Você está na página 1de 7

MVDA - Análise Discriminante

52
54
O SPSS fornece dois métodos para incluir variáveis: Insira
independents juntos (analisa todas as variáveis de uma só
vez) e Usar método stepwise (analisa a entrada e saída de
variáveis independentes de acordo com uma regra).

É necessário indicar o
número que corresponde
ao primeiro (Mínimo) e ao
último (Máximo) grupo. O
intervalo é discreto.

55
Médias: Apresenta a média e desvio padrão de
cada variável independente e para cada cluster e
o total.
ANOVAs de apenas uma variável: Realiza o
teste de Lambda de Wilks para as variáveis
independentes e o F-ratio.
M de Box: Realiza o teste Box’s M e apresenta a
Tabela de Determinante Log.
Coeficientes de Fisher: Apresenta os
Coeficientes Discriminantes Lineares de Fisher
(classificadores).
Coeficientes Não padronizados: Apresenta os
Coeficientes Discriminantes de cada função
discriminante significativa.
Correlação dentro de grupos: Apresenta a
correlação em pool das variáveis independentes.
Covariância dentro de grupos: Apresenta a
covariância em pool das variáveis independentes.
Covariância de grupos separados: Apresenta a
covariância das variáveis independentes dentro de
cada cluster.
Covariância Total: Apresenta a covariância total
das variáveis independentes.

56
Lambda de Wilks: Seleciona as variáveis que entram se elas minimizarem, significantemente, o Lambda de Wilks do
modelo.
Variância inexplicada: Seleciona as variáveis que entram se elas minimizarem, significantemente, a variância
inexplicada entre clusters.
Distância de Mahalanobis: Seleciona as variáveis que entram baseadas nos casos de cada uma. Variáveis com muitos
casos com valores discrepantes são excluídas.
Menor razão F: Seleciona variáveis que a maximizam a menor razão F para a distância de Mahalanobis.
V de Rao: Também conhecido como Traço de Lawley-Hotelling e que mede a distância entre clusters. Uma varável é
selecionada se aumentar significantemente o valor de V de Rao.
Usar valor F: O valor da entrada deve ser maior do que o valor da remoção. Uma variável é selecionada para um valor
maior ou igual ao valor de entrada e excluída para um valor menor ou igual ao valor de remoção.
Usar probailidade F: O valor de significância de entrada deve ser maior do que valor de significância remoção. Uma
variável é selecionada para um valor menor ou igual a significância de entrada e excluída para um valor maior ou57igual a
significância de remoção.
Todos os grupos iguais: Selecione essa opção caso os clusters possuam tamanhos iguais.
Calcular a partir de tamanhos de grupo: Selecione essa opção caso os clusters possuam tamanhos diferentes, para
que a classificação seja ajustada.
Resultado por caso: Apresenta a classificação para cada caso.
Tabela Resumo: Apresenta o Hit Ratio ou Matriz de Confusão (Percentual de erros e acertos).
Classificação com exclusão de um item: Classificação do caso se o mesmo fosse excluído pelo modelo e depois
previsto (Validação Cruzada).
Dentro de grupos: A matriz de covariância em pool é utilizada.
Grupos separados: A matriz de covariância das funções discriminantes de cada cluster é utilizada (utilize essa opção se
os clusters não forem homogêneos).
Grupos combinados: Apresenta o gráfico com todos os clusters para as primeiras duas funções discriminantes.
Grupos separados: Apresenta o gráfico individual de cada cluster para as primeiras duas funções discriminantes.
58
Mapa territorial: Apresenta o mapa territorial, quando a variável dependente possui 3 clusters o mais.
Associação de grupo prevista: Indica a
qual cluster o caso pretence.
Pontuações de discriminante: Apresenta o
valor de cada função discriminante para
cada caso.
Probabilidades de associação do grupo:
Apresenta a probabilidade de um caso
pertencer a um cluster, baseado no valor da
função discriminante linear.

59