spss--判别分析.ppt

* * * * 选入分组变量，点击define range 定义分组变量的范围 选入进行判别分析的变量 选择所有自变量全部进入判别方程 用逐步方法筛选变量进入判别方程 选择符合某变量取值条件的观测进行分析，点击value设定符合条件的取值 * 输出统计量 各组的均数和标准差 各变量在各组间的单变量方差分析表，有助于判断各变量是否对判别有作用 组间协方差齐性检验 变量未标准化的判别系数，可方便手工回代考核，或对新样品手工计算判别 输出矩阵 组内相关系数内 组内协方差阵 各组协方差阵 总协方差阵 * * 如果样本时随机抽样得到的，可选择用样本估计值估计先验概率，即样本中每组例数除以总数。 默认各类先验概率相等 用样本估计值估计先验概率 输出判别考察结果 输出每一例判别后的所属类别，即回顾性考核 输出判别错判率结果表 交叉验证考核结果 选择计算所用的协方差阵 组内协方差阵 用变量均值代替缺失值 选择计算所用的协方差阵 组内协方差阵 各组的协方差阵 输出判别图 所有类在一张图纸上 各类图单独输出 领域图 * 创建新变量，表示用判别函数判别的各样品所属类别，对应于回顾性考核 创建新变量，表示各观察单位的判别得分，两类判别时得分者高者为所属类别，多类判别时不如概率值直观 创建新变量，表示各观察单位被判入每一类的概率，最大概率值对应的类别为判定所属类别。 * 四、输出结果解释 2 这部分输出了逐步分析步骤，可以看到，最后变量vision、at、age、bv进入模型，用了建立判别函数（表15-31 、 15-32、 15-33） 表15-31 * 表15-32、 表15-33 * 3.这部分输出了判别系数所对应的特征和占总特征值的百分比，以及两个判别函数的无统计学意义的检验。可以看到，建立 两个判别函数，第一个函数的判别作用已占78% （表15-34、15-35）。 表15-34 表15-35 * 4、输出两个判别函数的判别系数。以及判别变量和判别函数间相关系数（表15-36、15-37）。 表15-36 表15-37 由上表可将两个标准化典型判别函数写出： Y1=0.524age+0.908vision-0.525at+0.316bv Y2=-0.795age+0.313vision+0.726at+0.479bv * 表15-38 表15-39 5, 输出每类总体的重心指标。可以计算观察单位到各类重心的距离，可按距离最近原则将观察单位分类（表15-38） * 表15-40 6.输出回顾型考核结果，总错判率为11/131=8.4%。交叉验证考核结果，总错判率为14/131=10.69%（表15-39、15-40） * 7.输出3类观测在两个判别函数坐标中的位置，可看到有少数观测重叠（图形略）。 （五）结果表述 对11个变量进行逐步判别分析，最后4个变量age、at、vision、bv进入模型，建立两个标准化典型判别函数为： Y1=0.524age+0.908vision-0.525at+0.316bv Y2=-0.795age+0.313vision+0.726at+0.479bv 回顾法考核这两个判别函数，总错判率为8.4%，交叉验证考核总错判率为10.69% * 三、注意事项 1.Fisher判别和Bayes判别通常适用于数值变量资料。Fisher判别分析对变量总体分布没有要求，而Bayes判别分析要求总体服从多元正态分布。 当变量包含二分类变量或多分类变量时，可以用Logistic回归模型进行判别。 2.临界值的选取对判别结果有较大的影响，如选取不当，严重影响判别函数的功能。临界值的取法取决于不同的出发点，有时要根据经验或结合问题的实际背景选取。 3. 样品的明确分类和各指标的特异性直接影响判别分析的效果，当各类都很接近时，无论选用什么方法都很难得到满意结果。因此，在建立判别函数前，可以先进行各类的单因素方差分析和多元方差分析，如类间差异无统计学意义，则判别效果一定不好。 4.和聚类分析相似，对判别函数的判别效果评价目前尚无系统的检验理论，只能通过错判率的估计来评估判别分类的有效性。 * * * （一）Fisher判别分析 假设样品来自分类明确的A、B两类总体，每个样品记录了k个指标X1，X2，……Xk. Fisher判别分析的基本思想是寻找一个综合指标y，y是这个指标的线性函数 y=c1x1+c2x2+...+.ckxk 使两类总体上在y上的类间差异尽可能大，类内差异尽可能小。这个线性函数称为判别函数，c 称为判别系数。经推导，要满足类间变异最大，类间变异最小，判别系数须满足矩阵方程： （