如果对变量内部各观察值间的一致性进行考核(假定本例HB1变量中的数据为对一个 标准试样的十次平行测定),那么需在 Distance对话框中选 Between cases项,并选 Dissimilarities项的 Euclidean distance测距方法,运算结果如下: 在不相似性测量系数矩阵中,最大值为第五个观察值与第八个观察值间的仅为0.2900 其余的值均较之更小,最小的为第三个观察值与第四个观察值间的仅为0.0100,可见观察值 间的不相似性差(不相似性系数愈接近1,不相似性愈好:不相似性系数愈接近0,不相似 性愈差),则意味着测定结果的一致性好。 Data Information 0 unweighted 0 cases rejected because of missing value. Euclidean measure used Euclidean Dissimilarity Coefficient Matrix Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case8 Cas 05001700 8000100 Case52400020019002000 Case608001400030004001600 Case71200.1000070008001200040 Case8.050027001000090029001300.1700 19000200010 210005000900.0800 Casel0.190003001400150005001100070024001600 返回目录返回主页如果对变量内部各观察值间的一致性进行考核（假定本例 HB1 变量中的数据为对一个 标准试样的十次平行测定），那么需在 Distance 对话框中选 Between cases 项，并选 Dissimilarities 项的 Euclidean distance 测距方法，运算结果如下： 在不相似性测量系数矩阵中，最大值为第五个观察值与第八个观察值间的仅为 0.2900， 其余的值均较之更小，最小的为第三个观察值与第四个观察值间的仅为 0.0100，可见观察值 间的不相似性差（不相似性系数愈接近 1，不相似性愈好；不相似性系数愈接近 0，不相似 性愈差），则意味着测定结果的一致性好。 Data Information 10 unweighted cases accepted. 0 cases rejected because of missing value. Euclidean measure used. Euclidean Dissimilarity Coefficient Matrix Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case 8 Case 9 Case 2 .2200 Case 3 .0500 .1700 Case 4 .0400 .1800 .0100 Case 5 .2400 .0200 .1900 .2000 Case 6 .0800 .1400 .0300 .0400 .1600 Case 7 .1200 .1000 .0700 .0800 .1200 .0400 Case 8 .0500 .2700 .1000 .0900 .2900 .1300 .1700 Case 9 .0300 .1900 .0200 .0100 .2100 .0500 .0900 .0800 Case10 .1900 .0300 .1400 .1500 .0500 .1100 .0700 .2400 .1600