10-1變異數分析_8391.ppt

第九章 區別分析與邏輯迴歸 9-1　區別分析 (Discriminate Analysis) 9-2　邏輯迴歸 (Logistic Regression) 9-1 區別分析(Discriminate Analysis)9-1-1 區別分析介紹 　　區別分析 (Discriminate Analysis)：在已知的樣本分類，建立判別標準(區別函數)，以判定新樣本應歸類於那一群中。 　　區別分析適用於依變數是非計量，自變數是計量的情形，如下圖： 　　　　　　　　Y = X1+X2+X3+….+Xk (非計量, 例如： 名目) 　　(計量) 區別函數(Discriminant Function) 　　區別分析是2個或2個以上自變數的線性組合，這個線性組合對於先前定義好的群組，擁有最佳的區別能力。區別能力可以透過設定每個變數的權重，使的組間變異和組內變共之比率為最大。擁有區別能力最大的線性組合，就是我們要的區別函數(Discriminant Function), 其形式如下： Discriminant Function (HAIR et. al. 1998, P244) Zjk= a + W1X1k + W2X2k+……+ WnXnk Zjk = 區別函數j對物件k的區別Z分數 a = 截距 (intercept), 也通稱為常數 Wi = 對每個變數I的區別權重 Xjk = 自變數i, 對於物件k 我們以幾何圖形的解釋，如下圖： 　　我們有2組資料Ⅰ和Ⅱ, 其資料分佈如上圖, 分別映射mapping到Z軸，Z1為區別函數的分數(稱為Z score), 其分界點為兩組平均數的中心，可以得到最佳的區別效果, 也就是我們需要的區別函數。(Ⅱ組落入Ⅰ組(陰暗處))誤判數量和Ⅰ組落入Ⅱ組誤判數量都較低) 若是分界點落在別處，如下圖： Ⅱ組落入Ⅰ組和Ⅰ組落入Ⅱ組的誤判數量都會增加，最好的情形，則會與兩組平均數的中心相同，不會更好。 評估組別以進行分類 (研究問題)區別分析的應用 1. 使用身高, 體重來區分性別 2. 使用客戶的性別、收入、教育程度來區別客戶是否會購買產品 3. 使用客戶的職業、收入、資產、負價…等資料來區別客戶是否有還 款能力 4. 動、植物分類 5. 商品等級分類 6. 政治：使用年齡、教育程度、議題立場、政黨傾向…等，對己表態 的選民作區別分析，以進行未表態者的投票意向的預測 7. 風險評估：使用公司的財務資料、企業主的個人資料…等，以區別 分析建立起信用評估模式，用來判定未來企業申貸者的標準。 9-1-2 區別分析範例 　　我們想了解某顧問公司提供 技術(變數Tech)，服務(變數Serv)和管理(變數Manage)，在客戶滿意度(變數satis)中，高滿意度，中滿意度和低滿意度的區別情形，除了可以預測新客戶的滿意度外，更可以提供顧問公司的改善方向。 實務操作如下： 1. 按 Analyze ? Classify ? Discriminant 2. 在Discriminant Analysis 視窗，選取 satis 變數 3. 選取 satis 變數，按 ，再按 Define Range，在 Minimum輸入1， Maximum輸入3 4. 按Continue，回到 Discriminant Analysis 視窗，選取 Tech，Serv， Manage 變數 5. 按 ，選取 Tech，Serv，Manage 變數到 Independents 6. 按 Statistics ，選取所有統計量 7. 按 Continue，回到 Discriminant Analysis 視窗 8. 按Classify ，選取 All groups equal，Within-group，Summary table 和 Leave-one-out classification 9. 按Continue，回到 Discriminant Analysis 視窗 10. 按OK，出現報告結果 報表分析結果如下： Tests of Equality of Group Means 組別平均數的相等性檢定, 也就是應用單變量變異數進行分析, F值愈大, Wiks’ Lambda 值會愈小, 代表平均數的差異值愈大, 從上表比較得知不同的整體滿意度在Tech(技術), Serv(服務)和 Manage(管理) 的F值都達顯著 sig：p=0.000, 分別是技術 = 32.104, 服務 = 14.564, 管理=20.330。 Analysis 1 Boxs Te