高校の管理者が、入学してくる生徒を3つの教育コースにグループ分けするためのモデルを作成しようとしています。管理者は、ランダムに180人の生徒を選び、各生徒の学力テストの得点、やる気スコア、および現在のコースを記録します。

  1. サンプルデータを開く、教育コース分け.MTW.
  2. 統計 > 多変量 > 判別分析を選択します。
  3. コースを入力します。
  4. 予測変数テストの得点やる気を入力します。
  5. 判別関数で、線形が選択されていることを確認します。
  6. OKをクリックします。

結果を解釈する

分類要約表は、モデルによって個々の真のグループに正しく配置されている観測値の比率を示します。学校管理者は、この結果を使用して、モデルが生徒を分類する精度を確認します。全体的に、93.9%の生徒が、正しい学習トラックに配置されました。グループ2では、正しい配置の比率が最も低く、60人中53人の生徒、つまり88.3%だけが学習トラックに正しく配置されました。

誤判別された観測値の要約表は、観測値が配置されるべきだったグループを示します。学校管理者は、結果を使用して、どの生徒が誤判別されたかを確認します。たとえば、生徒4はグループ2に配置される必要がありましたが、誤ってグループ1に配置されました。

応答に対する線形法: コース
予測変数: テストの得点, やる気

グループ

グループ       1       2       3
計数606060

分類の要約


真のグループ
グループに入れる123
15950
21533
30257
総数N606060
正分類数N 595357
比率0.9830.8830.950

正分類

N正分類数比率
1801690.939

グループ間の二乗距離

123
10.000012.985348.0911
212.98530.000011.3197
348.091111.31970.0000

グループに対する線形判別関数

123
定数-9707.5-9269.0-8921.1
テストの得点17.417.016.7
やる気-3.2-3.7-4.3

誤分類された観測値の要約

観測値真のグループ予測変数グループグループ二乗距離確率
4**1213.5240.438
      23.0280.562
      325.5790.000
65**2112.7640.677
      24.2440.323
      329.4190.000
71**2113.3570.592
      24.1010.408
      327.0970.000
78**2112.3270.775
      24.8010.225
      329.6950.000
79**2111.5280.891
      25.7320.109
      332.5240.000
100**2115.0160.878
      28.9620.122
      338.2130.000
107**23139.02260.000
      27.36040.032
      30.52490.968
116**23131.8980.000
      27.9130.285
      36.0700.715
123**32130.1640.000
      25.6620.823
      38.7380.177
124**32126.3280.000
      24.0540.918
      38.8870.082
125**32128.5420.000
      23.0590.521
      33.2300.479