spss样本聚类案例分析.doc

原数据1.1样本聚类（Q聚类） 聚类表阶群集组合系数首次出现阶群集下一阶群集 1群集 2群集 1群集 2157.855003211121.3790073251.772015410141.7760075262.45130868132.7720010710114.32242128124.55705129344.8950013108155.500601111897.74010013121108.3148714133812.79091114141316.65012130通过系数做出其散点图群集成员案例5 群集4 群集3 群集1:Case 1 1112:Case 2 1113:Case 3 2224:Case 4 2225:Case 5 1116:Case 6 1117:Case 7 1118:Case 8 3339:Case 9 43310:Case 10 54111:Case 11 54112:Case 12 54113:Case 13 33314:Case 14 54115:Case 15 333 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从业人员.8571.000.597.570.643.277土地面积.698.5971.000.856.044-.147耕地面积.714.570.8561.000-.001-.335财政收入.512.643.044-.0011.000.342粮食产量.043.277-.147-.335.3421.000聚类表阶群集组合系数首次出现阶群集下一阶群集 1群集 2群集 1群集 2112.857003234.856003313.645125456.342005515.129340群集成员案例5 群集4 群集3 群集总人口111从业人员111土地面积221耕地面积321财政收入432粮食产量5432.K均值聚类原数据描述统计量N极小值极大值均值标准差身高月平均增长率19.3411.031.88422.56342体重月平均增长率19.4950.305.636311.71814胸围月平均增长率19.1611.811.49582.79339坐高月平均增长率19.1411.271.71112.80709有效的 N （列表状态）19输出结果：初始聚类中心聚类12345Zscore(身高月平均增长率)3.567811.39883.66153.04907-.60240Zscore(体重月平均增长率)3.811501.16603.35959-.12513-.43918Zscore(胸围月平均增长率)3.692361.32606.58861-.00923-.47104Zscore(坐高月平均增长率)3.405291.94826.14212-.04669-.55255迭代历史记录a迭代聚类中心内的更改123451.000.000.000.208.1832.000.000.000.000.000a. 由于聚类中心内没有改动或改动较小而达到收敛。任何中心的最大绝对坐标更改为 .000。当前迭代为 2。初始中心间的最小距离为 .996。聚类成员案例号月份聚类距离dimension0111.000222.000333.000444.208564.258684.3127104.1948125.2979155.24510185.06511245.07012305.11213365.04514425.11915485.05116545.10317605.16618665.07419725.18320.21.22.23.24.25.最终聚类中心聚类12345Zscore(身高月平均增长率)3.567811.39883.66153.02859-.47855Zscore(体重月平均增长率)3.811501.16603.35959-.19084-.38115Zscore(胸围月平均增长率)3.692361.32606.58861-.20255-.39974Zscore(坐高月平均增长率)3.405291.94826.14212-.01106-.45429最终聚类中心间的距离聚类1234514.4076.3757.4428.09924.4072.2363.1463.83036.3752.2361.1631.78447.4423.1461.163.72758.0993.8301.784.727ANOVA聚类误差FSig.均方df均方dfZscore(身高月平均增长率)4.4694.00914500.431.000Zscore(体重月平均增长率)4.4764.00714662.430.000Zscore(胸围月平均增长率)4.4554.01314346.563.000Zscore(坐高月平均增长率)4.4724.00814563.652.000F 检验应仅用于描述性目的，因为选中的聚类将被用来最大化不同聚类中的案例间的差别。观测到的显著性水平并未据此进行更正，因此无法将其解释为是对聚类均值相等这一假设的检验。每个聚类中的案例数聚类11.00021.00031.00044.000512.000有效19.000缺失6.0003.线性回归研究变量间的非确定性关系，构造变量间经验公式的数理统计方法称为回归分析。根据自变量的个数，分为一元线性回归和多元线性回归。3.1一元线性回归http:/wenku.baidu.com/view/b5360bdd6f1aff00bed51e2f.html原数据输入移去的变量b模型输入的变量移去的变量方法1咖啡类饮料销售量, 固体冲泡饮料销售量, 茶饮料销售量, 碳酸饮料销售量a.输入a. 已输入所有请求的变量。b. 因变量: 果汁销售量模型汇总模型RR 方调整 R 方标准 估计的误差1.997a.994.992.44012a. 预测变量: (常量), 咖啡类饮料销售量, 固体冲泡饮料销售量, 茶饮料销售量, 碳酸饮料销售量。Anovab模型平方和df均方FSig.1回归338.056484.514436.306.000a残差1.93710.194总计339.99314a. 预测变量: (常量), 咖啡类饮料销售量, 固体冲泡饮料销售量, 茶饮料销售量, 碳酸饮料销售量。b. 因变量: 果汁销售量系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)17.296.47036.830.000碳酸饮料销售量.043.018.1702.427.036茶饮料销售量.265.021.72612.852.000固体冲泡饮料销售量-.004.034-.009-.117.909咖啡类饮料销售量-.238.013-.455-18.640.000a. 因变量: 果汁销售量3.2多元线性回归原数据输出结果：输入移去的变量b模型输入的变量移去的变量方法1X4, X1, X2, X3a.输入a. 已输入所有请求的变量。b. 因变量: Y模型汇总b模型RR 方调整 R 方标准 估计的误差1.894a.799.726.619a. 预测变量: (常量), X4, X1, X2, X3。b. 因变量: YAnovab模型平方和df均方FSig.1回归16.77944.19510.930.001a残差4.22111.384总计21.00015a. 预测变量: (常量), X4, X1, X2, X3。b. 因变量: Y系数a模型非标准化系数标准系数tSig.共线性统计量B标准 误差试用版容差VIF1(常量)-.182.442-.412.688X1.142.158.133.900.387.8341.200X2.245.213.2581.145.276.3592.784X3.210.224.244.936.369.2683.729X4.605.245.4652.473.031.5161.938a. 因变量: Y共线性诊断a模型维数特征值条件索引方差比例(常量)X1X2X3X4114.5381.000.01.01.00.00.002.2184.558.08.30.03.11.013.1146.304.12.22.19.00.394.0927.013.67.39.07.01.195.03711.020.12.08.71.87.41a. 因变量: Y残差统计量a极小值极大值均值标准 偏差N预测值1.024.622.251.05816残差-.743.981.000.53016标准 预测值-1.1642.245.0001.00016标准 残差-1.2001.583.000.85616a. 因变量: Y