1 / 23

Diszkriminancia-analízis az SPSS-ben

Diszkriminancia-analízis az SPSS-ben. Petrovics Petra Doktorandusz. Diszkriminancia-analízis folyamata. Feladat Megnyitás: Employee_data.sav. Milyen tényezőktől függ a dolgozók beosztása?. Adatok, változók X: Metrikus változók / Dummy változók

brianna-kirby
Télécharger la présentation

Diszkriminancia-analízis az SPSS-ben

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz

  2. Diszkriminancia-analízis folyamata

  3. FeladatMegnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása?

  4. Adatok, változók X: Metrikus változók / Dummyváltozók (age, educationlevel, currentsalary, beginningsalary, monthsincehire, previousexperience, minorityclassification) Adatok kizárólagossága: Pl. aki vezető, az nem hivatalnok Mindenki valamelyik csoport tagja, stb

  5. Normális eloszlás Graph / Histogram Nonparametric Tests / 1-Sample K-S Test • n • Mahalanobis távolság Stb.

  6. 3. Multikollinearitás (vagy Pooled Within-Groups Matrices) Faktoranalízis (?)

  7. Elemzés lefuttatásával 4. Outlier: Mahalanobis távolság 5. Homoszkedaszticitás: Box’s M Analyze / Classify / Discriminant…

  8. Multikollinearitás (r) Homoszkedaszticitás: nemcsak variancia állandóság, de variancia-kovariancia mátrixok egyezősége is feltétel • Változók bevonása: • milyen mértékben csökken a Wilks’ λ • Milyen mértékben csökken a nem magyarázott variancia • Kisebb M-távolság • Legnagyobb F-érték • Rao’s V értékének növekedése Outlier Normál eloszlás

  9. mert nem ugyanannyi menedzser van, mint pl. hivatalnok

  10. Output • Monthsincehire • Minority • Age (?) • STEPWISE Megmutatja, hogy vannak-e különbségek a csoportosító változó által kialakított csoportok átlagai között: ha a csoportosító változó a varianciának nagy részét magyarázza, akkor a csoportok átlagai között szignifikáns eltérés mutatkozik, és a mutató értéke 0-hoz közelít. Így az egyes változók az alapján kerülhetnek bevonásra a diszkriminanciaelemzésbe, hogy milyen mértékben képesek a Wilks’ λ értékét csökkenteni. Magas F érték, alacsony Wilks’ Lambda !!! A kevés diszkriminatív értékkel bíró változók a stepwisediszkriminanciaelemzés segítségével eltávolíthatók.

  11. Output StepwiseStatistics: Education Level PreviousExperience CurrentSalary Age BeginningSalary

  12. Output

  13. Output Vs.

  14. Output Egyező log determinánsok (nagyon alacsony log determinánssal rendelkező csoportokat célszerű törölni, ha M szignifikáns – minél magasabb kritikus p-érték) H0: homoszkedasztikus (egyező kovariancia mátrixok) H1: heteroszkedasztikus p<0.000 szignifikancia-szinten fogadjuk el, hogy homoszkedasztikus (nagy mintaelemszámnál a szignifikancia eredménye kevésbé jelentős)

  15. Output Stepwise: Nő a magyarázó erő Kevésbé járul a magyarázó erő növekedéséhez Szignifikáns diszkriminancia függvény p=0.000 λ=22,3% a nem magyarázott variancia (≈ ANOVA H2 inverze) KANONIKUS DISZKRIMINANCIA FÜGGVÉNY A különbözőség azon része, amit a DF1 nem foglal magába Min {p;Y kategóriáinak száma-1} = 2

  16. Output DF külső szórásnégyzet DF belső szórásnégyzet DF által magyarázott különbözőség DF által nem magyarázott különbözőség • Többszörös korreláció a magyarázó változók és a diszkriminanciafv. között • H komplementere • 1 fv. esetében a négyzete ≈R2 (modell illeszkedés) • A DF10,8262=68,23%-ban magyarázza a csoportosító változó varianciáját DF-k a magyarázott különbözőség hány %-t magyarázzák (∑100%) Az DF183,4%-ban járul hozzá a különbözőség magyarázatához, míg a DF2csak 16,6%-ban.

  17. Output Diszkrimináló hatás értelmezése → DF elnevezése • Változók fontossága • Kapcsolat iránya • ≈β együtthatók (parciális) • Pl. DF1-t a leginkább a jelenlegi fizetés, míg DF2-t a korábbi munkatapasztalat határozza meg • DF-k és a magyarázó változók közötti korreláció • Változók relatív fontossága (a korreláció abszolút mértékének sorrendjében) • ≈ faktor loading (határ: >0,3 fontos)

  18. Output Diszkriminancia függvény paraméterei: bi együtthatók (A mértékegységek különbözősége miatt nem látszik a jelentősége, de ezek is diszkriminálnak) b: a változók parciális hozzájárulása a DF-ekhez (a többi változó változatlansága mellett) Dummy változók használata esetén: elemzés a használatuk nélkül → használatukkal (a kanonikus korreláció négyzetében mért különbség a Dummy változók magyarázó ereje)

  19. Output Egy egyed ahhoz a csoporthoz tartozik, amely csoport centroidjához a legközelebb esik a diszkriminancia értéke (discriminantscore) (Mahalanobis távolság alapján) Pl: 1. személy: manager Átlagos D értékek Predictedgroupmembership Discriminantscore

  20. Output

  21. Output

  22. Output Találati arány Helyes kategorizálás Új dolgozó: abba csoportba tartozik, amelyik centroidjától a kiszámított Mahalanobis távolság értéke a legalacsonyabb

  23. Köszönöm a figyelmet!

More Related