SPSS 命令: SPSS AIM
聚类与分组的属性重要性分析（AIM）
属性重要性分析为每个组——通常是细分得到的每个聚类——描述特征，检验哪些属性使其区别于整体样本。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 在你的设备上运行 SPSS AIM：用卡方检验比较每个分类属性在组内的类别构成与总体构成，用 t 检验比较每个连续属性的组均值与总体均值，并为每组绘制 −log10(显著性) 图，可选 Bonferroni 调整。
- 哪些属性使每个聚类与众不同：按 −log10(显著性) 排列，并与临界线比较。
- 差异的方向：连续属性看组均值与总体均值的对比，分类属性看组内最常见类别与总体最常见类别的对比。
- 每个属性证据的强弱：卡方或 t 值、自由度和显著性。
适用场景
适合使用
- 在二阶聚类、K 均值或系统聚类之后描述各细分，撰写聚类画像并为其命名。
- 将任何现有分组（地区、人物画像、套餐）与总样本在大量属性上同时比较。
- 决定在细分摘要中重点呈现哪些变量。
改用其他方法
- 需要组与组之间比较，而不是与整体样本比较：请使用单因素方差分析或交叉表卡方检验。
- 聚类本身就是由这些属性形成的：检验必然显著，只能当作描述，不能当作证据。
- 需要预测组别归属：请使用判别分析或多项 Logistic 回归。
- 必须应用个案权重：AIM 算法未定义个案权重，结果不加权。
在 Crosstabs 中如何操作
- 01
打开数据
打开含聚类成员或其他分组变量的文件，并切换到“统计”模式。
- 02
选择属性重要性
在“分类”组中选择“属性重要性”。
- 03
设置分组与属性
选择“分组变量（例如聚类成员）”，然后勾选“分类属性”和“连续属性”。
- 04
设置显著性水平并运行
将“显著性水平”保留为 0.05 或自行修改，可选勾选“按属性个数进行 Bonferroni 调整”，然后点击“运行”。
计算示例
以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。
数据
180 名模拟客户，已被分入三个各 60 人的聚类（例如通过二阶聚类或 K 均值聚类）。套餐档位（basic、plus、pro）、年龄和月消费按聚类生成不同分布；地区与到店次数在各聚类中按相同方式生成，因此不应区分任何组。显著性水平 0.05，不做 Bonferroni 调整。固定随机种子。
| 属性 | 组值 | 总体值 | 统计量 | df | 显著性 | −log10(Sig.) |
|---|---|---|---|---|---|---|
| plan | basic | basic | χ² 41.932 | 2 | <.001 | 9.11 |
| region | South | South | χ² 0.813 | 3 | .846 | 0.07 |
| age | 27.07 | 41.13 | t −13.854 | 59 | <.001 | 19.48 |
| spend | 38.07 | 64.65 | t −13.314 | 59 | <.001 | 18.70 |
| visits | 6.22 | 5.80 | t 1.282 | 59 | .205 | 0.69 |
−log10(显著性) 的临界值：1.30（显著性水平 0.05）。
| 属性 | 组值 | 总体值 | 统计量 | df | 显著性 | −log10(Sig.) |
|---|---|---|---|---|---|---|
| plan | plus | basic | χ² 5.142 | 2 | .076 | 1.12 |
| region | East | South | χ² 1.160 | 3 | .763 | 0.12 |
| age | 44.58 | 41.13 | t 3.432 | 59 | .001 | 2.96 |
| spend | 61.86 | 64.65 | t −0.969 | 59 | .337 | 0.47 |
| visits | 5.65 | 5.80 | t −0.446 | 59 | .657 | 0.18 |
−log10(显著性) 的临界值：1.30（显著性水平 0.05）。
| 属性 | 组值 | 总体值 | 统计量 | df | 显著性 | −log10(Sig.) |
|---|---|---|---|---|---|---|
| plan | pro | basic | χ² 32.665 | 2 | <.001 | 7.09 |
| region | East | South | χ² 0.870 | 3 | .833 | 0.08 |
| age | 51.75 | 41.13 | t 11.503 | 59 | <.001 | 15.98 |
| spend | 94.03 | 64.65 | t 11.908 | 59 | <.001 | 16.60 |
| visits | 5.53 | 5.80 | t −0.877 | 59 | .384 | 0.42 |
−log10(显著性) 的临界值：1.30（显著性水平 0.05）。
结果解读
组 1 中最具区分性的属性是 age（−log10(显著性) 19.48），5 个属性中有 3 个超过临界值 1.30。组 2 中最具区分性的属性是 age（−log10(显著性) 2.96），5 个属性中有 1 个超过临界值 1.30。组 3 中最具区分性的属性是 spend（−log10(显著性) 16.60），5 个属性中有 3 个超过临界值 1.30。按设计不应有差异的地区和到店次数在每个组中都低于临界值。将每组的组值与总体值对照即可描述该聚类，例如组内平均消费与总体平均消费的比较。
输出表格说明
- 属性重要性 — 组
- 每组一张表并注明 N：每个属性的组值与总体值、卡方或 t 值、自由度、显著性和 −log10(显著性)；脚注给出所选水平下 −log10(显著性) 的临界值。
- −log10(显著性) — 组
- 每组每个属性一根条形；超过临界值的条形在所选（可经 Bonferroni 调整的）水平上显著。
前提假设与注意事项
- 每个组都与包含其自身在内的整体样本比较；这些检验用于描述差异性，而非检验事先设计的比较。
- 分类属性：检验组内类别比例等于总体比例的卡方检验，自由度为类别数 − 1。连续属性：组均值与总体均值比较的双侧单样本 t 检验，自由度为组 N − 1。
- 缺失值按属性成对删除；分组变量缺失的个案不纳入分析。
- 属性和组较多时，部分检验会偶然越过临界线；Bonferroni 选项将显著性水平除以属性个数。
结果如何验证
AIM 在一个 300 个个案、含三个组、两个分类属性和三个连续属性且有零散缺失值的数据文件上与 SciPy 对照：每组的卡方统计量（使用 SciPy 的卡方生存函数）以及与总体均值比较的 scipy.stats.ttest_1samp。所有统计量一致到小数点后 10 位，自由度完全一致，p 值一致到 1e-12。 验证证据（英文）
常见问题
如何解读 −log10(显著性)？
它把显著性转换为长度：1.30 对应 p = .05，2 对应 p = .01，3 对应 p = .001。条形越长，该属性对该组越具区分性；超过临界值的条形即为显著。
应该勾选 Bonferroni 调整吗？
筛查大量属性并希望减少偶然发现时请勾选：显著性水平会除以属性个数，从而提高临界值。只有少数预先确定的属性时可不勾选。
为什么我的聚类几乎所有属性都显著？
如果聚类就是由这些属性形成的，它们在这些属性上必然不同；大样本也会让很小的差异变得显著。请对照组值与总体值，判断差异是否大到有实际意义。
分类属性的组值是什么？
组内最常见的类别，与总体最常见的类别并列显示。卡方检验使用的是全部类别构成，而不只是最常见的类别。
我的数据会被上传吗？
不会。检验在浏览器中计算，文件保留在你的设备上。
相关过程
- 两步聚类TWOSTEP CLUSTER
- K-均值聚类QUICK CLUSTER
- 系统聚类CLUSTER
- 单样本 t 检验T-TEST
- 交叉表统计量CROSSTABS /STATISTICS
- 判别分析DISCRIMINANT
- 免费的 SPSS 替代工具：支持范围
用你自己的数据运行属性重要性（AIM）
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。