diszkriminanciaanalízis az spss -ben

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Diszkriminancia-analízisaz SPSS-benaz SPSS-ben

Petrovics PetraDoktorandusz



Diszkriminancia-analízis folyamata



FeladatMegnyitás: Employee_data.sav

Milyen tényezőktől függ a dolgozók beosztása?

Független változó (x)Független változó (x)

Nem metrikus Metrikus

Fü

ggő

vált

ozó

(y)

Nem

met

riku

s

Kereszttábla

elemzés

Diszkriminancia-analízis,

Logisztikus regresszió

Met

riku

s

VarianciaanalízisKorreláció- és

regresszióelemzés



1. Adatok, változók

X: Metrikus változók / Dummy változók

(age, education level, current salary, beginning salary,

2.• Feltételek vizsgálata

(age, education level, current salary, beginning salary, month since hire, previous experience, minorityclassification)

Adatok kizárólagossága:

Pl. aki vezető, az nem hivatalnok

Mindenki valamelyik csoport tagja, stb



2. Normális eloszlásGraph / Histogram

Nonparametric Tests / 1-Sample K-S Test


Stb.

• n• Mahalanobis

távolság

Nonparametric Tests / 1-Sample K-S Test



3. Multikollinearitás (vagy Pooled Within-Groups Matrices)


Faktoranalízis (?)



4. Outlier: Mahalanobis távolság

5. Homoszkedaszticitás: Box’s M

Analyze / Classify / Discriminant…


Elemzés lefuttatásával



Multikollinearitás (r)

Homoszkedaszticitás:nemcsak varianciaállandóság, de variancia-kovariancia mátrixokegyezősége 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

OutlierNormál eloszlás



mert nem ugyanannyimenedzser van, mint pl.hivatalnok

5.• Érvényesség

vizsgálat5. vizsgálat


Üzleti Információgazdálkodási és Módszertani Intézet Output

Megmutatja, hogy vannak-e különbségek a csoportosító változó által kialakított

- Month since hire- Minority- Age (?)STEPWISE

Magas F érték, alacsony Wilks’ Lambda !!!A kevés diszkriminatív értékkel bíró változók astepwise diszkriminanciaelemzés segítségéveleltávolíthatók.

Megmutatja, hogy vannak-e különbségek a csoportosító változó által kialakítottcsoportok átlagai között: ha a csoportosító változó a varianciának nagy részétmagyarázza, akkor a csoportok átlagai között szignifikáns eltérés mutatkozik, ésa mutató értéke 0-hoz közelít. Így az egyes változók az alapján kerülhetnekbevonásra a diszkriminanciaelemzésbe, hogy milyen mértékben képesek aWilks’ λ értékét csökkenteni.


Üzleti Információgazdálkodási és Módszertani Intézet OutputStepwise Statistics:

1. Education Level2. Previous Experience3. Current Salary4. Age5. Beginning Salary



Group Statistics

Employment Category Mean Std. DeviationValid N (listwise)

Unweighted Weighted

Clerical Educational Level (years) 12.86 2.330 362 362.000

Current Salary 27818.90 7569.196 362 362.000

Beginning Salary 14079.05 2893.376 362 362.000

Months since Hire 81.11 10.093 362 362.000

Previous Experience (months) 85.12 95.393 362 362.000

Minority Classification .24 .428 362 362.000

age 33.06 12.140 362 362.000

Custodial Educational Level (years) 10.19 2.219 27 27.000

Current Salary 30938.89 2114.616 27 27.000



Output




age 48.59 9.532 27 27.000

Manager Educational Level (years) 17.25 1.612 84 84.000

Current Salary 63977.80 18244.776 84 84.000





age 31.50 6.433 84 84.000

Total Educational Level (years) 13.49 2.886 473 473.000

Current Salary 34418.45 17093.723 473 473.000





age 33.67 11.784 473 473.000



Vs.


Üzleti Információgazdálkodási és Módszertani Intézet OutputEgyező 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-szintenfogadjuk el, hogy homoszkedasztikus

(nagy mintaelemszámnál a szignifikancia eredménye kevésbé jelentős)



Kevésbé járul a

magyarázó erő

Nő a magyarázó erő

Output3. • Diszkriminancia függvény

Stepwise:

magyarázó erő

növekedéséhez Szignifikáns diszkriminancia függvény p=0.000λ=22,3% a nem magyarázott variancia (≈ ANOVA H2 inverze)

KANONIKUS DISZKRIMINANCIA FÜGGVÉNY

Min {p;Y kategóriáinak száma-1} = 2

A különbözőség azon része, amit a DF1 nem foglal magába



DF külső szórásnégyzetDF belső szórásnégyzet

DF által magyarázott különbözőség

• Többszörös korreláció a magyarázó változók és a diszkriminancia fv. között

• H komplementere• 1 fv. esetében a négyzete ≈R2 (modell

illeszkedés) • A DF1 0,8262=68,23%-ban magyarázza

a csoportosító változó varianciáját

DF által magyarázott különbözőségDF által nem magyarázott különbözőség

DF-k a magyarázottkülönbözőség hány %-tmagyarázzák (∑100%)

Az DF1 83,4%-ban járul

hozzá a különbözőség

magyarázatához, míg a

DF2 csak 16,6%-ban.


Üzleti Információgazdálkodási és Módszertani Intézet Output3-4. • DF, Értelmezés

Diszkrimináló hatás értelmezése → DF elnevezése

• DF-k és a magyarázó változókközötti korreláció• Változók relatív fontossága (a

korreláció abszolút mértékéneksorrendjében)• ≈ faktor loading (határ: >0,3 fontos)

• Változók fontossága • Kapcsolat iránya• ≈ β együtthatók (parciális)Pl. DF1-t a leginkább a

jelenlegi fizetés, míg DF2-t a

korábbi munkatapasztalat

határozza meg



bi együtthatók

Diszkriminancia függvény paraméterei:

(A mértékegységek különbözősége miatt nem látszik a jelentősége, de ezek is diszkriminálnak)

1,748age 0,038experience previous 0,013leveleducation -0,201DF

4,923-age 0,019experience previous 0,002-leveleducation 0,082DF

2

1

+−+=

+=

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)



Átlagos D értékek

OutputEgy egyed ahhoz a csoporthoztartozik, amely csoport centroidjáhoza legközelebb esik a diszkriminanciaértéke (discriminant score)(Mahalanobis távolság alapján)Pl: 1. személy: manager

DiscriminantPredicted group Discriminant

score

Predicted group

membership



5.• Érvényesség

vizsgálat

Találati arány Helyes kategorizálás

Új dolgozó: abba csoportba tartozik, amelyik centroidjától a kiszámított Mahalanobis távolság értéke a legalacsonyabb



Köszönöm a figyelmet!Köszönöm a figyelmet!

diszkriminanciaanalízis az spss -ben

Documents