- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Дискриминантный анализ презентация
Содержание
- 1. Дискриминантный анализ
- 2. Цели В каких случаях применяется дискриминантный анализ
- 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
- 8. Дискриминантный анализ Альтернатива множественного регрессионного анализа для случая, когда зависимая переменная качественная (категориальная).
- 9. Дискриминантный анализ Основная цель: Выявление структуры исследуемого
- 10. Основная задача По значениям дискриминантных переменных для
- 11. Основная задача На основании некоторых признаков (независимых
- 12. Ограничения В случае дискриминантного анализа предполагается, что
- 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
- 16. Пример для двух групп
- 17. Основная идея Строим дискриминантную функцию z=b1⋅x1+b2⋅x2+b3⋅x3+…+bn⋅xn+b0, такую,
- 18. Основная идея ⏐z1 - z2⏐ ⇒максимум Фишер
- 19. Основная идея Классификация происходит посредством определения величины
- 20. Основная идея Предположив, что z1 – большее
- 21. Основная идея z1 и z2 называются центроидами групп
- 22. Пример для двух групп Данные GENDER –
- 23. Пример для двух групп Данные SAL_BEG
- 24. Пример для двух групп Попробуем предсказать, принадлежит
- 25. Пример для двух групп Что мы получим в результате применения дискриминантного анализа? Как это интерпретировать?
- 26. Модуль дискриминантного анализа Discriminant Analysis Statistics
- 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
- 32. Variables in the Model: Эта лямбда
- 33. Variables in the Model: Статистика дисперсионного
- 34. Variables in the Model: Толерантность –
- 35. Результаты анализа (Advanced) Расстояния между группами
- 36. Distances between groups Расстояние Махаланобиса между группами
- 37. Distances between groups Значение дисперсионного анализа
- 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
- 53. Результаты анализа(Classification): Априорные вероятности попасть к
- 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
- 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
- 71. Как делать прогноз?
- 72. Как делать прогноз?
- 73. Как делать прогноз?
- 74. Пример (реальный) Проект: Можно ли предсказать тип
- 75. Пример 1) дискриминантный анализ по всем переменным.
- 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
- 85. К практическому занятию по регрессионному анализу надо
- 86. Дискриминантный анализ СПАСИБО ЗА ВНИМАНИЕ!
Цели В каких случаях применяется дискриминантный анализ Как применить дискриминантный анализ Как интерпретировать результаты дискриминантного анализа
Слайд 2Цели
В каких случаях применяется дискриминантный анализ
Как применить дискриминантный анализ
Как интерпретировать результаты
дискриминантного анализа
Слайд 7Шкалы наименований
Мы уже знаем, что можно использовать дихотомические шкалы.
А что делать,
если попалась шкала наименований?
Не спешите расстраиваться! Надо ее просто перекодировать!
Не спешите расстраиваться! Надо ее просто перекодировать!
Слайд 8Дискриминантный анализ
Альтернатива множественного регрессионного анализа для случая, когда зависимая переменная качественная
(категориальная).
Слайд 9Дискриминантный анализ
Основная цель:
Выявление структуры исследуемого множества объектов
(структура – набор основных факторов
(шкал), по которым различаются и могут быть описаны объекты)
Слайд 10Основная задача
По значениям дискриминантных переменных для объектов получить значения классифицирующей переменной,
то есть определить классы, в которые попадают эти объекты.
Слайд 11Основная задача
На основании некоторых признаков (независимых переменных) объект или индивидуум может
быть причислен к одной из двух (или к одной из нескольких) заранее заданных групп.
Слайд 12Ограничения
В случае дискриминантного анализа предполагается, что
зависимая переменная одна и представлена
в шкале наименований
независимых переменных несколько
независимых переменных несколько
Слайд 15Основная идея
Наша цель:
Определить коэффициенты b, чтобы по значениям дискриминантной функции
можно было с максимальной четкостью провести разделение по группам.
Слайд 17Основная идея
Строим дискриминантную функцию
z=b1⋅x1+b2⋅x2+b3⋅x3+…+bn⋅xn+b0,
такую, что разница между средними значениями z1 и
z2, полученными на множествах значений НП для разных групп максимальна.
Слайд 18Основная идея
⏐z1 - z2⏐ ⇒максимум
Фишер показал, что
b=S-1⋅(x1-x2),
где S – ковариационная
матрица
Слайд 19Основная идея
Классификация происходит посредством определения величины zГР
zГР = (z1
- z2 )/2
zГР
Слайд 20Основная идея
Предположив, что z1 – большее их двух средних, получаем правило:
Случай
относится к группе 1, если zi - zГР >0
Случай относится к группе 2, если zi - zГР ≤0
Случай относится к группе 2, если zi - zГР ≤0
Слайд 22Пример для двух групп
Данные
GENDER – пол испытуемого;
EDUC – образование испытуемого (количество
лет, которые бедняга потратил на учебу);
JCAT – вид профессиональной деятельности (1 – клерк, 2- охранник, 3 – менеджер); SALARY – зарплата в настоящий момент;
JCAT – вид профессиональной деятельности (1 – клерк, 2- охранник, 3 – менеджер); SALARY – зарплата в настоящий момент;
Слайд 23Пример для двух групп
Данные
SAL_BEG – начальная зарплата на этой работе;
JTIME
– трудовой стаж на данном рабочем месте (число месяцев);
PREVEX – предыдущий опыт – стаж до поступления на данную работу;
MINORITY – принадлежит ли испытуемый к национальному меньшинству (0 – нет, 1 – да).
PREVEX – предыдущий опыт – стаж до поступления на данную работу;
MINORITY – принадлежит ли испытуемый к национальному меньшинству (0 – нет, 1 – да).
Слайд 24Пример для двух групп
Попробуем предсказать, принадлежит ли человек к национальному меньшинству
на основании его зарплаты и образования
Слайд 25Пример для двух групп
Что мы получим в результате применения дискриминантного анализа?
Как
это интерпретировать?
Слайд 26Модуль дискриминантного анализа
Discriminant Analysis
Statistics ⇒
Multivariate Exploratory Techniques ⇒
Discriminant Analysis
Слайд 31Variables in the Model:
Лямбда Уилкса для модели с исключенной данной переменной.
Изменяется от 0 (совершенное различение) до 1 (никакого различия)
Слайд 32Variables in the Model:
Эта лямбда связана с вкладом данной переменной в
различительную силу модели
Слайд 33Variables in the Model:
Статистика дисперсионного анализа, показывающая вклад данной переменной в
общее «дело» различения групп.
Слайд 34Variables in the Model:
Толерантность – измеряет избыточность данной переменной.
Толерантность 0,34
означает, что переменная на 66% объясняет то, что и другие переменные модели
Слайд 37Distances between groups
Значение дисперсионного анализа и соответствующий уровень значимости для оценки
расстояния между группами
Слайд 52Результаты анализа (Classification):
Значения этих функций вычисляются для каждой группы и служат
для прямой классификации. Случай попадает в группу, для которой у него получается наибольшее значение
Слайд 53Результаты анализа(Classification):
Априорные вероятности попасть к данную группу (по умолчанию вычисляются исходя
из размеров группы)
Слайд 55Результаты анализа (Classification):
Очень важный показатель! Процент правильно предсказанных значений
Слайд 60Пример для трех групп
Посмотрим, можем ли мы предсказать, на какой должности
работает человек по его зарплате, образованию и принадлежности к национальному меньшинству.
Слайд 61Пример для трех групп
В этом случае одной дискриминантной функцией не обойдешься!
Их
будет две.
Слайд 70Результаты анализа
Мы можем
оценить, насколько НП определяют ЗП (т.е оценить нашу модель)
делать
предсказания (по значениям НП определять, в какую группу попадет объект или индивид)
Слайд 74Пример (реальный)
Проект: Можно ли предсказать тип преступника (насильственный, корыстный или корыстно-насильственный)
по результатам тестов Кеттела и Леонгарда-Шмишека?
Слайд 75Пример
1) дискриминантный анализ по всем переменным.
2) прямой пошаговый дискриминантный анализ.
Получились
совершенно потрясающие результаты:
Слайд 84Полезная литература
ПРОГРАММА STATISTICA
Боровиков В. Программа STATISTICA для студентов и инженеров. -
Компьютер Пресс: Москва, 2001.
Электронный учебник по программе (StatSoft)
ПРОГРАММА SPSS
Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных. – СПб. – Речь. – 2004.
Бююль А., Цефель П. SPSS: Искусство обработки информации. – СПб, «ЛиаСофтЮп». –2001.
Электронный учебник по программе (StatSoft)
ПРОГРАММА SPSS
Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных. – СПб. – Речь. – 2004.
Бююль А., Цефель П. SPSS: Искусство обработки информации. – СПб, «ЛиаСофтЮп». –2001.
Слайд 85К практическому занятию по регрессионному анализу надо прочитать:
Нестеренко А.И. и др.
Прогноз тревожности у студенток на основании их типологических различий// ПЖ, 2003, т.24, № 6, с. 37-46
