【正文】 00 2250 1 8 4 5 3 2 55 4000 1000 1 3 5 3 2 1 46 3500 2500 0 0 . 5 0 . 5 0 . 5 2 1 17 2200 1200 1 6 3 1 4 1 38 4500 3500 0 8 2 10 1 5 29 1200 1000 0 0 . 5 0 . 5 1 0 . 5 3 110 800 800 0 0 . 1 1 5 1 3 111 7500 3000 1 10 3 10 3 4 512 3000 1000 1 20 5 15 10 1 513 2500 700 1 10 5 15 5 3 514 3000 2600 1 6 1 3 4 2 215 7000 3700 1 10 4 10 1 4 416 3000 2800 0 1 2 3 4 3 117 4500 1500 1 6 4 4 9 3 4原始類 判類 后驗概率 1 后驗概率 2 后驗概率 3 后驗概率 4 后驗概率 55 5 0 0 0 1 1 04 4 2 2 01 3 1 3 1 1 05 5 3 3 03 3 4 4 1 1 3 3 2 2 04 4 3 3 3 1 0167。 在正態(tài)等協(xié)差陣的條件下， Bayes判別法（不考慮先驗概率的影響）等價于距離判別準則和Fisher線性判別法。在原假設為真的條件下， 服從維爾克斯分布 。 每一步 ， Wilks的統(tǒng)計量最小者 ， 進入模型 。 （ i）不等協(xié)方差結構可能會負面影響分類過程。最小的組的大小必須超過解釋變量的個數(shù)。 H0: xk對判別分析貢獻不顯著 ， 即應該剔除； H1: xk對判別分析貢獻顯著，即應該保留； 檢驗的統(tǒng)計量 )1(,),1(),1(,2,1/ ???? qkkk ??)1(,),1(),1(,2,1/ ??? qkkkF ??逐步判別法 采用有進有出的算法 ， 即每一步都進行檢驗 。 C l a s s i fi c a t i on R e s u l t sb , c15 2 175 16 214 4 88 8 . 2 1 1 . 8 1 0 0 . 02 3 . 8 7 6 . 2 1 0 0 . 05 0 . 0 5 0 . 0 1 0 0 . 015 2 176 15 218 8 . 2 1 1 . 8 1 0 0 . 02 8 . 6 7 1 . 4 1 0 0 . 0破產(chǎn)企業(yè)為 1 ，正常運行企業(yè)為 212U n g r o u p e d ca s e s12U n g r o u p e d ca s e s1212C o u n t%C o u n t%O r ig in a lC r o s s v a lid a t e da1 2P r e d ic t e d G r o u pMe m b e r s h ipT o t a lC r o s s v a lid a t ion is d o n e o n ly f o r t h o s e ca s e s in t h e a n a ly s is . I n cr o s s v a lid a t io n ,e a ch ca s e is cl a s s if ie d b y t h e f u n ct io n s d e r iv e d f r o m a ll ca s e s o t h e r t h a n t h a tca s e .a . 8 1 . 6 % o f o r ig in a l g r o u p e d ca s e s co r r e ct ly cla s s if ie d .b . 7 8 . 9 % o f cr o s s v a li d a t e d g r o u p e d ca s e s co r r e ct ly cla s s if ie d .c. x1,x2,x3,x4均為判別變量 C l a s s i fi c a t i on R e s u l t sb , c15 2 174 17 214 4 88 8 . 2 1 1 . 8 1 0 0 . 01 9 . 0 8 1 . 0 1 0 0 . 05 0 . 0 5 0 . 0 1 0 0 . 015 2 175 16 218 8 . 2 1 1 . 8 1 0 0 . 02 3 . 8 7 6 . 2 1 0 0 . 0破產(chǎn)企業(yè)為 1 ，正常運行企業(yè)為 212U n g r o u p e d ca s e s12U n g r o u p e d ca s e s1212C o u n t%C o u n t%O r ig in a lC r o s s v a lid a t e da1 2P r e d ic t e d G r o u pMe m b e r s h ipT o t a lC r o s s v a lid a t ion is d o n e o n ly f o r t h o s e ca s e s in t h e a n a ly s is . I n cr o s s v a lid a t io n ,e a ch ca s e is cl a s s if ie d b y t h e f u n ct io n s d e r iv e d f r o m a ll ca s e s o t h e r t h a n t h a tca s e .a . 8 4 . 2 % o f o r ig in a l g r o u p e d ca s e s co r r e ct ly cla s s if ie d .b . 8 1 . 6 % o f cr o s s v a li d a t e d g r o u p e d ca s e s co r r e ct ly cla s s if ie d .c. x1, x3為判別變量 設有 n樣品，分別來自 k個類 G1， G2， ┅ ，Gk其中 ni個來自 Gi， （一）變量組間差異的顯著檢驗 ).,(~ ?ipi NG ? 樣品分別為： 。 1? ),( 1111 ?? pccC ?Fisher樣品判別函數(shù)是 pp xcxcxY 11111 ??)(? ??? ? 然而，如果組數(shù) k太大，討論的指標太多，則一個判別函數(shù)是不夠的，這時需要尋找第二個，甚至第三個線性判別函數(shù) 其特征向量構成第二個判別函數(shù)的系數(shù)。 ?? ??12)()2/1()()1/2(),(221121DDdxxfCqdxxfCqDDE C MdxxfCqdxxfCqDR D? ????1 1)()2/1()()1/2( 2211???1)()1/2()1/2( 111DdxxfCqCq??1)()2/1( 22DdxxfCq)1/2(1Cq? ???1)]()1/2()()2/1([ 1122DdxxfCqxfCq 由此可見，要使 ECM最小，被積函數(shù)必須在 D1是負數(shù)，則有分劃 ? ?0)()1/2()()2/1(| 11221 ??? xfCqxfCqD x ???? 21221)()/1()()2/1()(i iixfiCqfCqh xx????21112 )()/2()()1/2()(iii fiCqfCqh xxx0)()1/2()()2/1( 1122 ?? xfCqxfCqBayes判別準則為： ??????????dxvdxvGxdxvGx)()()(21若待判若若)2/1(/)1/2()(/)( 1221 CqCqxfxf ?)(/)( 21 xfxfv ? )2/1(/)1/2( 12 CqCqd ?原則上說，考慮損失函數(shù)更為合理，但是在實際應用中C并不容易確定，通常令 這樣一來，尋找后驗概率最大和使錯判平均損失最小是等價的。 即當樣本 發(fā)生時 ， 求他屬于某類的概率 。 對每一個觀測都這樣進行 。 然后 ， 當遇到新的樣本點時 ， 只要根據(jù)總結出來的判別公式和判別準則 ， 就能判別該樣本點所屬的類別 。）（如，）（如，yyyy 當 和 ?已知時 ， 是一個已知的 p維向量 ， W（ y） 是 y的線性函數(shù) ， 稱為線性判別函數(shù) 。 距離判別方法簡單實用，但沒有考慮到每個總體出現(xiàn)的機會大小，即先驗概率，也沒有考慮到錯判的損失。 )]([m a x)( 1 xZxZ ikil ??? lGx?當協(xié)方差陣相等 ????? k?1則判別函數(shù)退化為 ?? ii qxz ln)( )](21 ( i )1( i ) μ(xΣ)μx ??? ????? iqln2[21 )]( ( i )1( i ) μ(xΣ)μx ??? ?令 )]( i )1( i ) μ(xΣ)μ(x ??? ???? ii qxF ln2)(問題轉化為若 ， 則判 。 4 典型判別法 一、兩個總體的費歇（ Fisher）判別法 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?