生物医学研究的统计方法之十七判别分析.ppt

目前判别分析效果评价方法**厚德载物自强不息01将原始数据带入判别方程得误判率评价.回顾性评价:02将原始数据分为0.85(训练样本)建立判别方程和0.15(验证样本).计算误判率(要求例数较多)。前瞻性:03总误判率低于0.2,认为判别函数可用.误判率例：世界经济统计研究(1995年)人文指数

反映国家综合水平*厚德载物自强不息*国家类别期望寿命识字率GDP美国1.0076.0099.005374.00日本1.0079.5099.005359.00训练样本瑞士1.0078.0099.005372.00阿根廷1.0072.1095.905242.00阿联酋1.0073.8077.705370.00保加利亚2.0071.2093.004250.00古巴2.0075.3094.903412.00巴拉圭2.0070.0091.203390.00格鲁吉亚2.0072.8099.002300.00南非2.0062.9080.603799.00中国2.0068.5079.301950.00待判样本罗马尼亚2.0069.9096.902840.00希腊1.0077.6093.805233.00哥伦比亚1.0069.3090.305158.00Bayes判别分析**厚德载物自强不息Bayes准则设有定义明确的g个总体π1,π2,…,πg,分别为X1,X2,…,Xp的多元正态分布。对于任何一个个体,若已知p个变量的观察值,要求判断该个体最可能属于哪一个总体。如果我们制订了一个判别分类规则,难免会发生错分现象。把实属第i类的个体错分到第j类的概率记为P(j｜i),这种错分造成的损失记为C(j｜i)。Bayes判别准则就是平均损失最小的准则。按照这个准则去找一种判别分类的规则,就是Bayes判别。厚德载物自强不息分类函数（g个类别，p个指标）Bayes准则下判别分析的分类函数形式如下：Y1=C01+C11X1+C21X2+……+Cp1XpY2=C02+C12X1+C22X2+……+Cp2Xp…………Yg=C0g+C1gX1+C2gX2+……+CpgXp厚德载物自强不息即g个线性函数的联立方程，每个线性函数对应于某一类别。其中C0j，C1j，……，Cpj，（j=1,2,……,g）为需估计的参数。判别函数建立后通常的判别准则为：如欲判断某样品属于上述g类中的哪一类，可将该样品的各Xi值代上式中的各个方程，分别算出Y1，Y2，……，Yg等值。其中如Yf为最大则意味着该样品属第f类的概率最大，故判它属于第f类。(三).事前概率**厚德载物自强不息事前概率（priorprobability）又称先验概率。如在所研究的总体中任取一个样品，该样品属于第f类别的概率为q(yf)，则称它为类别f的事前概率。例如，阑尾炎病人总体中卡他性占50％，蜂窝织炎占30％，坏疽性占10％，腹膜炎占10％;则在该总体中任取一个阑尾炎病人，该病人属于以上四型的概率分别为0.5，0.3，0.1和0.1,它们也分别是这四类的事前概率。考虑事前概率时，判别函数如下式:**厚德载物自强不息Y1=C01+C11X1+C21X2+……+Cp1Xp+ln(q(Y1))Y2=C02+C12X1+C22X2+……+Cp2Xp+ln(q(Y2))…………Yg=C0g+C1gX1+C2gX2+……+CpgXp+ln(q(Yg))差别仅仅在于ln(q(Yj))项厚德载物自强不息考虑事前概率可适当提高判别的敏感性。事前概率可据于文献报道或以往的大样本研究。但是困难在于事前概率往往不容易知道；如果训练样本是从所研究的总体中随机抽取的，则可用训练样本中各类的发生频率Q(Yj)来估计各类别的事前概率q(Yj)。如果事前概率未知，而又不可以用Q(Yj)来估计q(Yj)，就只能将事前概率取为相等值，即取q(Yj)=1/g。(四).事后概率**厚德载物自强不息事后概率（posteriorprobability）又称后验概率。如果已知某样品各个指标Xi的观察值为Si，则在该条件下，样品属于Yj类别的概率P(Yj/S1,S2,…,SP)称为事后概率。事后概率和指标的值有关。引入事后概率后，可用事后概率来描述某样品属于Yj类别的概率。这就使得判别的可靠性有一个数量的指标。*厚德载物