《聚类与判别-案例知识课件》由会员分享，可在线阅读，更多相关《聚类与判别-案例知识课件（52页珍藏版）》请在金锄头文库上搜索。
1、聚类与判别-案例,许晓娟 国际商学院 统计与技术经济学系,中国是出口导向的国家吗？,聚类分析-案例,问题背景, 奥巴马:全球经济必需平衡增长，对于出口导向的国家来说，必需要扩大内需，而扩大内需的关键工具就是加大汇率的弹性，包括采取市场导向的汇率 王岐山通过商务部向贸大提问：中国是否仍是出口导向的国家吗？,出口导向程度的测度方法,出口依存度 净出口贡献率 投入产出分析,第二步：选择分析变量和数据,消费率 投资率 出口依存度 进口依存度,第三步：选择分析方法,系统聚类 平方欧氏距离 最近距离 非标准化数据,第一类：加拿大、南非、法国、意大利、俄罗斯、德国、澳大利亚、印度、巴西、美国、日本、德国、韩
2、国、中国第二类：新加坡、香港,第四步：结果分析,分成两类 观察这两类消费结构的差异,第一类地区出口依存度平均为26%，第二类为198%第一类消费率平均为77%，第二类为62%,两类经济体出口依存度和进口依存度有显著差异，消费率差异略显著，投资率差异不显著,方法的选择是否会影响结果,回到第三步 类间距 结果与最近距离法一致：Ward方法、类平均法（组间）、重心法 结果与最近距离法不一致：类平均法（组类）、最长距离法 点间距 略有影响 是否标准化 有明显的影响,结果汇总,选择一,将中国单独作为一类 观察各类的差异,四个指标均通过显著性检验,结论,香港、新加坡：外贸依存度高、消费率中、投资率中 中国
3、：外贸依存度中、消费率低、投资率高 其他：外贸依存度低、消费率高、投资率低,选择二,将中国、澳大利亚、韩国、印度作为一类,四个指标均通过显著性检验,结论,外贸主导型经济：香港、新加坡 投资主导型经济：中国、韩国、澳大利亚、印度 消费主导型经济：巴西、加拿大、法国、德国、意大利、日本、俄罗斯、南非、德国、日本,存在的问题,没有考虑经济规模的影响 没有考虑经济发展水平 没有考虑出口结构,聚类分析的注意点,由于变量、方法、数据的原因，分类结果会有很多重选择 因此，聚类分析最重要的是明确聚类的动机和目的 在保证类间距离尽可能远、类中点距离尽可能近的前提下，达到分类目的，聚类分析就是成功的,要不要向他推
4、销割草机?,判别分析-案例,第一步：确定问题,一个城市的家庭，有的有割草机，有的没有 割草机工厂欲判断一些家庭是否将购买割草机 我们要帮助他们建立判别函数，帮助他们确定潜在的购买者，以制定推销方案,第二步：变量和数据,从两类家庭中分别随机抽取了12个样本 调查指标有两个 家庭收入 房前物后土地面积,数据,第三步：方法,散点图 方差分析 判别分析,分客户类型的散点图,有割草机的家庭收入较高，房前屋后土地面积较大,方差分析,两组家庭收入、房前屋后土地面积存在显著差异,判别分析,判别分析的方法 全模型 逐步判别模型 判别函数与判别准则 CanonicalDiscriminant 判别函数的个数=因变
5、量类别数-1 Fishers linear discriminant functions 判别函数的个数=解释变量个数,判别分析的第一类结果,识别前提条件是否满足 解释变量是否有解释能力 是否存在多重共线性 各总体的协差阵是否相等,解释变量是否有解释能力,解释变量是否有解释能力,各变量描述统计：分组均值和方差 各变量假设检验：组间差异是否显著 Wilks Lambda：各变量对差异的解释能力,有割草机的家庭与无割草机的家庭相比 家庭收入高出5千美元，差异显著 房前屋后土地面积高1平方英尺，差异显著 房前屋后土地面积解释能力略高,是否存在共线性,是否存在共线性,如果解释变量较多，方法选项就被激活
6、 可以对变量多重共线性、变量的解释能力作更细致的分析,各总体的协差阵是否相等,各总体的协差阵是否相等,Boxs M p-值小于0.05或0.1:不相等 p-值大于等于0.05或0.1:相等 相等：Classify中，use covariance matrix选择within-groups 不相等：选择separate-groups,判别分析的第二类结果,识别各判别函数的重要性 识别各判别函数中各解释变量的贡献 得到判别函数和判别准则,识别判别函数的重要性,识别判别函数的重要性,Wilks Lambda Chi-square检验 Eigenvalue % of Variance：该判别函数对判别
7、得分离差的解释比例，只有一个判别函数，因此为100% Canonical Correlation：该判别函数与判别得分的典型相关系数,识别各判别函数中各解释变量的相对贡献,识别各判别函数中各解释变量的相对贡献,标准化典型判别函数 结构矩阵，也称判别载荷，是各变量与判别函数的相关系数，用来判断各变量解释能力 这里，家庭收入的贡献略大,典型判别函数,典型判别函数,非标准化的判别函数 判别准则 判别函数在各组的重心 无割草机：-1.034 有割草机：1.034 临界分割点：0,分类函数（Fisher线性判别函数）,分类函数（Fisher线性判别函数）,分类函数 无割草机 有割草机 判别准则 计算出两
8、个结果Fisher0,Fisher1 Fisher0-Fisher10，则样本属于0 否则，样本属于1 判别结果与典型判别函数完全相同,判别分析的第三类判别结果,判别函数的错判率,判别分析的注意点,训练样本中必须有所有要判别的类型，分类必须清楚，不能混杂 收集数据时，要选择好可能用于判别的变量，这是最重要的一步 要注意数据是否有不寻常的点或者模式存在，还要检查解释变量是否有不适宜的 判别分析是为了正确地分类，但同时也要注意使用尽可能少的解释变量,判别分析的注意点,计算中需要看关于各个类的有关变量的均值是否显著不同，以确定分类结果是否仅仅由于随机因素所致 需要考虑各总体的权数 有多个判别函数时，要弄清各自的重要性 注意训练样本的正确和错误分类率，研究被误分类的观测值，看是否能找出原因,电信服务消费者行为分析,聚类与判别,数据,SPSS自带数据 telco_extra.sav：1000个样本，46个变量 telco.sav： 1000个样本，42个变量,
