판별 분석 단계적 방법
메소드. 새로운 변수 입력 및 제거에 사용할 통계를 선택합니다. 사용 가능한 대안은 Wilks' lambda, 설명되지 않은 분산, 마하라노비스 거리, 가장 작은 F 비율 및 Rao의 V입니다. Rao의 V를 사용하면 입력할 변수에 대해 V의 최소 증가를 지정할 수 있습니다.
- Wilks의 람다. 단계별 판별 분석의 변수 선택 방법으로, Wilks의 람다를 낮추는 정도에 따라 방정식에 입력할 변수를 선택합니다. 각 단계에서 전체 Wilks의 람다를 최소화하는 변수가 입력됩니다.
- 설명되지 않는 분산. 각 단계에서 그룹 간 설명되지 않은 변동 합계를 최소화하는 변수를 입력합니다.
- 마하라노비스 거리. 독립변수의 케이스 값이 전체 케이스 평균과 얼마나 달라지는지에 대한 측도입니다. Mahalanobis 거리가 크면 케이스가 독립변수 하나 이상에 대해 극단값을 갖는 것으로 식별합니다.
- 최소 F-비. 그룹 간 Mahalanobis 거리로부터 계산한 F-비를 최대화하는 단계별 분석의 변수 선택 방법입니다.
- Rao의 V. 그룹 평균 간 차이에 대한 측도입니다. Lawley-Hotelling 트레이스라고도 하며 각 단계에서 Rao의 V의 증가를 최대화하는 변수가 입력됩니다. 이 옵션을 선택한 다음 변수가 가져야 하는 최소값을 입력하여 분석에 사용합니다.
기준. 사용 가능한 대안은 F 값 사용 및 F의 확률 사용입니다. 변수를 입력 및 제거하기 위한 값을 입력하십시오.
- F-값 사용. F 값이 진입값보다 크면 모형에 변수가 입력되고 F 값이 제거값보다 작으면 제거됩니다. 진입값은 제거값보다 커야 하고 두 값 모두 양수이어야 합니다. 모형에 더 많은 변수를 입력하려면 진입값을 낮추고 모형에서 변수를 더 많이 제거하려면 제거값을 높입니다.
- F-확률 사용. F 값의 유의 수준이 진입값보다 작으면 모형에 변수가 입력되고 유의 수준이 제거값보다 크면 제거됩니다. 진입값은 제거값보다 작아야 하며 두 값 모두 양수이어야 합니다. 모형에 변수를 더 많이 입력하려면 진입값을 높이고 모형에서 변수를 더 많이 제거하려면 제거값을 낮춥니다.
표시. 단계 요약은 각 단계 이후의 모든 변수에 대한 통계를 표시하고, 쌍별 거리에 대한 F는 각 그룹 쌍에 대한 쌍별 F 비율의 행렬을 표시합니다.
단계적 방법 옵션 선택
이 기능을 사용하려면 Statistics Base 옵션이 필요합니다.
- 메뉴에서 다음을 선택합니다.
- 단계적 방법 사용 을 선택한 다음 방법을 클릭합니다.