据观测值之间的相似性将数据对象分组到不同的类别中。
SPSS因子、聚类案例分析报告.doc
SPSS因子、聚类案例分析报告.doc《多元统计分析SPSS》实验报告实验课程：基于 SPSS的数据分析实验地点：现代商贸实训中心实验室名称：经济统计实验室学院：xxx 学院年级专业班： xxx 班学生姓名：xxx 学号： 015完成时间：2016 年 x 月 x 日开课时间：2016 至 2017 学年第 1 学期成绩教师签名批阅日期实验项目：中国上市银行竞争力分析（一）实验目的本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8 个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。
最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。
（二）实验资料通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。
具体数据如下所示：十家同类型上市商业银行2012 年指标盈利能力安全能力发展能力资产利润资产负债资本充足每股收益贷款增长存款增长总资产增率不良贷款率率率增长率率率长率平安银行% % % % % % % % 浦发银行% % % % % % % % 建设银行% % % % % % % % 中国银行% % % % % % % % 农业银行% % % % % % % % 工商银行% % % % % % % 10% 交通银行% % % % % % % % 招商银行% % % % % % % % 中信银行% % % % % % % % 民生银行% % % % % % % %（三）实验步骤1、选择菜单2、选择参与因子分析的变量到( 变量 V) 框中3、选择因子分析的样本4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为：主成分分析法6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法7、在所示窗口中点击（得分S）按钮选择计算因子得分的方法8、在所示窗口中点击（选项）按钮（四）实验结果及分析分析结果如下表所示。
SPSS案例-因子分析结果聚类
对因子分析结果进行聚类分析
一、指标选取
由因子分析结果可得，我国城市设施可以由三个方面来综合体现。
因子 1主要解释的是城市用水普及率，每万人拥有公共交通车辆，命名为保障因子；而因子 2 主要解释的是人均城市道路面积，人均公园绿地面积3个指标，命名为环境因子，而因子 3主要解释的是每万人拥有公共厕所，命名为卫生因子。
以全国31个城市为研究对象，以这三个因子为指标进行聚类分析。
二、对数据进行系统聚类分析
三、快速聚类结果
四、得出结论
根据系统聚类法的输出结果，可以看出，第一类城市包括北京与上海，第三类包括黑龙江与内蒙古，其他城市为第二类。
显然，第一类城市设施较好，第二类次之，第三类最差。
聚类分析实验报告SPSS
一、实验目的及要求：1、目的用SPS歎件实现聚类分析及其应用2、内容及要求用SPSS寸实验数据运用系统聚类法和K均值聚类法进行分析二、仪器用具：三、实验方法与步骤准备工作：把实验所用数据从Word文档复制到Excel,并进一步导入到SPSS 数据文件中。
分析：由于本实验中要对31个个案进行分类，数量比较大，用系统聚类法当然也可以得出结果，但是相比之下在数据量较大时，K均值聚类法更快速高效，而且准确性更高，因此，在以下的分析过程中，先采用系统聚类法分析，得出相应结果和碎石图（即聚合系数随分类数变化的曲线图），根据碎石图来判定分几类比较合适，然后再用K均值聚类法进行聚类分析得出结果，比较两结果的异同，以得到比较可信的结果。
四、实验结果与数据处理：1）用系统聚类法对所有个案进行聚类：采用Z分数对数据进行标准化处理。
以下图一为聚类方法为“组间联接”时的冰柱图，图二为聚类方法为“Ward法”时的冰柱图，图三为聚类方法为“质心聚类法”时的冰柱图。
不难看出在分五类的情况下，（未标出的所有为一类）图一的分类为：北京；天津；上海、浙江、广东；辽宁、四川、江苏、山东；…… 图二的分类为：北京；天津；上海、海南、浙江、广东；辽宁、四川、江苏、山东；…… 图三的分类为：北京；天津；上海、浙江、广东；辽宁、四川、江苏、山东；…… 聚类方法为“组间联接”与“质心聚类法”时分五类的情况是一样的，而聚类方法为“ Ward法”时与它们两个有些许差别，但总的来说在分五类时，比较可信的结论是北京、天津单独为一类，辽宁、四川、江苏、山东为一类，上海、浙江、广东为一类，在海南省的划分上有些差异，“Ward法”中将其与上海、浙江、广东分为一类，但是其余两个将海南与未列出各省划为一类。
-i-宴时天泮*rs1祈江总S■a-■*囲湼41片十Um2.z*flt.躺7出-27屠s-E^.-r京*?盍M$二豊1R—UU-S甲oL'l«卑.r:'二：必Ifi押?.-林®畳汇24*狼一7护.丁2tr.*K二用二S爲<!«±rlj自4 - *>12）系统聚类法分析时的碎石图：聚类方法为“组间联接”时的碎石图：Itu 江」i若养；’5-图三120. 000 100. 000 80. 000 60. 000 40. 000 20. 000OOOO30O聚类方法为“ Ward 法”时的碎石图:聚类方法为“质心聚类法”时的碎石图:由这三个图可以看出在聚类方法为“ Ward 法”时的碎石图不如另外两个图落 差那么明显，但是综合这三个图来看，分五类还是相对比较合理的，这也是为什么 在第一部分的分析中只看了分五类时的情况，而且在下面的K 均值聚类分析中，也聚合系敌4----------------------------------- -------------------------------------------------------------------------------------------------------------------------------------250.000 200. 000 150, 000 100.000 50. 000 .000分类数1J0. 000 100.00030. 00060. 000 10. 000 20. 000OO将指定聚类数为5.3)K均值聚类:在下页表一中显示了样品的分类情况，我们看到，K均值聚类法将所分析的31 个省、市、自治区分为这样的五类:1:北京；2:福建、海南；3:辽宁、江苏、山东、四川；4:天津、上海、浙江、广东；5:剩下的20个省、市、自治区。
SPSS因子、聚类案例分析报告.doc
喀什大学实验报告《多元统计分析SPSS》实验报告实验课程：基于SPSS的数据分析实验地点：现代商贸实训中心实验室名称：经济统计实验室学院： xxx学院年级专业班： xxx班学生姓名： xxx 学号： XXXX1808015 完成时间： XXXX年x月x日开课时间： XXXX 至 2017 学年第 1 学期实验项目：中国上市银行竞争力分析（一）实验目的本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其XXXX 年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。
最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。
（二）实验资料通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。
具体数据如下所示：十家同类型上市商业银行XXXX年指标（三）实验步骤1、选择菜单2、选择参与因子分析的变量到(变量V)框中3、选择因子分析的样本4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为：主成分分析法6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法7、在所示窗口中点击（得分S）按钮选择计算因子得分的方法8、在所示窗口中点击（选项）按钮（四）实验结果及分析分析结果如下表所示。
相关性矩阵每股收益增长率贷款增长率存款增长率总资产增长率相关性资产利润率.383 -.144 -.404 -.359 不良贷款率-.207 -.025 -.009 -.086资产负债率.563 -.166 .105 .494资本充足率-.479 .357 .044 -.392每股收益增长率 1.000 -.366 -.345 .159贷款增长率-.366 1.000 .922 .551存款增长率-.345 .922 1.000 .738总资产增长率.159 .551 .738 1.000显著性（单尾）资产利润率.137 .346 .124 .154 不良贷款率.283 .472 .490 .407资产负债率.045 .323 .386 .073资本充足率.081 .155 .452 .131每股收益增长率.149 .164 .330贷款增长率.149 .000 .049存款增长率.164 .000 .007总资产增长率.330 .049 .007 通过观察原始变量的相关系数矩阵，可以看到，矩阵中存在许多比较高的相关系数，并且大多数变量通过了原假设为相应变量之间的相关系数为0的t假设。
使用SPSS软件进行因子分析报告和聚类分析报告的方法
使用SPSS软件进行因子分析和聚类分析的方法一、方法原理1.因子分析（FactorAnalysis）因子分析是从多个变量指标中选择出少数几个综合变量指标的一种降维的多元统计方法。
我们在多元分析中处理的是多指标的问题，观察指标的增加是为了使研究过程趋于完整，但由于指标太多，使得分析的复杂性增加；同时在实际工作中，指标间经常具备一定的相关性，使得观测数据所放映的信息有重叠，故人们希望用较少的指标代替原来较多的指标，但依然能放映原有的全部信息，于是就产生了因子分析方法。
2.聚类分析（ClusterAnlysis）聚类分析是根据事物本身特性来研究个体分类的统计方法，是按照物以类聚的原则来研究的事物分类。
3.市场细分方法的流程图二、实证分析已调查35个城市的总人口、生产总值、消费总额、人均年工资、年度储蓄总额、年度财政总收入等数据，试对上述城市进行分类研究。
1.因子分析：·选用Analyze→DataReduction→Factor……·引入因子分析的6个变量（总人口、生产总值、消费总额、人均年工资、年度总储蓄额、年度财政总收入）·提取公因子的方法（Method）：主成分分析法·提取（Extract）可选：提取特征值大于1的因子·旋转（Rotation）的方法：方差最大正交旋转·因子得分（FactorScores）：作为新变量存入表 1 方差解释表（Total Variance Explained）表 2 旋转后的因子负荷矩阵（Rotated Component Matrix）2.聚类分析：·选用Analyze→Classify→K-MeansCluster……·引入聚类分析的2个变量（即上面的2个公因子）·聚类的数目（NumberofClusters）：3类·聚类方法（Method）：仅分类·储存新变量（SaveNewVariables）：聚类成员表 3 各类数量分布表（Number of Cases in each Cluster）3.均值多重比较：·选用Analyze→CompareMeans→One-WayANOVA……·将2个因子移入因变量，3个类移入“Factor”·多重比较方法（MultipleComparisons）：邓肯法Duncan 表 4 3个类对于因子1的重视程度比较表 5 3个类对于因子2的重视程度比较4．综合。
SPSS因子分析实验报告
SPSS因子分析实验报告一、实验目的本次实验旨在运用 SPSS 软件进行因子分析，以探索和简化数据结构，发现潜在的因子，并对变量之间的关系进行深入理解。
通过因子分析，我们希望能够提取主要的公共因子，解释数据中的大部分变异，为进一步的数据分析和决策提供有价值的信息。
二、实验数据来源本次实验所使用的数据来源于具体数据来源。
该数据集包含了具体变量描述等多个变量，共样本数量个观测值。
这些数据反映了数据所涉及的研究对象或领域的相关情况。
三、实验步骤1、数据预处理首先，对原始数据进行了初步的检查和清理。
检查了数据中是否存在缺失值，并对缺失值进行了适当的处理（如删除含缺失值的观测、用均值或中位数插补等）。
同时，对数据进行了标准化处理，以消除量纲的影响，使不同变量在相同的尺度上进行比较。
2、适用性检验在进行因子分析之前，需要对数据进行适用性检验，以确定数据是否适合进行因子分析。
常用的检验方法包括巴特利特球形检验（Bartlett's Test of Sphericity）和 KMO 检验（KaiserMeyerOlkin Measure of Sampling Adequacy）。
巴特利特球形检验的原假设是相关系数矩阵为单位矩阵，即变量之间相互独立。
如果检验结果显著（p 值小于 005），则拒绝原假设，表明变量之间存在相关性，适合进行因子分析。
KMO 检验用于评估变量之间的偏相关性。
KMO 值越接近 1，表明数据越适合进行因子分析；一般认为，KMO 值大于 06 时适合进行因子分析。
3、提取因子根据适用性检验的结果，确定可以进行因子分析后，使用主成分法（Principal Component Analysis）或主轴因子法（Principal Axis Factoring）等方法提取因子。
在提取因子时，需要确定提取因子的个数。
常用的确定因子个数的方法有特征值准则（Eigenvalue Criterion）和碎石图（Scree Plot）。
聚类分析实验报告SPSS
聚类分析实验报告SPSS一、实验目的：1.掌握聚类分析的基本原理和方法；2.了解SPSS软件的使用；3.通过实际数据分析，探索样本数据的聚类结构。
二、实验步骤：1.数据预处理：a.收集并导入样本数据；b.对数据进行初步探索和了解，包括数据描述统计、缺失值处理等；2.聚类分析：a.选择合适的变量进行聚类分析；b.选择聚类算法和相似性度量方法；c.进行聚类分析，得到聚类结果；d.检验聚类结果的稳定性和合理性；3.结果解释：a.对聚类结果进行解释和描述，给出每个聚类的特点和含义；b.使用图表展示聚类结果，以便更直观地理解；c.对聚类结果进行验证和评估，如通过交叉验证等方法；4.结论：a.总结分析结果，给出对样本数据的聚类结构的总体认识；b.提出有关样本数据的进一步探索方向和建议。
三、实验结果与分析：1.数据预处理：样本数据包括了多个变量，我们首先对这些变量进行初步的探索和分析，了解它们的分布情况和特点。
同时，对于缺失值的处理，我们采取了删除或插补的方法，以保证后续分析的准确性和完整性。
2.聚类分析：在选择变量时，我们考虑到了变量之间的相关性，以及对聚类结果的解释性。
通过SPSS软件，我们选择了合适的聚类算法和相似性度量方法，进行了聚类分析。
3.结果解释：根据聚类结果，我们将样本数据划分为多个聚类群组。
对于每个聚类群组，我们进行了详细的解释和描述，给出了其特点和含义。
通过图表的展示，我们能更直观地理解每个聚类群组的分布情况和区别。
4.结论：综合分析结果，我们得出了对样本数据聚类结构的总体认识。
同时，我们提出了进一步探索的方向和建议，以获取更多的知识和信息。
四、实验总结：通过这次实验，我们掌握了聚类分析的基本原理和方法，了解了SPSS软件的使用。
通过实际数据的分析，我们能够更深入地理解样本数据的聚类结构，为进一步的研究和应用提供了基础。
在实验过程中，我们也遇到了一些问题和困难，但通过团队合作和专业指导，我们得以顺利完成实验，并取得了较好的结果。
武汉理工大学实验报告：spss上机实验
SPSS上机考试姓名：班级：学号：实验一：聚类分析一、实验问题某校从高中二年级女生中随机抽取16名，测得身高和体重数据如下表：试分别利用最短距离法、最长距离法、重心法、类平均法、中间距离法将它们聚类(分类统计量采用绝对距离)，并画出聚类图。
二、实验步骤1、1.数据处理：在SPSS中的Data View中导入数据，并在Variable View中定义变量。
2、点击“Analyze-Classify-Hierarchical Cluster，打开Hierarchical Cluster的对话框，从左侧将2个聚类指标选入Variables栏中，将表示序号（字符串）选入Lable Cases By栏中按“Plots”按钮，在弹出的窗口中选中Dendrogram（谱系图）选项，按“Continue”返回主对话框。
再按“Method”按钮，在Cluster Method，下面就各种方法进行结果输出。
3.结果输出（1）最短距离法分类统计量采用绝对距离Block，采用最短距离法Nearest neighbor返回主对话框后点击“OK”即可得到聚类结果的树形图如下：（2）最长距离法分类统计量采用绝对距离Block，采用最短距离法Furthest neighbor返回主对话框后点击“OK”即可得到聚类结果的树形图如下：(3)重心法分类统计量采用绝对距离Block，采用最短距离法Centroid clustering返回主对话框后点击“OK”即可得到聚类结果的树形图如下：（4）类平均法-组间平均法分类统计量采用绝对距离Block，采用最短距离法Between-groups linkage返回主对话框后点击“OK”即可得到聚类结果的树形图如下：（5）中间距离法分类统计量采用绝对距离Block，采用最短距离法Median clustering返回主对话框后点击“OK”即可得到聚类结果的树形图如下：分析：就以中间聚类法为例，当采用绝对距离时，分为3类的时候分别为：①5 12 13 15 16 1 6 7②4 ③8 11 9 10 2 14基于上述各种聚类方法的分析可知，分为3类的时候各个方法相似度最高，所以将其分为3类最为合适。
SPSS操作方法：聚类分析报告
实验指导之一聚类分析的SPSS操作方法系统聚类法实验例城镇居民消费水平通常用下表中的八项指标来描述。
八项指标间存在一定的线性相关。
为研究城镇居民的消费结构，需将相关性强的指标归并到一起，这实际上就是对指标聚类。
实验数据表 2001年30个省。
市，自治区城镇居民月平均消费数据x1人均粮食支出(元／人) x5人均衣着商品支出(元／人)x2人均副食支出(元／人) x6人均日用品支出(元／人)x3人均烟、酒、茶支出(元／人) x7人均燃料支出(元／人)x4人均其他副食支出(元／人) x8人均非商品支出(元／人)x1x2x3x4x5x6x7x8北京7.78 48.44 8.00 20.51 22.12 15.73 1.15 16.61天津10.85 44.68 7.32 14.51 17.13 12.08 1.26 11.57河北9.09 28.12 7.40 9.62 17.26 11.12 2.49 12.65山西8.35 23.53 7.51 8.62 17.42 10.00 1.04 11.219.25 23.75 6.61 9.19 17.77 10.48 1.72 10.51辽宁7.90 39.77 8.49 12.94 19.27 11.05 2.04 13.29吉林8.19 30.50 4.72 9.78 16.28 7.60 2.52 10.327.73 29.20 5.42 9.43 19.29 8.49 2.52 10.00上海8.28 64.34 8.00 22.22 20.06 15.52 0.72 22.89江7.21 45.79 7.66 10.36 16.56 12.86 2.25 11.69浙江7.68 50.37 11.35 13.30 19.25 14.59 2.75 14.87安徽8.14 37.75 9.61 8.49 13.15 9.76 1.28 11.28福建10.60 52.41 7.70 9.98 12.53 11.70 2.31 14.69江西 6.25 35.02 4.72 6.28 10.03 7.15 1.93 10.39山东8.82 33.70 7.59 10.98 18.82 14.73 1.78 10.10河南9.42 27.93 8.20 8.14 16.17 9.42 1.55 9.76湖北8.67 36.05 7.31 7.75 16.67 11.68 2.38 12.88湖南 6.77 38.69 6.01 8.82 14.79 11.44 1.74 13．23广东12.47 76.39 5.52 11.24 14.52 22.00 5.46 25.50广西7.27 52.65 3.84 9.16 13.03 15.26 1.98 14.57海南13.45 55.85 5.50 7.45 9.55 9.52 2.21 16.30四川7.18 40.91 7.32 8.94 17.60 12.75 1.14 14.80贵州7.67 35.71 8.04 8.31 15.13 7.76 1.41 13.25云南9.98 37.69 7.01 8.94 16.15 11.08 0.83 11.67西藏7.94 39.65 20.97 20.82 22.52 12.41 1.75 7.90陕西9.41 28.20 5.77 10.80 16.36 11.56 1.53 12.17甘肃9.16 27.98 9.01 9.32 15.99 9.10 1.82 11.35青海10.06 28.64 10.52 10.05 16.18 8.39 1.96 10.81宁夏8.70 28.12 7.21 10.53 19.45 13.30 1.66 11.96新疆 6.93 29.85 4.54 9.49 16.62 10.65 1.88 13.61系统聚类法的SPSS操作：1. 从数据编辑窗口点击Analyze →Classify →Hierachical Cluster , （见图1）图1 系统聚类法打开层次聚类法对话如图2。
- 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)。
《多元统计分析SPSS》实验报告实验课程：基于 SPSS的数据分析实验地点：现代商贸实训中心实验室名称：经济统计实验室学院： xxx 学院年级专业班： xxx 班学生姓名：xxx 学号： 015完成时间：2016 年 x 月 x 日开课时间：2016 至 2017 学年第 1 学期成绩教师签名批阅日期实验项目：中国上市银行竞争力分析（一）实验目的本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了 8 个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。
最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。
（二）实验资料通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。
具体数据如下所示：十家同类型上市商业银行2012 年指标盈利能力安全能力发展能力资产利润资产负债资本充足每股收益贷款增长存款增长总资产增率不良贷款率率率增长率率率长率平安银行% % % % % % % % 浦发银行% % % % % % % % 建设银行% % % % % % % % 中国银行% % % % % % % % 农业银行% % % % % % % % 工商银行% % % % % % % 10% 交通银行% % % % % % % % 招商银行% % % % % % % % 中信银行% % % % % % % % 民生银行% % % % % % % %（三）实验步骤1、选择菜单2、选择参与因子分析的变量到( 变量 V) 框中3、选择因子分析的样本4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等5、在所示窗口中点击（抽取 E）按钮指定提取因子的方法为：主成分分析法6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法7、在所示窗口中点击（得分S）按钮选择计算因子得分的方法8、在所示窗口中点击（选项）按钮（四）实验结果及分析分析结果如下表所示。
相关性矩阵每股收益增长率贷款增长率存款增长率总资产增长率相关性资产利润率.383不良贷款率资产负债率.563 .105 .494资本充足率.357 .044每股收益增长率.159贷款增长率.922 .551存款增长率.922 .738总资产增长率.159 .551 .738显着性（单尾）资产利润率.137 .346 .124 .154 不良贷款率.283 .472 .490 .407资产负债率.045 .323 .386 .073资本充足率.081 .155 .452 .131每股收益增长率.149 .164 .330贷款增长率.149 .000 .049存款增长率.164 .000 .007总资产增长率.330.049.007通过观察原始变量的相关系数矩阵，可以看到，矩阵中存在许多比较高的相关系数，并且大多数变量通过了原假设为相应变量之间的相关系数为0 的 t 假设。
相关系数实际上反映的是公共因子起作用的空间，相关系数越大，表明数据适合做因子分析。
KMO和巴特利特检验KMO取样适切性量数。
.518巴特利特球形度检验近似卡方自由度28显着性.006同时， KMO级 Bartlett 检验是否适合做因子分析。
以上是 KMO级 Bartlett 检验结果，由表可知： KMO值为，说明该数据适合做因子分析。
上表中的巴特利特球体检验的 X 统计值的显着性概率是 O．000，小于 1％，因此拒绝原假设，说明数据具有相关性，适宜做因子分析。
反映像矩阵每股收益增长率贷款增长率存款增长率总资产增长率反映像协方差矩阵资产利润率.025不良贷款率.038 .031资产负债率.027资本充足率.011 .015每股收益增长率.207 .034贷款增长率.025 .018存款增长率.034 .020总资产增长率.018 .175 反映像相关性矩阵资产利润率.306不良贷款率.113 .266资产负债率.214资本充足率.307 .146每股收益增长率.496 a .533贷款增长率.496 a .269存款增长率.533 .503 a总资产增长率.269 .651 a a.取样适切性量数(MSA)反映像矩阵在其对角线上的数字若大于（出口合同为）则适合因子分析，小于则不适合因子分析。
从表中得知，适合做因子分析。
公因子方差初始提取资产利润率.818不良贷款率.519资产负债率.912资本充足率.928每股收益增长率.786贷款增长率.953存款增长率.979总资产增长率.865提取方法：主成分分析法。
变量共同度，它刻划了全部公共因子对各个变量的总方差所作的贡献，也称为公因子方差，从上表中可以得到变量共同度大部分都接近 1，说明该变量的几乎全部原始信息都被所选取的公共因子说明了，也就是说，由原始变量空间转为2因子空间转化的性质较好，保留原来信息量多，因此，h i 是 X i 方差的重要组成部分。
检验可以做因子分析后，我们通过因子分析得到相应的特征值和对应因子的贡献率，如下表所示初始特征值提取载荷平方和旋转载荷平方和方差百分方差百分方差成分总计比累积 % 总计比累积 % 总计的 % 累积 %1234.8185.2216.1547 .038 .4788 .011 .133综合因子 F，， F2， F3 的特征值大于 1，且对原始数据的累积贡献率达到了％，其中 F1 的贡献率最强，达到了％，F2 的贡献率达到了％， F3的贡献率也达到了％。
这三个因子的贡献率都远远大于其它因子的贡献率，因此， F1，F2， F3 是决定商业银行竞争力强弱的关键因子。
从碎石图中得到，第 1 个因子的特征值高于其他项，对解释原有变量的贡献最大；第 5 个因子之后的特征值都小，对解释原有变量的贡献较小；因此我们可以取 3 个或 4 个因子较为合适。
成分矩阵 a成分1 2 3总资产增长率.897 .187存款增长率.892 .400 .150贷款增长率.685 .607 .339资本充足率.873 .175资产负债率.475每股收益增长率.391资产利润率.680不良贷款率.239a提取方法：主成分分析法。
a.提取了3个成分。
表中给出旋转前的因子载荷阵，从中可以看出，每个因子在不同原始变量上的载荷没有明显的差别， 3 个因子的实际含义比较模糊。
为了避免初始因子综合性太强，难以找出因子的实际意义的问题，需要通过旋转坐标轴，使负载尽可能向正负 0 或 1 的方向靠近，从而降低因子的综合性，使其真实意义凸现出来。
下面使用的因子旋转方法为方差最大正交旋转法，目的是使旋转后的因子载荷矩阵的结构简化，便于对各个公共因子进行合理的解释，同时保证每一个公共因子反映的信息量尽量最大。
旋转后的成分矩阵 a成分1 2 3资本充足率.051 .020资产负债率.951 .084 .011每股收益增长率.602 .593存款增长率.977贷款增长率.928 .016总资产增长率.493 .788 .023资产利润率.771不良贷款率提取方法：主成分分析法。
a旋转方法：凯撒正态化最大方差法。
a.旋转在4次迭代后已收敛。
表中给出旋转后的因子载荷阵，从表中可以看出，经过旋转后的载荷系数已经明显的两极分化了。
第一个公共因子在指标 X2每股收益增长率、 X3 资产负债率、 X4 资本充足率上有较大载荷，说明这 3 个指标有较强的关联性，可以归为一类，因此可以把第一个因子命名为“流动因子”；第二个公共因子在指标 X6 贷款增长率、 X7 存款增长率、 X8 总资产增长率上有较大载荷，同样可以归为一类，第二个因子可以命名为“发展因子”；同理， X1 资产利润率、 X5 不良贷款率归到第 3 类，将其命名为“安全和盈利因子”。
在三维空间组件图中，各因子更接近于组价几，接近组件几对应的是‘旋转后的成分矩阵’的成分几。
成分得分系数矩阵成分1 2 3资产利润率.544不良贷款率资产负债率.359 .012资本充足率.046 .072每股收益增长率.203 .370贷款增长率.378 .137存款增长率.371 .003总资产增长率.167 .304 .083提取方法：主成分分析法。
旋转方法：凯撒正态化最大方差法。
组件得分。
表中给出了因子得分系数矩阵，根据表中的因子得分系数和原始变量的标准化值就可以计算出每个观测值的各因子的得分。
旋转后的因子得分表达式可以写成：F1=++五、结论本文通过采用多元统计分析中的因子分析法对国有商业银行的经营绩效加以评价，从盈利能力、安全能力和发展能力三方面来具体分析我国上市商业银行竞争力，对上市银行及非上市银行具有一定的指导作用。
实验项目：商厦评分（一）实验目的：本实验目的利用 SPSS层次聚类对商厦评分进行分类分析，以了解了解各商厦之间的相互关系。
（二）实验资料 :编号购物环境服务质量A 商厦73 68B 商厦66 64C商厦84 82D商厦91 88E 商厦94 90（三）实验步骤 :表一聚类成员个案 3 个聚类 2 个聚类1:A 商厦1 12:B 商厦1 13:C 商厦2 24:D 商厦3 25:E 商厦3 2表一可知，当聚成 3 类时， A，B 俩个商厦为一类， C 商厦自成一类， D，E 两个商厦为一类；当聚成两类时， A，B 俩个商厦为一类， C，D，E 三个商厦为一类， SPSS的层次聚类能够产生任意类数的分类结果。
图一图一，可知， D 商厦与 E 商厦的距离最近，首先合并成一类，其次，合并的是 A，B 俩个商厦它们的距离比 D商厦与 E 商厦大，最后是合并 C商厦。
最后聚城一体。
图二：图二，可知，当聚成 4 类时， D，E 两个商厦为一类；其他各商厦自成一类，聚成 3 类时， A，B 俩个商厦为一类， C 商厦自成一类， D，E 两个商厦为一类；当聚成两类时， A，B 俩个商厦为一类， C，D，E 三个商厦为一类。
表二初始聚类中心聚类12 3购物环境服务质量表二，可知，3 个初始类中心点的数据，分别为（ 94,90 ）（66,64 ）（ 84,82 ）可见第一类最优，第三类次之，第二类最差。
表三迭代历史记录 a聚类中心中的变动迭代 1 2 31 .0002 .000 .000 .000a.由于聚类中心中不存在变动或者仅有小幅变动，因此实现了收敛。