67589999
10
9Clusters112233444456665788889
8Clusters112222333345554677778
7Clusters112222333344444566667
6Clusters112222333344444555556
图518树形图
5
f结果分析：本次聚类分析采取变量之间距离的计算用欧式距离，类与类之间的距离采用组间平均链锁法，将21个样本分成612组比较，图515为距离矩阵，给出了各样本之间的欧式距离；图516为凝聚状态表，第一列表示聚类分析的第几步，第二、三列表示本步骤中哪两个个案或者小类聚成一类。第四列是个案距离或者小类距离。第五列、第六列表示参与本步骤聚类的是个案还是小类，0表示个案，非零表示小类，具体数字表示第几步生成的小类。第七列标志本步骤的结果将在第几步中用到。图517为类成员聚类表，给出了分别聚成612的最终聚类结果，例如当指定聚类成6类时，12聚为一类，36聚为一类，710聚为一类，1115聚为一类，1620聚为一类。图518为聚类树形图，既给出了聚类过程，也给出对应相应类与类之间的距离。
52依据题意，需对Michel向上司管理报告作出选址建议。首先认为选址地点需要最低满足毛利投资额026的基本要求。所以聚类分析前先筛选出毛利投资额026的样本，点击“DataSelectCases”，选择“Ifco
ditio
issatisfied”，输入“毛利投资额026”，如图521，点击“Co
ti
ue”得到结果如图522图521
6
f图522
3、依次A
alyze→Classify→HierarchicalCluster将投资、店堂面积选入Variable框中，单击Statistics，选择ProximityMatrix，ClusterMembership中选择Ra
geofSolutio
s，依次输入3，6；如图512，单击Method，ClusterMethod选为最短距离法，单击I
terval选项，激活右侧的参数框，单击下拉箭头，共有8个选项，选择Euclidea
dista
ce（欧式距离），如图513，单击Co
ti
ue，单击Plots，选择De
drogram，如图523单击Co
ti
ue，选择OK得到结果图523
7
f图524凝聚状态表
Stage12345678910111213
Agglomeratio
Schedule
ClusterCombi
ed
Cluster1Cluster2
13
14
12
13
11
12
10
11
8
10
7
9
6
8
5
6
4
5
3
4
2
3
1
2
1
7
Coefficie
ts000000000000000000000000000000000000
1570E16
StageClusterFirstAppears
Cluster1Cluster2
0
0
0
1
0
2
0
3
0
4
0
0
0
5
0
7
0
8
0
9
0
10
0
11
12
6
NextStage23457
1389
10111213
0
图524类成员聚类表
8
fClusterMembership
Case1Case472Case483Case494Case505Case516Case527Case538Case549Case5510Case5611Case5712Case5813Case5914Case60
6Clusters12345565655555
5Clusters123r