a.软件操作
聚类表
聚类表
阶
群集组合
系数 首次出现阶群集 下阶一阶 群集组合
系数 首次出现阶群集 下一阶
a.数据结果与对比 群集 1 群集 2
群集 1 群集 2
1
17
25
.024 0
0
51
群集 1 群集 2
17
25
.060
群集 1 群集 2
0
0
6
2
26
35
.045 0
0
321
5
29
.065 0
0
6
5
10
9
5
20
.069 7
0
190
5
16
.123 6
0
10
10
5
22
.070 9
0
1130
5
20
.127 9
8
11
11
32
33
.072 6
0
1191
5
32
.128 10
0
12
12
19
28
.076 0
0
1182
5
33
.129 11
3
13
13
5
12
.077 10
0
1143
5
14
.136 12
0
15
14
5
3
18
31
.047 0
0
135
33
34
.085 0
0
12
4
5
29
.052 0
0
54
26
35
.089 0
0
28
5
5
17
.055 4
1
75
30
31
.104 0
0
8
6
32
34
.063 0
0
161
5
17
.108 2
1
9
7
5
30
.067 5
0
97
8
18
.108 0
0
17
8
6
21
.069 0
0
285
20
30
.115 0
聚 类
·分析某地区35个城市2004年的7
分 项经济统计指标数据
析
&
主 成
（1）试用最短距离法对35个城市综合 实力进行系统聚类分析，并画出聚类谱系图
分
分
析
a.软件操作及原理
实 例
b.数据结果及分析
a.软件操作及原理——操作
a.软件操作及原理——操作
a.软件操作及原理——标准差标准化原理
xij
0
16
n(非0)表示由第n部聚类产生的
15 16
5 6
22
.160 13
0
11
.166 14
0
17 27
小类参与本步骤聚类；第七列 17 5
8
.182 15
7
18
表示本步骤聚类的结果将在下
18 19
5 13
19 15
.190 17 .196 0
0 0
20 24
面聚类的第几部中用到。
20
5
7
.197 18
第2主成分与x1,x3呈现出较 强的正相关，x2呈现出较强的负 相关，因此可以认为第2主成分 是2014年农业经济的代表。
聚 类
·分析某地区35个城市2004年的7
分 项经济统计指标数据
析
&
主 成
（3）以第一、二、三主成分为变量， 进行聚类分操作
实 例
b.数据结果与对比
b.数据结果及分析——主成分因子
一般取累计贡献率达85%~95%的特征值所对应的第1、第 2、…、第m（m≤p）个主成分。
b.数据结果及分析——变量与因子联系系数
变量与某一因子联系系数 绝对值越大，则该因子与变量关 系越近。
将第一因子代替 x4,x5,x6,x7; 将 第 二 因 子 代 替 x1,x2,x3即可得到旋转矩阵，使 复杂的矩阵变得简洁。
聚 类
·分析某地区35个城市2004年的7
分 项经济统计指标数据
析
&
主
（2）试用主成份分析法对35个城市7项
成
经济指标进行主成分分析，并分析其综
分
合实力。
分
析
a.软件操作
实 例
b.数据结果及分析
a.软件操作
a.软件操作
b.数据结果及分析——Bartlett验证
因子分析前，首先进行KMO检验和巴特利球体检验。KMO检验用 于检查变量间的偏相关性，取值在0~1之前。KMO统计量越接近于1， 变量间的偏相关性越强，因子分析的效果越好。实际分析中，KMO统 计量在0.7以上时效果比较好；当KMO统计量在0.5以下，此时不适合应 用因子分析法，应考虑重新设计变量结构或者采用其他统计分析方法。
0 5
17 10
列是相应的样本距离或小类距 9
5
16
.123 6
0
10
离；第五列、第六列表明本步
10 11
5 5
20
.127 9
8
32
.128 10
0
11 12
骤聚类中，参与聚类的是样本 12 5
33
.129 11
3
13
13
5
14
.136 12
0
15
还是小类。0表示样本，数字 14 6
21
.150 0
b.数据结果及分析——变量与因子联系系数
变量与某一因子联系系数 绝对值越大，则该因子与变量关 系越近。
将第一因子代替 x4,x5,x6,x7; 将 第 二 因 子 代 替 x1,x2,x3即可得到旋转矩阵，使 复杂的矩阵变得简洁。
b.数据结果及分析——变量与因子联系系数
第1主成分与所有变量成正 相关，与x4,x5,x6,x7呈现出较强 的正相关，因此可以认为第1主 成分是2014年城市经济结构的代 表。
群集 0
1
群集 2 0
6
2
5
29
.065 0
0
6
凝聚状态表的第一列表示 3
33
34
.085 0
0
12
聚类分析的第几步；第二列、
4 5
26
35
.089 0
30
31
.104 0
0 0
28 8
第三列表示本步骤聚类中那两 6
5
17
.108 2
1
9
个样本或小类聚成一类；第四
7 8
8
18
.108 0
20
30
.115 0
14
.080 13
0
1164
6
21
.150 0
0
16
15
8
18
.084 0
3
1165
5
22
.160 13
0
17
16
5
8
.085 14
15
1176
6
11
.166 14
0
27
17
5
16
.086 16
0
1187
5
8
.182 15
7
18
18
5
19
.093 17
12
1198
5
19
.190 17
0
20
19
5
32
.096 18
11
2109
13
15
.196 0
0
24
20
5
7
.099 19
0
2210
5
7
.197 18
0
21
21
5
11
.107 20
0
2221
4
5
.198 0
20
22
22
5
15
.120 21
0
23
a.数据结果与对比
0
21
21
4
5
.198 0
20
22
22
4
28
.199 21
0
23
b.数据结果及分析
在不同的聚类标准（距离）下， 聚类结果不同，当距离标准逐渐 放大时，35个区域单元被依次聚 类。
当距离为0时，每个样本为单 独的一类；当距离为5，则35个区 域单元被聚为11类；当距离为10， 则35个区域单元被聚为7类；当距 离为15，则35个区域单元被聚为5 类；当距离为20，则35个区域单 元被聚为3类；最终，当聚类标准 （距离）扩大到25时，35个区域 单元被聚为1类。

xij min{xij } max{xij } min{xij }
（i 1,2,...,m; j 1,2,...n）
a.软件操作及原理——欧氏距离原理
dij
n
( xik x jk )2
k 1
聚类表
阶
群集组合
系数 首次出现阶群集 下一阶
a.软件操作及原理——最短1 距离群17集聚1 类群25集法2 原.060理