《《判别分析操作》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《判别分析操作》PPT课件.ppt（51页珍藏版）》请在装配图网上搜索。
1、例1：通过城市人口所占的比例、有文化居民的比例、人口增长率、人均GDP等四个变量来判别某国所属的类型。我们将国家分为三种类型，分别为OECD国家、亚太地区的国家和非洲地区的国家。来自三个总体的训练样本数分别为16、12、16，共44个样本。,第四章判别分析(操作部分）,选择AnalyzeClassifyDiscriminant进入判别分析对话框，如下：,GroupingVariable框用于选择已知的类别变量（离散型的）。DefineRange按钮具体确定变量的取值范围。Minimum栏输入该分类变量的最小值。Maximum栏输入该分类变量的最大值。,Independents用于指定判别分析的
2、自变量。即建立判别函数所需的变量。Enterindependentstogether所有自变量同时进入判别函数，是系统默认值。当认为所有自变量都能对样本观测值的特性提供丰富的信息，且彼此独立时使用该选项。Usestepwisemethod使用逐步判别法，按照所指定的引入或删除变量方法依次引入或删除变量。,SelectionVariable框用于定义样本选择条件。选中一个变量引入框中，然后使用右侧的Value按钮定义一个取值，这样全部样本中只有该变量等于所指定值的样本才被纳入分析中。,Statistics对话框用于给出一些统计量。,DescriptivesMeans输出各类中各分类变量的均值、标
3、准差和各分类变量总样本的均值和标准差。UnivariableANOVA输出各变量的方差分析结果，即进行假设检验，原假设是该变量在各类的均值相等。通过此项判断各个变量在不同组之间是否有差别，建立判别函数时选用该变量是否有意义。Box，M对各类的协方差矩阵相等的假设进行检验，一般不太关心这个结果。,Functioncoefficients用于选择判别函数系数的输出形式:Fisher，s给出Bayes判别准则的判别函数。Unstandardized给出Fisher判别法建立判别函数的未标准化系数。MatriceWithin-groupscovariancematrix计算合并类内协方差矩阵，是将各组
4、协方差矩阵平均后计算的，区别于总协方差矩阵。Within-groupscorrelatonmatrix是根据上述协方差矩阵计算的相关矩阵。separate-groupscovariancematrix对每个类输出一个协方差矩阵totalcovariancematrix计算并显示总样本的协方差矩阵。,Classify指定分类参数和判别结果。,PriorProbabilities选择先验概率，两者选择其一：Allgroupsequal选项各类先验概率相等。Computefromgroupssizes选项由各类的样本量决定，各类的先验概率与其样本量成正比。UseCovarianceMatrix选择分
5、类使用的协方差矩阵。Within-groups选项指定使用合并组内协方差矩阵进行分析。Separate-groups选项指定使用各组协方差矩阵进行分析。此处一般不更改，使用默认值。,Display选择生成到输出窗口的分类结果。Casewiseresults复选框对每个观测变量输出实际类、预测类（根据判别函数求得的分类结果）和后验概率等。如果选择此项，下边有一个“limitcasestofirst”按设置的记录数输出前n个样本的判别结果。summarytable复选框输出分类小结。给出正确分类的样本数、错分的样本数和错分率。Leave-one-outclassification即交互验证法（Cr
6、oss-Validition）。在建立判别函数时去掉该样本点，然后利用判别函数判别该样本点的分类。,Plots用于选择可输出的判别图Combined-groups输出一张包括各类的散点图。该散点图是根据前两个判别函数生成的，如果只有一个判别函数则生成直方图。Separate-groups根据前两个判别函数对每一类生成一张散点图，共分成几类就生成几张散点图。如果只有一个判别函数则生成直方图。Territorialmap画出领域图（分类区域图）。整个平面被分成几大块，每一块代表一个类别，之间有清楚的界限分割。其中星号代表各个类的中心，用此图可以直接对未知样本进行分类。,Method,Method用
7、于选择的逐步判别分析时所采用的方法。Wilk-lambda每步使得Wilks统计量最小的变量进入判别方程。Unexplainedvariance:每步使得各类不可解释的方差（随机误差）之和最小的变量进入判别方程。SmallestFratio每步使得两类之间最小的F值最大的变量进入判别方程。Rao，V统计量产生最大增量的变量进入判别方程。,Criteria进入或删除变量的临界值设置，包含两种方式：UseFValue使用F值，是系统默认的。当加入一个变量或剔除一个变量后，对判别函数中的变量进行方差分析。当F值大于指定的Entry值时，该变量保留，默认的为3.84。当F值小于指定的Removal值时
8、，该变量从判别函数中删除，默认的Removal值为2.71。如果是用户自己设定应注意Entry值Removal值，否则产生函数中没有变量的错误。UseprobabilityofF使用P值。加入变量默认的P值是0.05（5%），剔除变量的P值是0.1（10%），应注意Removal值Entry值。,Display选择要显示的统计量Summaryofsteps要求在逐步选择变量过程中的每一步之后显示每个变量的统计量。Fforpairwisedistances要求显示两类之间的F值矩阵。,下表为样本缺失值报告：,下表给出的是原始数据描述性统计量。这是Statistics中要求输出的结果。,上表为单变
9、量方差分析的结果。检验各类中同一变量均值是否相等，原假设是均值相等，由上表可以看出拒绝原假设，说明各类在各个变量上的均值不相等，因此才有分类的意义。,下表给出的是合并类内协方差矩阵和相关矩阵，阵中各元素是各类协方差矩阵和相关矩阵中对应元素的均值。,下表给出了各类的协方差矩阵和总的协方差矩阵在：,下表给出了逐步判别法中变量的进入和剔除情况：,下表给出的是变量的剔除过程：,上表给出了判别函数所对应的特征值、方差贡献及典型相关系数。特征根的个数为变量数和类别数减1中的较小值。,上表为典型判别函数的有效性，可以看出判别函数的判别能力是显著的。,给出了标准化以后典型判别函数的系数。两个标准化的判别函数为
10、：,上表给出了结构矩阵，即原始变量与标准化后的典型判别函数值之间的相关关系。如果一些分类变量与某个判别函数之间有很大的结构系数，就可以用这些区别变量的名字来命名此判别函数。,上表给出了未标准化的典型判别函数的系数。,给出了各类均值（重心）未标准化的典型判别函数的分值。,上表给出的是各个类先验概率的情况。,给出了贝叶斯判别的线性判别函数，有几个类就有几个函数，将样本带入函数计算其在各个类上的得分，比较不同类的判别分值，哪个大就判给哪个类。,上表给出的是样本判别分类统计表。上半部分给出了各个样本的实际类别，最大可能所属的预测类别和次最大可能所属的预测类别，Discriminantscores是两个
11、典型判别方程的得分。下半部分是交互验证建立判别方程的结果。,上图是第一组（OECD国家）判别函数得分的散点图。,上表给出的是判别分类结果的统计评价，从表中可以看出三组的错判率分别为6.2%,41.7%和12.5%。,将菲律宾的数据带入两个判别函数得到两个值为：（1.64844，-2.23792），落入第二个区域，因此判为是亚太国家。如果带到贝叶斯线性判别函数里边得到三个组的的分值分别为：2.14972，4.59068，4.2374。应该判给得分最高的，所以也应判给第二组。,例2：对全国30个省市自治区1994年影响各地区经济增长差异的制度变量：x1经济增长率（%）；x2非国有化水平（%）；x3开放度（%）；x4市场化程度（%）。作判别分析。训练样本来自两个组，根据所给样本建立判别函数，判别江苏、安徽和陕西所属的类别。,标准化的典型判别函数系数：,给出了未标准化的典型判别函数的系数，典型判别函数为：,两类重心判别函数得分值：,将三个省的四个变量的数据带入线性判别函数，计算得：江苏：安徽：陕西：,因此将江苏、安徽判归第一类，陕西判归第二类。,将三个省四个变量的值带入典型判别函数：,计算得：江苏：u(x)1.22634安徽：u(x)0.40216陕西：u(x)-1.24201,
《判别分析操作》PPT课件.ppt
