第18章 區別分析 本章的學習主題  1. 區別分析的概念 2. 區別函數 3. 區別函數負荷量 4. 預測新觀察值

Slides:



Advertisements
Similar presentations
Chap 3 微分的應用. 第三章 3.1 區間上的極值 3.2 Rolle 定理和均值定理 3.3 函數的遞增遞減以及一階導數的判定 3.4 凹面性和二階導數判定 3.5 無限遠處的極限 3.6 曲線繪圖概要 3.7 最佳化的問題 3.8 牛頓法 3.9 微分.
Advertisements

工職數學 第四冊 第一章 導 數 1 - 1 函數的極限與連續 1 - 2 導數及其基本性質 1 - 3 微分公式 1 - 4 高階導函數.
©2009 陳欣得 統計學 —e1 微積分基本概念 1 第 e 章 微積分基本概念 e.1 基本函數的性質 02 e.2 微分基本公式 08 e.3 積分基本公式 18 e.4 多重微分與多重積分 25 e.5 微積分在統計上的應用 32.
變數與函數 大綱 : 對應關係 函數 函數值 顧震宇 台灣數位學習科技股份有限公司. 對應關係 蛋餅飯糰土司漢堡咖啡奶茶 25 元 30 元 25 元 35 元 25 元 20 元 顧震宇 老師 台灣數位學習科技股份有限公司 變數與函數 下表是早餐店價格表的一部分: 蛋餅 飯糰 土司 漢堡 咖啡 奶茶.
第十三章 區別分析與Logistic迴歸分析
單元九:單因子變異數分析.
實驗規劃--實驗因子設定, 效標選定與受測者選定
上海普通居民对当地房价的态度及住房需求调查
樞紐分析與資料庫 蕭世斌 Nov 20, 2010.
Canonical Correlation Analysis
問題 欲探討組織學習傾向與策略決策模式之關係 預測變數(X)—組織學習傾向構面 準則變數(Y)—策略決策模式 願景溝通 團隊學習 價值領導
圓的一般式 內容說明: 由圓的標準式展出圓的一般式.
圓的一般式 內容說明: 由圓的標準式展出圓的一般式.
国家行政学院决策咨询部研究员 原国家发改委经济所经济形势研究室主任 2012年6月
3、个人与社会的辩证关系(对立统一) (1)相互区别,不能等同。社会是根本,起决 定 作用。 (2)相互依存,密不可分。
第九章 區別分析與邏輯迴歸 9-1 區別分析 (Discriminate Analysis)
石牌金頭腦 概數篇(可複選)加油哦!.
第23章 類神經網路 本章的學習主題  1.類神經網路的基本概念 2.類神經網路之應用 3.倒傳遞類神經網路
17 類別資料的分析  學習目的.
物價膨脹之意義(1) 一、意義:指在一段期間內,一國平均物價水準發生持續上漲的現象。 圖示(物價膨脹):
認識倍數(一) 設計者:建功國小 盧建宏.
第15章羅吉斯與Probit迴歸分析 本章的學習主題  1.羅吉斯迴歸分析的概念 2.羅吉斯迴歸的假設 3.Logit 轉換
迴歸分析 主講人:童超塵 實驗室網址 永久: 實驗室網址 永久: 目前:
消費、儲蓄與投資 消費函數與儲蓄函數.
第五章 標準分數與常態分配 第一節 相對地位量數 第二節 常態分配 第三節 偏態與峰度 第四節 常態化標準分數 第五節 電腦習作.
为什么要理财? 财富在增加 幸福却…… 据最新发布的《中产家庭幸福白皮书》显示,中国大多中产阶级生活得并不幸福。面对越来越大的压力,这些有车有房,收入可观的人群却显得更为脆弱。中产阶级家庭中,子女教育、医疗、养老成为家庭财务规划中压力最大的三个内容。尤其是养老,随着通胀、退休延迟、失独老人的增加,人们对于未来20年、30年的生活状况感到不确定因素在不断增加,烦恼挥之不去。
實驗計畫資料分析作業解答 何正斌 國立屏東科技大學工業管理系.
人 品 选课靠什么? 网 速 颜 值 运 气 兴趣、爱好、个人志趣。。.
第13章變異數分析與多變數分析  本章的學習主題 
第14章 迴歸分析與複迴歸分析  本章的學習主題 
4B冊 認識公倍數和最小公倍數 公倍數和最小公倍數的關係.
課程九 迴歸與相關2.
以下這個謎題無法透過宮摒除法完成解題。 但可透過「區塊宮摒除法」或「行列摒除法」完成 By TTHsieh
Discriminant Analysis
第十一章 相關研究法.
虎克定律與簡諧運動 教師:鄒春旺 日期:2007/10/8
第17章 集群分析 本章的學習主題  1. 集群分析的概念 2. 相似性及最近距離的衡量 3. 階層分析法 4. 非階層分析法.
第十四章 單因子變異數分析 14.1 前言 14.2 單因子變異數分析理論 14.3 功能視窗 14.4 範例
第20章多元尺度分析與聯合分析 本章的學習主題  1.多元尺度的意義 2.多元尺度的處理資料型態 3.多元尺度的模型適合度評估
第一章 直角坐標系 1-3 函數圖形.
為成功制定目標和行動計畫 國際獅子會分區主席訓練.
學習單元:N6 數的性質 學習單位:N6-3 用短除法求H.C.F. 和 L.C.M. 學習重點 : 1. 複習因數分解法求
六9考題(物質循環) 自然界中的二氧化碳會經由哪兩種作用而循環不已? (10%)
數學 近似值 有效數值.
國立台灣體育學院 體育學系暨體育研究所 高明峰
有關於股票報酬及匯率變化對台灣醫療產業市場收益的分析
小學四年級數學科 8.最大公因數.
Chapter 1 多變量統計方法介紹. Chapter 1 多變量統計方法介紹 變數資料之類型 以衡量尺度分類 以變數的角色分類 名目尺度(nominal scale ) 序列尺度(ordinal scale) 區間尺度(interval scale) 比率尺度(ratio scale) 以變數的角色分類.
學習內容 概說 損失函數 雜音:造成品質變異的原因 訊號雜音比 直交表 回應表與回應圖 田口方法.
田口方法應用於語音辨識 報告者:李建德.
挑戰C++程式語言 ──第8章 進一步談字元與字串
第十章 證券投資組合.
Cross-Selling Strategies in e-Marketing
圖解配方法 張美玲老師製作.
玉米丰产已定 结构性供需决定后期行情 招金期货有限公司 农产品团队.
教育概論 教育原理與制度試題解題與分享 第五組
Altman’s Z Score Model 線型區別模型
第十四章名義資料的數字 描述:關連測量 © Copyright 版權所有:學富文化事業有限公司。本光碟內容僅提供教師於教學上使用,非經本公司許可,禁止複製 (給學生)。感謝老師的配合。
6.1 動畫檔案的格式 6.2 建立合適的動畫元素.
程式語言與邏輯:主題示範 報告人:國立台灣師大附中 李啟龍 老師 學年度資訊科技概論研習.
Identifying your company’s real intelligence needs
第一章 直角坐標系 1-3 函數及其圖形.
第四組 停車場搜尋系統 第四組 溫允中 陳欣暉 蕭積遠 李雅俐.
Chapter 1 多變量統計方法介紹. Chapter 1 多變量統計方法介紹 變數資料之類型 以衡量尺度分類 以變數的角色分類 名目尺度(nominal scale ) 序列尺度(ordinal scale) 區間尺度(interval scale) 比率尺度(ratio scale) 以變數的角色分類.
單元三:敘述統計 內容: * 統計量的計算 * 直方圖的繪製.
10791: Minimum Sum LCM ★★★☆☆ 題組:Problem Set Archive with Online Judge
11621 : Small Factors ★★☆☆☆ 題組:Problem Set Archive with Online Judge
17.1 相關係數 判定係數:迴歸平方和除以總平方和 相關係數 判定係數:迴歸平方和除以總平方和.
第三章 比與比例式 3-1 比例式 3-2 連比例 3-3 正比與反比.
第18章 區別分析 本章的學習主題  1. 區別分析的概念 2. 區別函數 3. 區別函數負荷量 4. 預測新觀察值
Presentation transcript:

第18章 區別分析 本章的學習主題  1. 區別分析的概念 2. 區別函數 3. 區別函數負荷量 4. 預測新觀察值 第18章 區別分析 本章的學習主題  1. 區別分析的概念 2. 區別函數 3. 區別函數負荷量 4. 預測新觀察值 5. 區別函數之區別能力

18.1 區別分析的概念   區別分析(discriminate analysis)乃是在樣本已事先分群的情況下,利用特定區別變數來找出有效的區別函數,以便得知區別變數鑑別各分群的能力並預測樣本應歸屬到那一群集。 區別分析可能應用的範疇略述如下: 1.在財務管理上,在已知樣本公司是繼續經營或 解散的情況下,我們希望透過一些財務指標,來找出什麼是影響公司繼續經營與否的關鍵,再針對這些重大的影響因素來加以調整,以求繼續生存。

18.1 區別分析的概念 2. 在行銷管理上,當我們已知消費者的購買行為時,我們希望透過調查這些消費者的態度或認知,來衡量這些因素是否會影響購買決策,然後經由調查研究對象的態度或認知,來預測哪些是我們的潛在消費者。 3. 在策略管理上,當企業進入新市場之投資方式不同時(合資或獨資),我們希望透過調查企業之組織特性,來瞭解何種組織特性是造成公司採取何種進入方式的影響因素,並根據研究公司之組織特性,來推估可能較為適當的進入方式

18.1 區別分析的概念 進行區別分析的目的: 1. 利用變數來建立區別函數,以衡量群集間的差異。 2. 找出在不同群集間,最具區別能力的變數。 3. 當新樣本進來時,透過區別函數來預測該群體屬於哪一 群集。

18.2 區別分析的幾何圖形描述 圖 18-1 區別函數及區別群集示意圖

18.3 區別函數 計算區別函數的目的在於對已知群體再利用區別函數進行分群,以比較兩者間的差距 表 18-1 區別函數及其解釋變異量 18.3 區別函數 計算區別函數的目的在於對已知群體再利用區別函數進行分群,以比較兩者間的差距 表 18-1 區別函數及其解釋變異量 行為意圖 區別函數 1 2 品牌忠誠(bli) 0.516 -0.075 社群參與(cpi) 0.678 0.917 社群推薦(cri) 0.948 -0.919 常數項 -11.528 1.451 區別函數 特徵值 解釋變異量 累積解釋變異量 Wilks’ Lambda值 卡方值 自由度 顯著性 1 3.703 85.7 0.132 499.038 6 0.000 2 0.617 14.3 100 0.619 118.189

18.3 區別函數 區別函數1: Z1=-11.528+0.516×(品牌忠誠)+0.678×(社群參與) +0.948×(社群推薦) 18.3 區別函數 區別函數1: Z1=-11.528+0.516×(品牌忠誠)+0.678×(社群參與) +0.948×(社群推薦) 區別函數2: Z2=1.451-0.075×(品牌忠誠)+0.917×(社群參與) - 0.919×(社群推薦)

18.3 區別函數 表 18-2 標準化後之區別函數係數值 β 區別函數 1 2 品牌忠誠( bli ) 0.454 -0.066 社群參與( cpi ) 0.583 0.788 社群推薦( cri ) 0.652 -0.633   在標準化的情況下,常數項變成0,如此即可直接由β值來解釋某一變數與其函數間之關係(即斜率)。由標準化之變數係數可以比較出哪一個變數對於區別函數最有影響力。由表18-2可知,社群推薦(cri)在區別函數2中有最高的影響力。

18.4 新觀察值的預測 一、臨界點法 ZCU:群間的臨界點。 18.4 新觀察值的預測 一、臨界點法 我們可利用前述所提到的典型區別函數所計算出來的得點,針對每一區別函數進一步求出各組的中心點,然後再計算各群的臨界點。 ZCU:群間的臨界點。 NA:群A 內的樣本數。 NB:群B內的樣本數。 ZA:群A的中心點。 ZB:群B的中心點。

18.4 新觀察值的預測 圖 18-2 樣本數相同下之最適臨界點

18.4 新觀察值的預測 圖 18-2 樣本數不同下之最適臨界點

18.4 新觀察值的預測 表 18-3 區別函數各群中心點座標 ( . ) 內表示各群樣本數。 集群 中心點座標 區別函數1 區別函數2 18.4 新觀察值的預測 表 18-3 區別函數各群中心點座標 集群 中心點座標 區別函數1 區別函數2 1(59) -2.741 0.849 2(106) 2.031 0.375 3(85) -0.631 -1.057 ( . ) 內表示各群樣本數。

18.4 新觀察值的預測 圖 18-4 區別函數之群間臨界值 3.219 0.410 -0.374 -3.784 第三群 第一群 第二群 18.4 新觀察值的預測 3.219 0.410 -0.374 -3.784 第三群 第一群 第二群 第四群 區別函數1 1.805 -0.072 -0.381 -0.679 區別函數2 0.131 0.106 -0.045 -0.109 區別函數3 圖 18-4 區別函數之群間臨界值

18.4 新觀察值的預測 二、費雪(Fisher)法 由 18.3 所得到之 Fisher 線性區別函數可計算 出各個體之典型得點再進而求出其分類函數。費 雪區別函數係先將此原有空間投影在區別軸Y上。 將新觀察值代入各群的分類函數中,那一群的 分類函數得點最高,即屬那一群。以本範例而言, 其Fisher分類函數表示如下:

18.4 新觀察值的預測 第一群:F1=-40.345+5.553×(品牌忠誠)+5.181×(社群參與) +8.298×(社群推薦) 18.4 新觀察值的預測 表 18 - 4 Fisher分類函數 行為意圖 Fisher’s分類函數 1 2 3 品牌忠誠(bli) 5.553 8.051 6.786 社群參與(cpi) 5.181 7.984 4.866 社群推薦(cri) 8.298 13.260 12.052 常數項 -40.345 -94.070 -64.084 第一群:F1=-40.345+5.553×(品牌忠誠)+5.181×(社群參與) +8.298×(社群推薦) 第二群:F2=-94.070+8.051×(品牌忠誠)+7.984×(社群參與) +13.260×(社群推薦) 第三群:F3=-64.084+6.786×(品牌忠誠)+4.866×(社群參與) +12.052×(社群推薦)

18.4 新觀察值的預測 根據上述計算結果,發現C群體在F3的得點最高,因此,我們可以將C群體歸類於第三群之中。 18.4 新觀察值的預測 舉例而言,今有一群體,其在行為意圖模式上的取向為: F1= -40.345+(5.553×5)+(5.181×3)+(8.298×7) = 61.049 F2= -94.070+(8.051×5)+(7.984×3)+(13.260×7)= 65.337 F3= -64.084+(6.786×5)+(4.866×3)+(12.052×7)= 68.808 根據上述計算結果,發現C群體在F3的得點最高,因此,我們可以將C群體歸類於第三群之中。 C群體行為意圖傾向模式取向 品牌忠誠(bli) 5 社群參與(cpi) 3 社群推薦(cri) 7

18.5 區別負荷量   透過觀察區別變數的負荷量,可以得知那個區別變數是最具區別能力的變數,以表18-5而言,在函數一中最具區別能力的變數為社群推薦(0.687),函數二中最具區別能力的變數為社群參與(0.770);此意味著我們可以操縱社群推薦(cri)或社群參與(cpi)的決策,來影響分群。 表 18 - 5 區別負荷量表 函數 1 2 品牌忠誠(bli) 0.458* -0.113 社群參與(cpi) 0.590* 0.770* 社群推薦(cri) 0.687* -0.610 * : 負荷量值大於 0.3,表示具有影響力

18.6 區別函數的鑑別能力 一個區別函數是否具有區別分群之能力,最主要是觀察其次數分配或密度分配重疊部份的大小。 18.6 區別函數的鑑別能力 一、區別函數鑑別能力的概念 一個區別函數是否具有區別分群之能力,最主要是觀察其次數分配或密度分配重疊部份的大小。 圖 18 - 5 區別函數之鑑別能力

18.6 區別函數的鑑別能力 二、區別函數鑑別能力的檢測 我們可以利用實際群組別和區別分析所產生的預測組 18.6 區別函數的鑑別能力 二、區別函數鑑別能力的檢測 我們可以利用實際群組別和區別分析所產生的預測組 群來衡量區別函數之命中率(hit ratio),藉以作為檢測 區別函數鑑別能力之用。 表 18 - 6 預測分群之命中率 集群觀察值個數 預測的各組成員 總和 1 2 3 原始的 個數 58 11 106 73 59 85 % 98.3 .0 12.9 100.0 1.2 1.7 85.9 * 94.8%的分群命中率。

18.6 區別函數的鑑別能力 三、Press Q值 其中,N:樣本數。 n:分群正確個數。 k:群組數。 18.6 區別函數的鑑別能力 三、Press Q值 除了命中率以外,我們尚可用Press Q來檢測預測分群結果是否具有區別能力。 其中,N:樣本數。 n:分群正確個數。 k:群組數。 Press Q是建立在的基礎上,換句話說 Press Q必須通過統計量的檢定,得知其是否顯著,來判定此區別分析是否具有區別能力,X²的統計量判斷標準則是X² >6.63 以本例而言,Press Q值為: 我們可判斷此區別函數具有很高的區別能力。

18.7 區別分析之結論   經區別分析鑑定分群效度以後,最主要是想進一步瞭解各群組之間有何特性。此時我們可以利用ANOVA分析各群組在各研究變數上是否具有顯著之差異 表 18—7 分群變數在各分群之平均值 構面與因素名稱 1.低行為意圖群 n=59 2.中行為意圖群 n=106 3.高行為意圖群 n=85 F值 P值 Duncan 品牌忠誠度(bli) 4.3448 6.3143 5.3844 96.932 0.000*** (1,3,2) 社群參與(cpi) 3.8559 5.9623 3.6647 204.268 (31,2) 社群推薦(cri) 4.1441 6.5991 5.9412 244.119 *** : P<0.001;** : P<0.01

18.7 區別分析之結論 表 18—8 各分群在其他研究構面之平均值 *** : P<0.001;** : P<0.01 1.低行為意圖群 18.7 區別分析之結論 表 18—8 各分群在其他研究構面之平均值 1.低行為意圖群 n=59 2.高行為意圖群 n=106 3.中行為意圖群 n=85 F檢定 顯著性 Duncan 成就動機(afm) 2.8008 2.8939 2.6500 0.951 0.388 (312) 權力動機(pm) 3.7585 5.0377 4.3206 23.556 0.000*** (1,3,2) 從屬動機(acm) 4.7712 6.3774 5.3471 54.049 網站效能(opf) 3.7373 4.8255 4.3118 16.537 支持(ops) 4.5763 4.8962 4.3412 4.309 0.014* (31,2) 能力(ab) 4.4407 5.8489 5.1648 53.461 資訊基礎(ift) 4.3008 5.9458 4.8118 58.114 認同基礎(idt) 3.9407 5.4953 4.5765 39.850 與會員分享(ks_co) 3.3670 4.3269 3.3371 18.729 與公司分享(ks_ks) 3.8138 5.2137 4.0548 43.686 (13,2) *** : P<0.001;** : P<0.01