15个上市公司主要财务指标

《15个上市公司主要财务指标》由会员分享，可在线阅读，更多相关《15个上市公司主要财务指标（11页珍藏版）》请在装配图网上搜索。

1、题目：下表是15个上市公司2001年的一些主要财务指标，使用系统聚类法和K-均值法分别对这些公司进行聚类，并对结果进行比较分析。解:令净资产收益率为X1，每股净利润X2，总资产周转率为X3，资产负债率为X4，流动负债比率为X5,每股净资产为X6,净利润增长率为X7,总资产增长率为X8,用spss对公司聚类分析的步骤如下：a）系统聚类法：1.在SPSS窗口中选择Analyze宀Classify宀HierachicalCluster,调出系统聚类分析主界面，并将变量X8-X1移入Variables框中。在Cluster栏中选择Cases单选按钮，即对样品进行聚类（若选择Variables，则对变量

2、进行聚类）。在Display栏中选择Statistics和Plots复选框，这样在结果输出窗口中可以同时得到聚类结果统计量和统计图。图5.1糸统分析迭王界面2点击Statistics按钮，设置在结果输出窗口中给出的聚类分析统计量。我们选择Agglomerationschedule与ClusterMembership中的Rangeofsolution2-4，如图5.2所示，点击Continue按钮，返回主界面。（其中，Agglomerationschedule表示在结果中给出聚类过程表，显示系统聚类的详细步骤；Proximitymatrix表示输出各个体之间的距离矩阵；ClusterMember

3、ship表示在结果中输出一个表，表中显示每个个体被分配到的类别，Rangeofsolution2-4即将所有个体分为2至4类。）3点击Plots按钮，设置结果输出窗口中给出的聚类分析统计图。选中Dendrogram复选框和Icicle栏中的None单选按钮，如图5.3，即只给出聚类树形图，而不给出冰柱图。单击Continue按钮，返回主界面。蠹HinrarchicdlClLrstrAnalyte应d曰O叶SinghlCanCTi图5.2Statistics子对话框图5.3Plots子对话框4点击Method按钮，设置系统聚类的方法选项。ClusterMethod下拉列表用于指定聚类的方法，这里

4、选择Between-groupinkage（组间平均数连接距离）；Measure栏用于选择对距离和相似性的测度方法，选择SquaredEuclideandistanee（欧氏距离）；单击Continue按钮，返回主界面。SHlfrjrchkilClwrtffArulysit：bffthodrli6二qpngegpto0A1rngc-图5.4Method子对话框圍HierarchicalClusterAnalysis:3lB9ClusterMcinbershipOf*30OtotJicnNumberofObfle翳wMlowl_MniriMnruiiMrofdustorv2Hnuftiberol

5、clusters:4CorthiCancd1He|p|图55Save子对话框5点击Save按钮，指定保存在数据文件中的用于表明聚类结果的新变量。None表示不保存任何新变量；Singlesolution表示生成一个分类变量，在其后的矩形框中输入要分成的类数；Rangeofsolutions表示生成多个分类变量。这里我们选择Rangeofsolutions，并在后面的两个矩形框中分别输入2和4，即生成三个新的分类变量，分别表明将样品分为2类、3类和4类时的聚类结果，如图5.5。点击Continue，返回主界面。6点击0K按钮，运行系统聚类过程。聚类结果分析：下面的群集成员表给出了把公司分为2类，

6、3类，4类时各个样本所属类别的情况，另外，从右边的树形图也可以直观地看到，若将15个公司分为2类，则13独自为一类，其余的为一类；若分为3类，则公司8分离出来，自成一类。以此类推。表5.1各样品所属类别表ClusterMembershipCase4Clusters3Clusters2Clusters11112111311141115211611171119111101111111112111134321411115111*HiERARCHICALcLUSTER*DendrogramusingAverageLinkage(BetweenGroups)RescaledDistanceCluster

7、CombineCASE0510152025LabelNum+921241017T14T-4T13T151158图5.6聚类树形图b）K均值法:1在SPSS窗口中选择AnalyzefClassifyfK-MeansCluster，调出K均值聚类分析主界面，并将变量X1-X8移入Variables框中。在Method框中选择Iterateclassify，即使用K-means算法不断计算新的类中心，并替换旧的类中心（若选择Classifyonly，则根据初始类中心进行聚类，在聚类过程中不改变类中心）。在NumberofCluster后面的矩形框中输入想要把样品聚成的类数，这里我们输入3,即将15个

8、公司分为3类。（Centers按钮，则用于设置迭代的初始类中心。如果不手工设置，则系统会自动设置初始类中心，这里我们不作设置。）2. 点击Iterate按钮，对迭代参数进行设置。MaximumIterations参数框用于设定K-means算法迭代的最大次数，输入10，ConvergenceCriterion参数框用于设定算法的收敛判据，输入0,只要在迭代的过程中先满足了其中的参数，则迭代过程就停止。单击Continue，返回主界面。3. 点击Save按钮，设置保存在数据文件中的表明聚类结果的新变量。我们将两个复选框都选中，其中Clustermembership选项用于建立一个代表聚类结果的变

9、量，默认变量名为qcl_1；Distaneefromclustercenter选项建立一个新变量，代表各观测量与其所属类中心的欧氏距离。单击Continue按钮返回。4.点击Options按钮，指定要计算的统计量。选中Initialclustercenters和Clusterinformationforeachcase复选框。这样，在输出窗口中将给出聚类的初始类中心和每个公司的分类信息，包括分配到哪一类和该公司距所属类中心的距离。单击Continue返回。5点击OK按钮，运行K均值聚类分析程序。K均值聚类结果分析：以下三表给出了各公司所属的类及其与所属类中心的距离，聚类形成的类的中心的各变量值

10、以及各类的公司数。由以上表格可得公司13与公司8各自成一类，其余的公司为一类。过比较可知，两种聚类方法得到的聚类结果完全一致。表K-1聚类成员CaseNumber（案例）Cluster类）（聚Distanee（距离）1398.15323112.95933235.34643132.426531.610E36393.39973205.51182.0009395.92310338.967113834.134123101.852131.000143246.882153433.178ClusterMembership表K-2每个聚类中的案例数NumberofCasesineachClusterCluster11.000（聚类）21.000313.000Valid（有效）15.000Missing（缺失）.000表K-3最终聚类中心FinalClusterCentersCluster123Xi95.7911.126.48x2-5.20-1.69.08x3.50.12.39x4252.34132.1471.48x599.34100.0092.06x6-5.42-.661.90x7-9816.52-4454.39-103.94x8-46.82-62.7511.91