多元统计分析——判别分析实验报告
《应用多元统计分析》第四章判别分析实验报告
《应用多元统计分析》第四章判别分析实验报告第四章判别分析实验报告实验环境Windows xp、Windows vista、Windows 7等，软件SPSS 11.0版本及以上。
实验结果与分析本题中记变量值CF_TD, NI_TA, CA_CL, CA_NS分别为X1,X2,X3,X4 （1）Fisher判别函数特征值EigenvaluesFunction Eigenvalue% of Variance Cumulative %CanonicalCorrelation1.940a100.0100.0.696a. First 1 canonical discriminant functions were used in the analysis.（2）Fisher判别函数有效性检验Wilks' LambdaTest ofFunction(s)Wilks' Lambda Chi-square df Sig.1.51527.8394.000（3）标准化的Fisher判别函数系数Standardized Canonical Discriminant FunctionCoefficientsFunction1CF_TD.134NI_TA.463CA_CL.715CA_NS-.220所以标准化的判别函数为：Y=0.134X1+0.463X2+0.715X3-0.220X4得出Y=0.9012（4）未标准化的Fisher判别函数系数Canonical Discriminant Function CoefficientsFunction1CF_TD.629NI_TA 4.446CA_CL.889CA_NS-1.184 (Constant)-1.327 Unstandardized coefficients所以为标准化的费希尔判别函数为：Y=-1.327+0.629X1+4.446X2+0.889X3-1.184X4得出Y=-0.1703（5）组重心处的费希尔判别函数值Functions at Group CentroidsG Function11.8692-1.035 Unstandardized canonical discriminant functions evaluated at group means各类重心在空间中的坐标位置。
【精品】多元统计分析--判别分析SPSS实验报告
【精品】多元统计分析--判别分析SPSS实验报告一、实验目的1．掌握判别分析的基本原理和应用方法；2．掌握SPSS软件进行判别分析的具体操作；3．通过一个实例，学习如何运用判别分析对指标进行判别。
二、实验内容三、实验原理1．判别分析基本原理：判别分析（Discriminant Analysis），是一种统计学中的分类技术，它是对变量进行归类的技术。
判别分析是用来确定一个对象或自变量集合属于哪一个预设类型或者组别的过程。
判别分析能够生成一个函数，将数据点映射到特定的类型上。
判别分析的应用领域非常广泛，主要应用于以下领域：（1）股票市场（预测股价的涨跌与时间、公司发展情况等因素的关系）；（2）医学（区分疾病、患者状态等）；（3）市场调查（确定客户类型、产品或服务喜好）；（4）产业分析（区分有助于产品销售的市场决策因素）；（5）经济学（预测月度或季度的经济指标）。
3．判别分析的主要应用步骤：（1）建立模型：首先选择和收集数据，将收集的数据分为训练集和测试集；（2）训练模型：使用训练数据建立模型；（3）评估模型：通过模型诊断来评估建立的模型的好坏；（4）应用模型：对新的数据建立模型并进行预测。
四、实验过程1. 上机操作：1）打开SPSS软件，加载数据文件；2）选择分类变量和连续变量；3）选择训练数据集；4）建立模型；5）预测实验数据集。
2. 操作步骤：SPSS分析的步骤如下：1）将数据输入SPSS软件，确保数据格式正确；2）选择Analyse- Classify- Discriminant；3）有两种不同的分类变量，单分类或多分类，如果你要解释一个特定的分类变量，选择单分类。
如果你不确定哪个分类变量最适合，请尝试不同的选项；4）选择两个或更个你认为与指定分类变量相关的连续变量；5）选择要用于判别分析的数据集；6）确定分类变量分类比率。
这可以在设置选项中完成；7）点击OK，开始进行分析；8）评估结果，包括汇总、判别函数、方差-方差贡献、判别矩阵；五、实验结果选取鸢尾花数据，经过训练，得到如下表所示的结果。
多元实验报告
多元实验报告实验一：多元正态总体的均值和方差的假设检验〔综合性实验〕实验原理：利用正态检验统计量对给定的多维数据进行正态性检验。
实验目的:〔1〕掌握单一多元正态总体均值的检验；〔2〕掌握两个多元正态总体均值向量的检验。
实验内容:单一多元正态总体均值向量的检验，有相等协差阵的两个正态总体均值向量的检验，有相等未知协差阵的两个正态总体均值向量的检验，协差阵不等的两个正态总体均值向量的检验。
实验题目：实验二：判别分析〔设计性实验〕实验原理：判别分析是判别样品所属类型的一种统计方法。
判别分析是在研究对象分成假设干类型〔或组别〕并已取得各种类型的一批样品的观测数目，在此根底上根据某些准那么建立判别式，然后对未知类型的样品进行判别分类。
本实验要求学生应用距离判别准那么〔即，对任给的一次观测，假设它与第i类的重心距离最近，就认为它来自第i类〕，对两总体和多总体情形下分别进行判别分析。
实验中需注意协方差矩阵相等时，选取线性判别函数；协方差矩阵不相等时，应选取二次判别函数。
实验目的及要求:判别分析是判别样品所属类型的一种统计方法。
本实验要求学生应用距离判别准那么〔即，对任给的一次观测，假设它与第i类的重心距离最近，就认为它来自第i类〕，对两总体和多总体情形下分别进行判别分析。
实验中需注意协方差矩阵相等时，选取线性判别函数；协方差矩阵不相等时，应选取二次判别函数。
实验题目：实验三：聚类分析〔设计性实验〕〔2课时〕实验原理：聚类分析的目的是将分类对象按一定规那么分为假设干类，这些类不是事先给定的，而是根据数据的特征确定的。
在同一类里的这些对象在某种意义上倾向于彼此相似，而在不同的类里的对象倾向于不相似。
系统聚类法是聚类分析中用的最多的一种，其根本思想是：开始将n个对象各自作为一类，并规定对象之间的距离和类与类之间的距离，然后将距离最近的两类合并成一个新类，计算新类与其它类之间的距离；重复进行两个最近类的合并，每次减少一类，直至所有的对象合并为一类。
《多元统计实验》判别分析实验报告三
《多元统计实验》判别分析实验报告cbind(类别,newG,Z$post,Z$x)#合并原分类、回判分类回判后验概率及判别tab=table(类别,newG)#原分类和新分类列表比较tabsum(diag(prop.table(tab)))prenew=predict(ld,newdata=newdata)prenew#对三个待判样本进行判定cbind(prenew$class,prenew$post,prenew$x)#也可以按列合并在一起看二、实验结果分析5.5进行Fisher判别分析.若一位新客户的8个指标分别为(2 500, 1 500, 0,3, 2,3, 4, 1),试对该客户的信用度进行评价.以上输出结果中包括了lad()所用的公式、先验概率1、2、3、4、5 为：0.2941176 、0.1176471 、0.1764706 0.1764706 、0.2352941，各组均值向量、线性判别函数的系数。
输出所有分类组由输出结果可知第十二号样品为第四组的被误判给了第五组，且与距离判别法结果一致，最后对新客户的8个指标(2500，1500，0，3，2，3，4，1)进行判定。
说明：由$class可以看出该新用户被判入第一组，结果与距离判别法一致，对应的后验概率决定该新用户的归类组。
因此该新用户的信用度评价为一。
5.6试对表5-7中的数据进行Bayes判别分析并对8个待判样品的类别进行判定.由上结果可知，两个组别为一的被误判为第二组，第二组的三个被误判为第一组。
出现5个误判结果正确率为：0.9411765，误判错误的概率仍然较低。
Bayes判别法对八个待测样本的判定结果为:四个判给第一组，四个判给第二组，且Bayes 判别法是采用了新的后验概率，而不是先验概率。
因此判出概率相同。
判别分析实验报告SPSS
判别分析实验报告SPSS实验目的：判别分析（Discriminant Analysis）是一种经典的多元统计分析方法，用于解释和预测分类变量。
该实验旨在使用SPSS软件进行判别分析，探索一组变量对分类结果的贡献和预测能力。
实验步骤：1.数据收集：从一些公司的人力资源数据库中随机选择了200个员工作为样本，收集了以下变量：性别（男、女）、教育程度（本科、研究生、博士）、工龄（年）、绩效评分（0-5）、离职与否（是、否）。
2.数据清洗：检查数据中是否存在缺失值，并对缺失值进行处理。
删除离职与否变量中缺失值。
3.数据探索：使用SPSS进行描述性统计分析，了解样本的基本情况。
分别计算男女性别比例和各教育程度及离职状态的分布情况。
4. 变量选择：使用SPSS进行判别分析，将离职与否作为分类变量，性别、教育程度、工龄和绩效评分作为预测变量。
使用Wilks' Lambda检验选择预测变量，确定对分类结果的贡献。
5.判别函数计算：根据选择的预测变量，计算判别函数。
使用判别函数对样本进行分类，并计算分类结果的准确率。
实验结果：1.数据探索结果显示，样本中男女性别比例约为1：1，教育程度主要集中在本科和研究生，离职比例为14%。
2. 判别分析结果显示，Wilks' Lambda检验结果为0.632，p值小于0.05，说明选取的预测变量对分类结果有统计上显著的贡献。
3.计算得到的判别函数为D=-0.311(性别)+0.236(教育程度)+0.011(工龄)+0.585(绩效评分)。
4.使用判别函数对样本进行分类，分类准确率为81.5%。
其中，离职样本的分类准确率为75%，非离职样本的分类准确率为82%。
实验结论：通过判别分析实验，我们得出以下结论：1.性别、教育程度、工龄和绩效评分这四个变量对员工的离职与否有显著的预测能力。
2.预测变量中绩效评分对离职结果的贡献最大，说明绩效评分较低的员工更容易离职。
多元作业判别分析
《多元统计分析》实验报告实验名称: 判别分析及正态检验专业：统计学班级：120802姓名：指导教师：2014 年6 月26 日给出血友病基因携带者数据1，共分2组，第一组为非携带者（1π），第二组为必然携带者（2π），分组变量为g ，变量x1表示()10log AHF 活性，变量x2表示()10log AHF 抗原，利用上述数据： （1）对两个组检查二元正态性假定；一通过菜单系统实现 二运行结果第一组的正态性检验一运行程序proc princomp data=sasuser.zu1 out=prin prefix=z standard;var x1 x2;run;proc univariate data=work.prin normal plot;var z1 z2;run;二运行结果三结论分析第二组的正态性检验一运行程序proc princomp data=sasuser.zu2 out=prin1 prefix=z standard; var x1 x2;run;proc univariate data=work.prin1 normal plot;var z1 z2;run;二运行结果三结论分析（2）假定两组先验概率相等，求样本线性判别函数，并估计误判概率；一运行程序proc discrim data=sasuser.liangzu listerr crosslisterr;class g;var x1-x2;run;二运行结果三结论分析（3）将血友病基因携带者数据2中的10个新事例用（2）得到的判别函数进行分类；一运行程序proc discrim data=sasuser.liangzu testdata=sasuser.daipan listerr crosslisterr testlist;class g;var x1-x2;run;二运行结果三结论分析（3）假定必然携带者（组2）的先验概率为0.25。
多元统计分析实验报告（精选多篇）
多元统计分析实验报告（精选多篇）第一篇：多元统计分析实验报告多元统计分析得实验报告院系:数学系班级:1３级 B 班姓名:陈翔学号:2013１611233 实验目得:比较三大行业得优劣性实验过程有如下得内容:(１)正态性检验;(2)主体间因子,多变量检验a;(３)主体间效应得检验;(4)对比结果(K 矩阵);(5)多变量检验结果;(６)单变量检验结果;(7)协方差矩阵等同性得Box 检验ａ,误差方差等同性得Ｌevene 检验 a;(8)估计;(9)成对比较,多变量检验;(10)单变量检验。
实验结果:综上所述,我们对三个行业得运营能力进行了具体得比较分析,所得数据表明,从总体来瞧,信息技术业要稍好于电力、煤气及水得生产与供应业以及房地产业。
１。
正态性检验Kｏlmogorｏv－SｍirnovaShapiｒ o—Wilk 统计量 dｆ Sig.统计量ｄｆ Sig、净资产收益率。
１１３ 35、2００＊。
97８ 35。
6７7 总资产报酬率。
121 35、２00＊。
964 3５、298 资产负债率。
08６ 35。
2００*.9６2 35、265 总资产周转率.1８0 3５、006。
864 ３5。
00０流动资产周转率、164 3５、０18.88５35、002 已获利息倍数、２8１35.０00。
55１３5、0０0 销售增长率.1０3 ３５、2０0＊。
９4９ 35、104 资本积累率。
251 35。
０00、655 35。
0０0 *。
这就是真实显著水平得下限。
ａ。
Lillｉeforｓ显著水平修正此表给出了对每一个变量进行正态性检验得结果,因为该例中样本中ｎ＝35<2000,所以此处选用 Shapiro—W ｉｌk 统计量。
由 Sig。
值可以瞧到,总资产周转率、流动资产周转率、已获利息倍数及资本积累率均明显不遵从正态分布,因此,在下面得分析中,我们只对净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标进行比较,并认为这四个变量组成得向量遵从正态分布(尽管事实上并非如此)。
多元统计分析实验报告-判别分析
2015——2016学年第一学期实验报告课程名称：多元统计分析实验项目：判别分析实验类别：综合性□√设计性□验证性□专业班级：姓名：学号：实验地点：统计与金融创新实验室（新60801) 实验时间：指导教师：曹老师成绩：数学与统计学院实验中心制一、实验目的让学生掌握判别分析的基本步骤和分析方法；学习《spss统计分析从入门到精通》P307-P320的内容，掌握一般判别分析与逐步判别分析方法。
二、实验内容1、应用《胃病患者的测量数据》和《表征企业类型的数据.sav》，掌握一般判别分析与逐步判别分析方法。
数据来源于《spss统计分析从入门到精通数据文件》第12章的数据。
2、参考教材例4-2的数据进行分析，数据见文件《何晓群多元统计分析(数据)》中的例4-2new。
三、实验方案（程序设计说明）四、程序运行结果1. (1)分析案例处理摘要未加权案例N 百分比有效14 93.3排除的缺失或越界组代码 1 6.7 至少一个缺失判别变量0 .0 缺失或越界组代码还有至少一个缺失判别变量0 .0 合计 1 6.7合计15 100.0组统计量类别均值标准差有效的N（列表状态）未加权的已加权的胃癌患者铜蓝蛋白188.60 57.138 5 5.000 蓝色反应150.40 16.502 5 5.000 尿吲哚乙酸13.80 5.933 5 5.000 中性琉化物20.00 13.323 5 5.000萎缩性胃炎铜蓝蛋白156.25 47.500 4 4.000 蓝色反应118.75 14.104 4 4.000 尿吲哚乙酸7.50 1.732 4 4.000 中性琉化物14.50 8.386 4 4.000其他胃病铜蓝蛋白151.00 33.801 5 5.000 蓝色反应121.40 13.012 5 5.000 尿吲哚乙酸 5.00 1.871 5 5.000 中性琉化物8.00 7.314 5 5.000合计铜蓝蛋白165.93 46.787 14 14.000 蓝色反应131.00 20.203 14 14.000 尿吲哚乙酸8.86 5.318 14 14.000 中性琉化物14.14 10.726 14 14.000汇聚的组内矩阵a铜蓝蛋白蓝色反应尿吲哚乙酸中性琉化物协方差铜蓝蛋白2217.995 -168.268 -48.264 158.682 蓝色反应-168.268 214.832 12.082 -13.773 尿吲哚乙酸-48.264 12.082 14.891 -8.273 中性琉化物158.682 -13.773 -8.273 103.182a. 协方差矩阵的自由度为11。
多元统计判别分析实验报告
判别分析（设计性实验）(Discriminant analysis)实验原理：判别分析是判别样品所属类型的一种统计方法。
判别分析是在已知研究对象分成若干类型（或组别）并已取得各种类型的一批已知样品的观测数目，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分类。
本实验要求学生应用距离判别准则（即，对任给的一次观测，若它与第i类的重心距离最近，就认为它来自第i类），对两总体和多总体情形下分别进行判别分析。
实验中需注意协方差矩阵相等时，选取线性判别函数；协方差矩阵不相等时，应选取二次判别函数。
实验题目一：为了检测潜在的血友病A携带者，下表中给出了两组数据：(t11a8)其中x1＝log10（AHF activity），x2＝log10（AHF antigen）。
下表给出了五个新的观测，试对这些观测判别归类；(t11b8)实验要求：（1）分别检验两组数据是否大致满足二元正态性；（2）分别计算两组数据的协方差矩阵，是否可以认为两者近似相等？（3）对训练样本和新观测合并作散点图，不同的类用不同颜色标识；（4）用lda函数做判别分析，即在协方差矩阵相等的情形下作判别分析；（5）用qda函数做判别分析，即在协方差矩阵不相等的情形下作判别分析；（6）比较方法（4）和方法（5）的误判率。
实验题目二：某商学研究生院的招生官员利用指标――大学期间平均成绩GPA和研究生管理能力考试GMAT的成绩，将申请者分为三类：接受，不接受，待定。
下表中给出了三类申请者的GPA与GMAT成绩：(t11a6)GPA （x1）GMAT（x2）接受GPA（x1）GMAT（x2）不接受GPA（x1）GMAT（x2）待定2.96 596 1 2.54 446 2 2.86 494 33.14 473 1 2.43 425 2 2.85 496 3 3.22 482 1 2.2 474 2 3.14 419 3 3.29 527 1 2.36 531 2 3.28 371 3 3.69 505 1 2.57 542 2 2.89 447 3 3.46 693 1 2.35 406 2 3.15 313 3 3.03 626 1 2.51 412 2 3.5 402 3 3.19 663 1 2.51 458 2 2.89 485 3 3.63 447 1 2.36 399 2 2.8 444 3 3.59 588 1 2.36 482 2 3.13 416 3 3.3 563 1 2.66 420 2 3.01 471 3 3.4 553 1 2.68 414 2 2.79 490 33.5 572 1 2.48 533 2 2.89 431 33.78 591 1 2.46 509 2 2.91 446 33.44 692 1 2.63 504 2 2.75 546 33.48 528 1 2.44 336 2 2.73 467 33.47 552 1 2.13 408 2 3.12 463 33.35 520 1 2.41 469 2 3.08 440 33.39 543 1 2.55 538 2 3.03 419 33.28 523 1 2.31 505 2 3 509 33.21 530 1 2.41 489 2 3.03 438 33.58 564 1 2.19 411 2 3.05 399 33.33 565 1 2.35 321 2 2.85 483 33.4 431 1 2.6 394 2 3.01 453 33.38 605 1 2.55 528 2 3.03 414 33.26 664 1 2.72 399 2 3.04 446 33.6 609 1 2.85 381 23.37 559 1 2.9 384 23.8 521 13.76 646 13.24 467 1实验要求：（1）对上表中的数据作散点图，不同的类用不同的颜色标识；（2）用lda函数做判别分析，即在协方差矩阵相等的情形下作判别分析；（3）用qda函数做判别分析，即在协方差矩阵不相等的情形下作判别分析；（4）比较方法（2）和方法（3）的误判率；（5）现有一新申请者的GPA为3.21，GMAT成绩为497。
多元统计分析_判别分析实验报告
多元统计分析_判别分析实验报告一、实验目的本实验旨在通过对一组数据进行判别分析，了解判别分析的基本原理和应用过程，掌握判别分析的实现方法并运用MATLAB软件进行实现。
二、实验原理判别分析是一种分类方法，用于将已知的样本分类到已知类别中。
判别分析的目的是找到一个统计模型，通过对样本进行观测和测量，能够把它们判别为若干类别中的一种。
在判别分析中，样本数据是由多个指标组成，每个指标都是一个随机变量。
在多元统计中，这些指标被称为变量。
判别函数是一个用于将样本分类的函数，它以样本的多个变量作为输入，并输出该样本属于哪一类的分类决策。
判别函数的形式取决于所使用的判别方法。
判别分析中最重要的判别方法是线性判别分析。
线性判别分析是一种找到最佳线性分类器的方法。
在线性判别分析中，样本被认为是由每个变量线性组合而成，各个变量之间存在某种相关性。
判别分析的目标是找到一条分割两个类别的直线，使得该直线上或下的样本属于不同的类别。
这条直线被称为判别函数。
对于一个具有p个指标的样本，判别函数可以通过下式计算得到：$g_j(x)=x^T\hat{a_j}+\hat{a}_{j0}$其中，j表示第j个判别函数，x是一个向量，包含了样本各个指标的取值，$\hat{a_j}$是一个向量，表示样本各个变量在第j个判别函数中的系数，$\hat{a}_{j0}$是一个截距项。
在线性判别分析中，判别函数的系数可以通过最小平方判别函数系数估计公式获得：$\hat{a_j}=(\sum_{i=1}^{n_j}(x_i-\bar{x_j})(x_i-\bar{x_j})^T)^{-1}(\bar{x_1}-\ bar{x_2})$其中，$\bar{x_1}=\frac{1}{n_1}\sum_{i=1}^{n_1}x_i$n1和n2分别是两个类别的样本数。
三、实验步骤1. 导入数据并分别计算两个类别数据的均值和协方差矩阵。
2. 计算最佳线性判别函数，并作图展示判别平面和两个类别的分布情况。
多元统计分析--判别分析SPSS实验报告
实验课程名称： __多元统计分析--判别分析___准则判别归类，则可写成：⎪⎩⎪⎨⎧=>∈<∈),(),( ,),(),(,),(),(,21212211G X D G X D G X D G X D G X G X D G X D G X 当待判当当题目：表11.5的数据包含三种鸢尾的X2=萼片宽度与X4=花瓣的宽度的观测值。
对每种鸢尾有n1=n2=n3=50个观测值。
部分数据:第二部分：实验过程记录（可加页）（包括实验原始数据记录，实验现象记录，实验过程发现的问题等）散点图：图形→旧对话框→散点图，打开简单散点图子对话框；将想X2选入X轴变量，X4选入Y轴变量，将总体选入设置标记框中，点击确定。
判别分析：步骤:1、选择分析→分类→判别，打开判别分析子对话框。
2、选择变量“总体”，单击→，将其加入到分组变量栏中。
3、打开定义范围子对话框，最小值输入1，最大值输入3。
4、将变量“X2萼片宽度”、“X4花瓣的宽度”选入自变量栏中。
选择“一起输入自变量”的方法。
5、打开统计变量子对话框，选择均值、单变量ANOVA、Box’M、未标准化、组内协方差、分组协方差及总体协方差，单击继续。
6、打开分类子对话框，选择不考虑该个案时的分类，其余为默认值。
7、打开保存，选择所有的变量。
相关系数矩阵a总体萼片宽度X2 花瓣宽度X4合计萼片宽度X2 .190 -.122花瓣宽度X4 -.122 .581对数行列式总体秩对数行列式1 2 -6.4962 2 -6.1413 2 -5.189汇聚的组内 2 -5.583检验结果箱的M 52.832F 近似。
8.632df1 6df2 538562.769Sig. .000Wilks 的Lambda函数检验Wilks 的Lambda 卡方df Sig.1 到2 .038 477.868 4 .0002 .809 31.075 1 .000典型判别式函数系数函数1 2萼片宽度X2 -1.987 2.680花瓣宽度X4 5.477 .817(常量) -.494 -9.174非标准化系数组质心处的函数总体函数1 21 -5.958 .2152 1.265 -.6673 4.693 .452分类结果b,c总体预测组成员1 2 3 合计初始计数 1 50 0 0 502 0 49 1 503 04 46 50% 1 100.0 .0 .0 100.02 .0 98.0 2.0 100.03 .0 8.0 92.0 100.0 交叉验证a计数 1 50 0 0 502 0 48 2 503 04 46 50% 1 100.0 .0 .0 100.02 .0 96.0 4.0 100.03 .0 8.0 92.0 100.0。
多元统计分析—判别分析实验报告
Unweighted Cases
N
Percent
Valid Excluded
Total
Missing or out-of-range group codes At least one missing discriminating variable Both missing or out-of-range group codes and at least one missing discriminating variable Total
组别
Function
1
2
1
-2.647
2
9.444
3
-6.797
1.013 -.259 -.754
实用文档
表5是标准化的判别函数，表示为： Y1=-17.046X1+14.757X2-1.306X3+6.381X4+1.332X5+4.315X6
Y2=-7.677X1+9.870X2-0.531X3-0.666X4+0.710X5+1.833X6 表6为结构矩阵，即判别载荷，表四是反映判别函数在各组的重心 表7是非标准化的判别函数，表示为： Y1=-78.896-1.950X1+1.748X2-0.930X3+0.825X4+0.102X5+1.662X6
3 .001
14.106 -3.393
.834
18 ungrouped
2 .000
2 1.000
31.237
1 .000
295.309 14.502
2.120
19 ungrouped
3 .310
2 1.000
多元统计分析实验报告
多元统计分析实验报告多元统计分析实验报告引言：多元统计分析是一种研究多个变量之间关系的方法，通过对多个变量进行综合分析，可以揭示出变量之间的相互作用和影响，帮助我们更好地理解数据背后的规律和现象。
本实验旨在通过对一组数据进行多元统计分析，探索变量之间的关系，并对实验结果进行解读。
实验设计：本实验选取了一组包含多个变量的数据集，其中包括性别、年龄、教育程度、收入水平、婚姻状况等变量。
通过对这些变量进行多元统计分析，我们希望了解这些变量之间是否存在相关性，并进一步探究各个变量对于整体数据集的影响。
数据收集与处理：首先，我们收集了一份包含上述变量的样本数据，共计1000个样本。
接下来，我们对数据进行了清洗和处理，包括去除异常值、缺失值的处理等。
经过处理后，我们得到了一份完整的数据集，可以进行后续的多元统计分析。
多元统计分析方法：在本实验中，我们使用了多元统计分析中的主成分分析和聚类分析两种方法。
主成分分析是一种通过将原始变量转化为一组新的综合变量，来降低数据维度并保留尽可能多的信息的方法。
聚类分析则是一种通过对样本进行分类，使得同一类别内的样本相似性较高，不同类别之间的差异性较大的方法。
实验结果与分析：经过主成分分析，我们得到了一组主成分，它们分别代表了原始变量的不同方面。
通过对主成分的解释，我们可以发现性别、年龄和教育程度等变量对于整体数据集的解释性较高，而收入水平和婚姻状况等变量的解释性较低。
这说明性别、年龄和教育程度等因素在整体数据中起着较为重要的作用。
接下来，我们进行了聚类分析，将样本分为若干个类别。
通过观察不同类别的样本特征，我们可以发现在同一类别内，样本的性别、年龄和教育程度等变量较为相似，而收入水平和婚姻状况等变量的差异较大。
这说明性别、年龄和教育程度等因素在样本分类中起到了重要的作用，而收入水平和婚姻状况等因素则对样本分类的影响较小。
结论与展望：通过本次实验的多元统计分析，我们可以得出以下结论：性别、年龄和教育程度等因素在整体数据集中起着较为重要的作用，并且对样本分类也具有一定的影响。
实验报告-判别分析(多元统计)精选全文完整版
可编辑修改精选全文完整版实验报告5判别分析（设计性实验）(Discriminant analysis)实验原理：判别分析是判别样品所属类型的一种统计方法。
判别分析是在已知研究对象分成若干类型（或组别）并已取得各种类型的一批已知样品的观测数目，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分类。
本实验要求学生应用距离判别准则（即，对任给的一次观测，若它与第i类的重心距离最近，就认为它来自第i类），对两总体和多总体情形下分别进行判别分析。
实验中需注意协方差矩阵相等时，选取线性判别函数；协方差矩阵不相等时，应选取二次判别函数。
实验题目一：为了检测潜在的血友病A携带者，下表中给出了两组数据：(t11a8)其中x1＝log10（AHF activity），x2＝log10（AHF antigen）。
下表给出了五个新的观测，试对这些观测判别归类；(t11b8)实验要求：（1）分别检验两组数据是否大致满足二元正态性；（2）分别计算两组数据的协方差矩阵，是否可以认为两者近似相等？（3）对训练样本和新观测合并作散点图，不同的类用不同颜色标识；（4）用lda函数做判别分析，即在协方差矩阵相等的情形下作判别分析；（5）用qda函数做判别分析，即在协方差矩阵不相等的情形下作判别分析；（6）比较方法（4）和方法（5）的误判率。
实验题目二：某商学研究生院的招生官员利用指标――大学期间平均成绩GPA和研究生管理能力考试GMAT的成绩，将申请者分为三类：接受，不接受，待定。
下表中给出了三类申请者的GPA与GMAT成绩：(t11a6)GPA （x1）GMAT（x2）接受GPA（x1）GMAT（x2）不接受GPA（x1）GMAT（x2）待定2.96 596 1 2.54 446 2 2.86 494 33.14 473 1 2.43 425 2 2.85 496 3 3.22 482 1 2.2 474 2 3.14 419 3 3.29 527 1 2.36 531 2 3.28 371 3 3.69 505 1 2.57 542 2 2.89 447 3 3.46 693 1 2.35 406 2 3.15 313 3 3.03 626 1 2.51 412 2 3.5 402 3 3.19 663 1 2.51 458 2 2.89 485 3 3.63 447 1 2.36 399 2 2.8 444 33.59 588 1 2.36 482 2 3.13 416 33.3 563 1 2.66 420 2 3.01 471 33.4 553 1 2.68 414 2 2.79 490 33.5 572 1 2.48 533 2 2.89 431 33.78 591 1 2.46 509 2 2.91 446 33.44 692 1 2.63 504 2 2.75 546 33.48 528 1 2.44 336 2 2.73 467 33.47 552 1 2.13 408 2 3.12 463 33.35 520 1 2.41 469 2 3.08 440 33.39 543 1 2.55 538 2 3.03 419 33.28 523 1 2.31 505 2 3 509 33.21 530 1 2.41 489 2 3.03 438 33.58 564 1 2.19 411 2 3.05 399 33.33 565 1 2.35 321 2 2.85 483 33.4 431 1 2.6 394 2 3.01 453 33.38 605 1 2.55 528 2 3.03 414 33.26 664 1 2.72 399 2 3.04 446 33.6 609 1 2.85 381 23.37 559 1 2.9 384 23.8 521 13.76 646 13.24 467 1实验要求：（1）对上表中的数据作散点图，不同的类用不同的颜色标识；（2）用lda函数做判别分析，即在协方差矩阵相等的情形下作判别分析；（3）用qda函数做判别分析，即在协方差矩阵不相等的情形下作判别分析；（4）比较方法（2）和方法（3）的误判率；（5）现有一新申请者的GPA为3.21，GMAT成绩为497。
多元统计实验五判别分析
46341431
51331751
52341421
50351661
48301431
48341921
58401221
46321421
57441541
54341541
55421421
44291421
48301411
57381731
51371541
52411511
49311521
54391741
552540132
682848142
573042122
662946132
552437102
673147152
563041132
642943132
612947142
552340132
673156243
893151233
653052203
582751193
492545173
632550193
632749183
2
1
54
34
17
2
1
53
37
15
2
1
57
28
45
13
2
63
33
47
16
2
70
32
47
14
2
58
26
40
12
2
50
23
33
10
2
58
27
41
10
2
60
29
45
15
2
62
22
45
15
2
61
30
46
14
2
56
25
- 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)。
学生实验报告学院：课程名称：多元统计分析专业班级：姓名：学号：学生实验报告一、实验目的及要求：1、目的熟悉SPSS统计软件，学会在统计软件SPSS中进行判别分析，并通过判别分析输出结果图，再进行判别分析。
根据输出结果，把未分组的判给距离相近那组。
2、内容及要求⑴熟悉spss软件有关判别分析的操作；⑵利用spss软件分析判别分析课后练习第六题，判定待判组的类别归属；⑶输出并解释分析结果并完成实验报告。
二、仪器用具：三、实验方法与步骤:步骤一：将数据复制到SPSS中，经过编辑后形成某地区人口死亡状况的数据集，如图1所示。
图1 某地区人口死亡状况的观测数据步骤二：根据要求，采用系统聚类方法，在SPSS中选择分析-分类-判别分析如图2。
图2 判别分析步骤三：进行判别分析，将X1到X6全部选入自变量中，分组变量为组别，如图图3 判别分析选项框步骤四：在统计量选项框中选择均值，单变量，Box’s M 等，如图4；分类选项中勾选个案、摘要等，如图5。
图4 统计量选项框图5 分类选项框四、实验结果与数据处理：1．检验各组的描述统计量和对各组均值是否相等：表1 Analysis Case Processing SummaryUnweighted Cases NPercentValid 15 78.9 ExcludedMissing or out-of-range group codes421.1At least one missing discriminating variable 0.0Both missing orout-of-range group codes and at least one missing discriminating variable 0.0Total4 21.1 Total19100.0表1表2平上拒绝X4与X5在三组的均值相等的假设，即认为变量X4、X5在三组的均值是有显著差异的。
2. 典型判别函数：表4 Wilks' LambdaTest of Function(s) Wilks' LambdaChi-squaredfSig. 1 through 2.010 43.948 12 .000 2.5914.9995.416由表3可以得出：第一判别函数解释了98.8%的方差，第二判别函数解释了1.2%的方差，两个判别函数解释了全部的方差。
表4是对两个判别函数的显著性检验，由Wilkins’ Lambda检验，在0.05的显著性水平上，根据P值可以得到，第一个判别函数是显著的，第二个判别函数是不显著的。
3. 判别函数、判别载荷和各组的重心：表5 Standardized Canonical Discriminant Function CoefficientsFunction1 2X1 -17.046 -7.677X2 14.757 9.870X3 -1.306 -.513X4 6.381 -.666X5 1.332 .710X6 4.315 1.833表6 Structure MatrixFunction1 2X1 .007*-.002X5 .280 -.394*X4 .145 -.201*X3 .096 .104*X2 .007 .103*X6 -.035 .092*表7 Canonical Discriminant Function CoefficientsFunction1 2X1 -1.950 -.878X2 1.748 1.169X3 -.930 -.365X4 .825 -.086X5 .102 .054X6 1.662 .706(Constant) -78.896 -30.330表8 Functions at Group Centroids组别Function1 21 -2.647 1.0132 9.444 -.2593 -6.797 -.754表5是标准化的判别函数，表示为：Y1=-17.046X1+14.757X2-1.306X3+6.381X4+1.332X5+4.315X6Y2=-7.677X1+9.870X2-0.531X3-0.666X4+0.710X5+1.833X6表6为结构矩阵，即判别载荷，表四是反映判别函数在各组的重心表7是非标准化的判别函数，表示为：Y1=-78.896-1.950X1+1.748X2-0.930X3+0.825X4+0.102X5+1.662X6Y2=-30.330-0.878X1+1.169X2-0.365X3-0.086X4+0.054X5+0.706X64．分类的统计结果：表8 Classification Function Coefficients组别1 2 3X1 -159.015 -181.479 -149.370X2 168.068 187.715 158.749X3 -98.413 -109.195 -93.908X4 58.217 68.296 54.948X5 11.702 12.862 11.185X6 202.770 221.972 194.625(Constant) -5628.382 -6584.377 -5266.780Fisher's linear discriminant functions表8是每组的分类函数，也称费歇线性判别函数，三组的分类函数表示为：Y1=-5628.382-159.015X1+168.068X2-98.413X3+58.217X4+11.702X5+202.770X6 Y2=-6584.377-181.479X1+187.715X2-109.195X3-68.296X4+12.862X5+221.972X6 Y3=-5266.780-149.370X1+158.749X2-93.908X3+54.948X4+11.185X5+194.625X6 可以根据计算每个观测在各组的分类函数值，将观测分类到较大的分类函数值中。
表9为分类矩阵表，通过判别函数的预测，根据原数据的所属组关系，3组观测全部被判对，未分组的变量中有一个待判样品判给第一组，有一个待判样品判给第二组，有两个待判样品判给第三组。
在交叉验证中，第一组5个样品全部被判对，图6 分类结果根据上图6分类结果可以看出：第二组样品与第一组样品和第三组样品可以很Casewise StatisticsCaseNumber ActualGroupHighest Group Second Highest Group Discriminant ScoresPredictedGroupP(D>d | G=g)P(G=g| D=d)SquaredMahalanobisDistance toCentroid GroupP(G=g| D=d)SquaredMahalanobisDistance toCentroidFunction1Function2 p dfO R I G I N A l 1 1 1 .846 2 1.000 .334 3 .000 25.690 -2.197 1.3752 1 1 .876 2 1.000 .2663 .000 24.876 -2.292 1.3863 1 1 .942 2 1.000 .119 3 .000 20.463 -2.782 1.3304 1 1 .756 2 .999 .561 3 .001 14.211 -3.289 .6285 1 1 .800 2 1.000 .445 3 .000 18.184 -2.677 .3466 2 2 .789 2 1.000 .474 1 .000 159.052 9.939 .2197 2 2 .659 2 1.000 .835 1 .000 128.948 8.594 -.5948 2 2 .050 2 1.000 5.990 1 .000 181.077 10.332 -2.5409 2 2 .091 2 1.000 4.786 1 .000 127.694 8.627 1.77110 2 2 .955 2 1.000 .092 1 .000 154.498 9.728 -.15111 3 3 .936 2 1.000 .132 1 .000 20.106 -6.901 -.40612 3 3 .836 2 1.000 .359 1 .000 25.430 -7.393 -.69313 3 3 .076 2 1.000 5.152 1 .000 45.937 -8.834 -1.75614 3 3 .178 2 .905 3.457 1 .095 7.964 -4.942 -.63015 3 3 .607 2 .997 .998 1 .003 12.361 -5.914 -.28616 ungrouped 3 .000 2 1.000 395.903 1 .000 587.379 -21.903 -13.70417 ungrouped 1 .745 2 .999 .588 3 .001 14.106 -3.393 .83418 ungrouped 2 .000 2 1.000 31.237 1 .000 295.309 14.502 2.12019 ungrouped 3 .310 2 1.000 2.344 1 .000 35.657 -7.914 -1.801C R O S S - v a l i d a t e d a 1 1 1 .966 6 1.000 1.398 3 .000 25.2672 1 1 .939 6 1.000 1.7763 .000 24.6943 1 1 .982 6 1.000 1.097 3 .000 19.3514 1 1 .933 6 .998 1.853 3 .002 14.0845 1 1 .2786 .998 7.485 3 .002 20.0036 2 2 .000 6 1.000 44.990 1 .000 218.2357 2 1**.000 6 1.000 126.778 2 .000 162.9218 2 2 .000 6 1.000 50.095 1 .000 366.0469 2 2 .000 6 1.000 50.786 1 .000 130.35410 2 2 .000 6 1.000 240.321 1 .000 420.03311 3 3 .898 6 1.000 2.224 1 .000 19.68312 3 3 .387 6 1.000 6.328 1 .000 29.80813 3 3 .000 6 1.000 31.587 1 .000 133.55314 3 1**.088 6 1.000 11.010 3 .000 45.428根据上表Casewise Statistics结果可以得出：将待判样品1（第16行）判给第三组，将待判样品2（第17行）判给第一组，将待判样品3（第18行）判给第二组，将待判样品4（第18行）判给第三组。