多元统计分析应用第四章课后习题.docxVIP

第四章 判别分析 习题4.8 （1）根据数据建立贝叶斯判别函数，并根据此判别函数对原样本进行回判。 （2）现有一新品牌的饮料在该超市试销，其销售价格为3.0，顾客对其口味评分为8，信任度评分平均为5，试预测该饮料的销售情况。 将数据导入SPSS，分析得到以下结果： 1. 典型判别函数的特征函数的特征值表 表1-1 特征值表 函数特征值方差的 %累积 %典型相关性117.791a96.196.10.97320.720a3.91000.647表1-1所示是典型判别函数的特征值表，只有两个判别函数，所以特征值只有2个。函数1的特征值为17.791，函数2的特征值为0.720，判别函数的特征值越大，说明函数越具有区别判断力。函数1方差的累积贡献率高达96.1%，且典型相关系数为0.973，而函数2方差的贡献率仅为3.9%，典型相关系数为0.647。由此，说明函数1的区别判断力比函数2的强，函数1更具有区别判断力。 2. Wilks检验结果 表1-2 Wilks 的 Lambda 函数检验Wilks 的 Lambda卡方dfSig.1 到 20.03120.85360.00220.5813.25320.197上表中判别函数1和判别函数2的Wilks’Lambda值为0.031，判别函数2的Wilks’Lambda值为0.581。“1到2”表示两个判别函数的平均数在三个类间的差异情况，P值=0.0020.05表示差异达到显著水平“2”表示在排除了第一个判别函数后，第二个判别函数在三个组别间的差异情况，P值=0.1970.05表示判别函数2未达到显著水平。 3.建立贝叶斯判别函数 表1-3 贝叶斯判别法函数系数 类别畅销平销滞销销售价格-11.689-10.707-2.19口味评分12.29713.3614.96信任度评分16.76117.0866.447(常量)-81.843-94.536-17.4上表为贝叶斯判别函数的系数矩阵，用数学表达式表示各类的贝叶斯判别函数为： 第一组： F1=-81.843-11.689X1+12.97X2+16.761X3 第二组： F2=-94.536-10.707X1+13.361X2+17.086X3 第三组： F3=-17.499-2.194X1+4.960X2+6.447X3 将新品牌饮料样品的自变量值分别代入上述三个贝叶斯判别函数，得到三个函数值为： F1=65.271， F2=65.661， F3=47.884 比较三个值，可以看出F2=65.661最大，据此得出新品牌饮料样品应该属于第二组，即该饮料的销售情况为平销。 4.个案观察结果表 表1-4 个案观察结果表 案例数目实际组最高组判别式得分预测组P(Dd | G=g)P(G=g | D=d)到质心的平方 Mahalanobis 距离函数 1函数 2pdf1110.51320.9321.3372.766-1.6262110.99520.8290.0112.08-0.7253110.53120.9741.2681.153-1.528412**0.73420.7140.6191.9480.791521**0.53520.6331.2491.3940.1766220.95120.8220.12.9540.7217220.34220.9852.1483.8161.9118330.26212.695-4.112-0.9619330.538211.239-6.3860.54810330.811210.418-5.6130.69311未分组的20.16520.5973.5980.8250.969表1-4所示为原始数据逐一回代的判别结果和预测分类的结果显示，其中畅销组有1个样品被判错（标注**者，产品序号为4），平销组有1个样品被判错（标注**者，产品序号为5）。通过预测得知新品牌饮料的销售情况为平销。 习题4.9 （1）根据样本资料分别用距离判别法、贝叶斯判别法和费希尔判别法建立判别函数和判别规则。（2）某客户的如上情况资料为，（53,1,9,18,50,11,20,2.02，3.58）对其进行信用好坏的判别。 将数据导入SPSS，分析得到以下结果： 1. 典型判别函数的特征函数的特征值表 表2-1 特征值表 函数特征值方差的 %累积 %典型相关性1