第4章 判别分析.pptVIP

5. Casewise Statistics(给出个案观察结果) 在Casewise Statistics输出表针对每个样品给出了了大部分的判别结果，其中包括：实际类（Actual Group）、预测类（Predicted Group）、Bayes判别法的后验概率、与组重心的马氏距离（Squared Mahalanobis Distance to Centroid）以及Fisher判别法的每个典型判别函数的判别得分（Discriminant Scores）。出于排版要求，这里给出结果表的是经过加工的，隐藏了其中的一些项目，如表4.4所示。从表中可以看出四个待判样本依次被判别为第三组、第一组、第二组和第三组。 * 表4.4 个案观察结果表 * 6. 由于我们在Save子对话框中选择了生成表示判别结果的新变量，所以在数据编辑窗口中，可以观察到产生的新变量。其中，变量dis-1存放判别样品所属组别的值，变量dis1-1和dis2-1分别代表将样品各变量值代入第一个和第二个判别函数所得的判别分数，变量dis1-2、dis2-2和dis3-2分别代表样品分别属于第1组、第2组和第3组的Bayes后验概率值。 * * 注意： Bayes判别法优于距离判别法之处是它考虑了先验概率，然而，令人头疼的事也是先验概率。在实际应用中，要确定先验概率是很困难的事。 一般来说，在现场调查中，先验概率常取为各类型疾病的患病率，在医院的门诊诊断中，先验概率常取各种类型疾病的就诊比例；也有人将样本的各类样本含量之构成比作为先验概率的估计。 在无法确定时，可以取各类的先验概率相等，当然此时，Bayes判别失去了其优越性。 * * 第四节 费歇（Fisher）判别法 Fisher判别的基本思想 Fisher判别函数的构造 线性判别函数的求法 * Fisher判别法是1936年提出来的，该方法的主要思想是通过将多维数据投影到某个方向上，投影的原则是将总体与总体之间尽可能的放开，然后再选择合适的判别规则，将新的样品进行分类判别。 * 一、Fisher判别的基本思想 * 二、Fisher判别函数的构造 1、针对两个总体的情形 * 对于总体中Gi所有个体的判别函数值的均值和方差 * 2、针对多个总体的情形 * * 多个总体的判别函数值的均值之间的离差平方和 多个总体内各个个体判别函数值的方差之和 * 三、线性判别函数的求法 * * * * * 第五节 实例分析与计算机实现 X1 ： 0岁组死亡概率 X 4 ： 55岁组死亡概率 X 2 ：1岁组死亡概率 X5 ： 80岁组死亡概率 X 3 ： 10岁组死亡概率 X6 ： 平均预期寿命 这一节我们利用SPSS对Fisher判别法和Bayes判别法进行计算机实现。 为研究某地区人口死亡状况，已按某种方法将15个已知地区样品分为3类，指标含义及原始数据如下。试建立判别函数，并判定另外4个待判地区属于哪类？ * 表4.1 各地区死亡概率表 * (一) 操作步骤 1. 在SPSS窗口中选择Analyze→Classify→Discriminate，调出判别分析主界面，将左边的变量列表中的“group”变量选入分组变量中，将—变量选入自变量中，并选择Enter independents together单选按钮，即使用所有自变量进行判别分析。 图4.2 判别分析主界面 * 2. 点击Define Range按钮，定义分组变量的取值范围。本例中分类变量的范围为1到3，所以在最小值和最大值中分别输入1和3。单击Continue按钮，返回主界面。 3. 单击Statistics…按钮，指定输出的描述统计量和判别函数系数。选中Function Coefficients栏中的Fisher’s和Unstandardized。这两个选项的含义如下： * Fisher’s：给出Bayes判别函数的系数。（注意：这个选项不是要给出Fisher判别函数的系数。这个复选框的名字之所以为Fisher’s，是因为按判别函数值最大的一组进行归类这种思想是由Fisher提出来的。这里极易混淆，请读者注意辨别。） Unstandardized：给出未标准化的Fisher判别函数（即典型判别函数）的系数（SPSS默认给出标准化的Fisher判别函数系数）。 * 单击Continue按钮，返回主界面。 图4.3 Statistics子对话框 * 4. 单击Classify…按钮，定义判别分组参数和选择输出结果。选择Display栏中的Casewise results，输出一个判别结果表，包括每个样品的判别分数、后验概率、实际组和预测组编号等。其余的均保留系统默认选项。单