Содержание
- 2. Цели В каких случаях применяется дискриминантный анализ Как применить дискриминантный анализ Как интерпретировать результаты дискриминантного анализа
- 3. Выбор метода прогнозирования
- 4. Выбор метода прогнозирования Простая линейная регрессия
- 5. Выбор метода прогнозирования Множественная линейная регрессия
- 6. Выбор метода прогнозирования Дискри-минантный анализ
- 7. Шкалы наименований Мы уже знаем, что можно использовать дихотомические шкалы. А что делать, если попалась шкала
- 8. Дискриминантный анализ Альтернатива множественного регрессионного анализа для случая, когда зависимая переменная качественная (категориальная).
- 9. Дискриминантный анализ Основная цель: Выявление структуры исследуемого множества объектов (структура – набор основных факторов (шкал), по
- 10. Основная задача По значениям дискриминантных переменных для объектов получить значения классифицирующей переменной, то есть определить классы,
- 11. Основная задача На основании некоторых признаков (независимых переменных) объект или индивидуум может быть причислен к одной
- 12. Ограничения В случае дискриминантного анализа предполагается, что зависимая переменная одна и представлена в шкале наименований независимых
- 13. Представление данных
- 14. Основная идея Дискриминантная функция z=b1⋅x1+b2⋅x2+b3⋅x3+…+bn⋅xn+b0
- 15. Основная идея Наша цель: Определить коэффициенты b, чтобы по значениям дискриминантной функции можно было с максимальной
- 16. Пример для двух групп
- 17. Основная идея Строим дискриминантную функцию z=b1⋅x1+b2⋅x2+b3⋅x3+…+bn⋅xn+b0, такую, что разница между средними значениями z1 и z2, полученными
- 18. Основная идея ⏐z1 - z2⏐ ⇒максимум Фишер показал, что b=S-1⋅(x1-x2), где S – ковариационная матрица
- 19. Основная идея Классификация происходит посредством определения величины zГР zГР = (z1 - z2 )/2 zГР
- 20. Основная идея Предположив, что z1 – большее их двух средних, получаем правило: Случай относится к группе
- 21. Основная идея z1 и z2 называются центроидами групп
- 22. Пример для двух групп Данные GENDER – пол испытуемого; EDUC – образование испытуемого (количество лет, которые
- 23. Пример для двух групп Данные SAL_BEG – начальная зарплата на этой работе; JTIME – трудовой стаж
- 24. Пример для двух групп Попробуем предсказать, принадлежит ли человек к национальному меньшинству на основании его зарплаты
- 25. Пример для двух групп Что мы получим в результате применения дискриминантного анализа? Как это интерпретировать?
- 26. Модуль дискриминантного анализа Discriminant Analysis Statistics ⇒ Multivariate Exploratory Techniques ⇒ Discriminant Analysis
- 27. Модуль дискриминантного анализа
- 28. Модуль дискриминантного анализа
- 29. Модуль дискриминантного анализа
- 30. Получаем результаты (Quick): Анализ переменных, использующихся в модели
- 31. Variables in the Model: Лямбда Уилкса для модели с исключенной данной переменной. Изменяется от 0 (совершенное
- 32. Variables in the Model: Эта лямбда связана с вкладом данной переменной в различительную силу модели
- 33. Variables in the Model: Статистика дисперсионного анализа, показывающая вклад данной переменной в общее «дело» различения групп.
- 34. Variables in the Model: Толерантность – измеряет избыточность данной переменной. Толерантность 0,34 означает, что переменная на
- 35. Результаты анализа (Advanced) Расстояния между группами
- 36. Distances between groups Расстояние Махаланобиса между группами
- 37. Distances between groups Значение дисперсионного анализа и соответствующий уровень значимости для оценки расстояния между группами
- 38. Результаты анализа (Advanced) Канонический анализ и графики
- 39. Canonical Analysis:
- 40. Canonical Analysis (Advanced):
- 41. Canonical Analysis (Advanced): Коэффициенты дискриминантной функции
- 42. Canonical Analysis (Advanced): z=0,043*educ+0,044*salary+ +0,030*sal_beg-2,605
- 43. Canonical Analysis (Advanced): z=0,124*educ+0,720*salary+ +0,230*sal_beg
- 44. Canonical Analysis (Advanced):
- 45. Canonical Analysis (Advanced): Корреляция переменных с дискриминантной фукцией
- 46. Canonical Analysis (Advanced): Центроиды групп (ненормированные)
- 47. Canonical Analysis (Advanced): zГР=(0,096-0,342)/2
- 48. Пример для двух групп zГР=(0,096-0,342)/2 = -0,123 -0,123 цветной белый
- 49. Canonical Analysis (Canonical Scores): Значения дискриминантной функции для каждого случая
- 50. Canonical Analysis (Canonical Scores):
- 51. Результаты анализа (Classification): Функции классификации
- 52. Результаты анализа (Classification): Значения этих функций вычисляются для каждой группы и служат для прямой классификации. Случай
- 53. Результаты анализа(Classification): Априорные вероятности попасть к данную группу (по умолчанию вычисляются исходя из размеров группы)
- 54. Результаты анализа: Это очень полезная матрица!
- 55. Результаты анализа (Classification): Очень важный показатель! Процент правильно предсказанных значений
- 56. Результаты анализа (Classification):
- 57. Результаты анализа (Classification):
- 58. Результаты анализа (Classification):
- 59. Пример для двух групп
- 60. Пример для трех групп Посмотрим, можем ли мы предсказать, на какой должности работает человек по его
- 61. Пример для трех групп В этом случае одной дискриминантной функцией не обойдешься! Их будет две.
- 62. Пример для трех групп Группа 2 Группа 1 Группа 3
- 63. Пример для трех групп
- 64. Пример для трех групп
- 65. Пример для трех групп
- 66. Пример для трех групп
- 67. Пример для трех групп Теперь можно посмотреть красивый график
- 68. Пример для трех групп
- 69. Пример для трех групп
- 70. Результаты анализа Мы можем оценить, насколько НП определяют ЗП (т.е оценить нашу модель) делать предсказания (по
- 71. Как делать прогноз?
- 72. Как делать прогноз?
- 73. Как делать прогноз?
- 74. Пример (реальный) Проект: Можно ли предсказать тип преступника (насильственный, корыстный или корыстно-насильственный) по результатам тестов Кеттела
- 75. Пример 1) дискриминантный анализ по всем переменным. 2) прямой пошаговый дискриминантный анализ. Получились совершенно потрясающие результаты:
- 76. Пример (результаты)
- 77. Пример (результаты)
- 78. Пример (результаты –гм!)
- 79. Пример (результаты –гм!)
- 80. Пример (результаты –гм!)
- 81. Пример (результаты –гм!)
- 82. Пример
- 83. Пример
- 84. Полезная литература ПРОГРАММА STATISTICA Боровиков В. Программа STATISTICA для студентов и инженеров. - Компьютер Пресс: Москва,
- 85. К практическому занятию по регрессионному анализу надо прочитать: Нестеренко А.И. и др. Прогноз тревожности у студенток
- 87. Скачать презентацию