操作步骤
在Spss中打开“分析”—“分类”—“判别”，将分类型的输出变量拖入到“分组变量”中；将其余四个数值型输入变量拖入到。
Spss提供了“一起输入”和“步进方法”，用户可根据自己需求，是决定让所有输入变量一起参与判别函数的建构，还是先筛选再进入。
结果解读
点击确定后，Spss给出描述性统计分析结果，如下：
下面3图是对判别分析的进一步描述。
第一张表格：
表示了两个判别函数的特征根情况。表中只给出了两个判别函数，其中第一判别函数所携带的信息量远远大于第二判别函数，其所解释的组间方差也占绝大多数。
注意后面有一列为典型相关系数，这个系数表示了不同分组与第一、二判别函数的相关性，相关性越强，则组别在此维度上的差异越大；反之，则此组别在此维度上的差异越小。
第二张表格：
对两个函数的WiksLamdba检验。
结果显示两个判别函数均具有统计学上的意义，即Sig小于0.05.
第三张表格：
给出了标准化后的判别系数。其表示了不同的输入变量对第一、二判别函数的贡献率。
可以把第三张表格写成线性形式，要注意这是标准化后的判别系数，是没有常数项的。
下面2图是对判别分析的再进一步描述：
第一张表格：
结构矩阵表，此结构矩阵表示了不同的输入变量与第一、二判别函数的相关性。
通过图表可知，与第一判别函数相关性最强的是花瓣长，第二判别函数相关的是其余的三个输入变量。
结构矩阵和之前的标准化后的函数系数不一样，虽然它们的分布趋势一致，但一个可以直接写成标准化的第一、二差别函数，而一个只是表示这彼此间的相关性而已。
第二个表格：
显示了不同组别在第一、二判别函数构成的平面图上的分布重心。前面有用WilksLambda统计量对第一二函数进行检验，检验的就是这两个向量在各组得分是否相等。
第二张表格，我们得到了不同组别在二维图上的坐标，这样只要计算出了新数据的坐标，然后比较其与哪个组别中心点距离近，就可以判别其为哪个类别了。
如果不想使用Spss提供的标准化后的第一、二判别函数，可通过在设置面板的设置，得到如下图的，未标准化的第一二判别函数的系数。
