Analise - Discrim

I.
Estatística Descritiva 11/30/2021
Análise discriminante
Aldina Correia
aic@estg.ipp.pt
Estes slides baseiam-se nos de Vanda Lima de 2013-2014
Análise discriminante - definição

• Técnica multivariada utilizada para investigar ou avaliar diferenças
entre grupos e classificar entidades dentro dos grupos, com base em
variáveis discricionárias conhecidas
• Classifica a amostra em vários grupos conhecidos baseando-se numa
variável dependente não métrica, em geral, dicotómica (ex:
macho/fêmea)  prevê a inclusão de um indivíduo num grupo
• Estuda o relacionamento entre uma variável dependente não métrica
com duas ou mais variáveis independentes métricas
• Permite perceber as diferenças entre grupos e obter a probabilidade de
uma entidade vir a pertencer a um grupo particular com base nas
variáveis independentes métricas
1
I. Estatística Descritiva 11/30/2021
Análise discriminante - objetivos

• Determinar quando existem diferenças estatisticamente significativas
entre um conjunto de variáveis para dois ou mais grupos
• Determinar quais das variáveis independentes contêm maior
capacidade de diferenciação
• Estabelecer procedimentos para classificar objetos/entidades dentro
de grupos
• Estabelecer o número e a composição das dimensões da discriminação
entre grupos formados a partir das variáveis independentes
Análise discriminante - exemplos

Alguns exemplos onde se pode aplicar a análise discriminante:
• Identificar as variáveis de autoconceito, da escola, sociais e económicas
que diferenciam os estudantes com aproveitamento escolar vs sem
aproveitamento escolar;
• Identificar as variáveis que levam um determinado grupo de
consumidores a comprar vs não comprar determinado produto;
• Identificar as variáveis que discriminam entre funcionários de uma
determinada empresa que apresentam alta vs baixa produtividade no
trabalho e usar essas variáveis num índice que permita prever a
produtividade dos candidatos
Maroco (2010:513)
2
•Semelhante à MANOVA no objetivo de identificar as variáveis que melhor
discriminam entre dois ou mais grupos estruturalmente diferentes e
mutuamente exclusivos.
Na MANOVA, os grupos constituem as variáveis independentes;
Na Análise Discriminante, os grupos são as variáveis dependentes;
•Semelhante à Regressão linear múltipla no objetivo de utilizar a função

discriminante para classificar a priori novos objetos/entidades nos grupos.
Na Regressão Múltipla, a variável dependente é contínua;
Na Análise Discriminante, a variável dependente (grupos) é discreta
•Os grupos sobre os quais se aplica a Análise Discriminante podem ser definidos
explicitamente ou criados através da análise de clusters.
• Os grupos de pertença devem ser mutuamente exclusivos.
Análise discriminante - Principais conceitos
Centroíde – valor médio para os resultados de uma função

discriminante z de um conjunto de objetos que pertencem ao
mesmo grupo
Função discriminante – variação de um conjunto de variáveis

independentes selecionadas pelo seu poder de discriminação
usadas para prever os elementos pertencentes a um dado grupo
“hit ratio” – percentagem de objetos corretamente classificados
3
Análise discriminante - Principais conceitos
1 1 2 3 …
(não métrica) (métrica)
Função discriminante
1 2 3 …
“intercept” (a): valor que resulta da interceção da função discriminante com o

eixo do x.
wi: peso discriminante para a variável independente i (estes valores são estimados de
forma a que os grupos sejam os mais diferentes possível nos valores das funções
discriminantes)
Xik: variável independente i para o objeto k

Z: valor discriminante
Análise discriminante - Graficamente

Função que discrimina bem
A B
A B
Função discriminante Z
Probabilidade de classificar
mal os objetos do grupo B no
grupo A Função discriminante Z
Função que discrimina mal

8
4
A Análise Discriminante (AD) é muito sensível à dimensão da amostra:
◦ Mínimo 5 casos por cada variável independente (20 seria o desejável)
◦ Ter pelo menos p observações no grupo mais pequeno (p = nº de variáveis
independentes)
Para verificar se assim é pode considerar-se a tabela de frequências por
grupo.
Se estes pressupostos não se verificarem não se pode usar AD. Pode
reduzir-se este problema usando a metodologia bootstrapping, desde que
não haja frequências nulas, ou seja, grupos vazios.
É também muito sensível à existência de outliers
Não se verificando estes pressupostos da dimensão e/ou da inexistência
de outliers é preferível usar outra metodologia de classificação, por
exemplo, regressão logística.
Pressupostos
◦ Normalidade multivariada – Testes K-S ou S-W, Assimetria e Curtose ou TLC
◦ Homocedasticidade multivariada - Box’s M test1 e log determinants
◦ Ausência de Multicolinearidade 2 (as variáveis independentes não podem estar
altamente correlacionadas) –> (T=1-R2) variáveis com pequena tolerância (menos
de 0,001) são retiradas do estudo
A Análise Discriminante é robusta à violação dos pressupostos desde que:

(1) dimensão do menor grupo seja superior ao número de variáveis independentes;
(2) as médias dos grupos não sejam proporcionais às variâncias. (Maroco,2010)
____________
1 Teste particularmente sensível à violação do pressuposto da normalidade e à
dimensão da amostra (amostras grandes conduzem geralmente à rejeição de Ho).

2 Multicolinearidade é especialmente crítica no método de estimação stepwise.
1, 2 Incluídos no output de análise discriminante.
10
5
Homocedasticidade multivariada
o- Box’s M test
 H0: matrizes de variância-covariância
iguais
 Teste particularmente sensível à
violação do pressuposto da normalidade
e à dimensão da amostra (amostras
grandes conduzem geralmente à
rejeição de Ho).
 Pode analisar-se as matrizes de
covariância separadas para ver se os
resultados de classificação são
radicalmente diferentes.
 Assim, se o teste de Box M for
significativo, vale a pena executar uma
segunda análise com a opção separate-
groups para ver se muda a classificação.
 Se os resultados da classificação não mudarem muito, então provavelmente não vale a pena
usar matrizes de covariância separadas.
 O M do Box pode ser excessivamente sensível a grandes amostras, o que provavelmente
pode acontecer e não ser por falha da homocedasticidade.
11
o- log determinants
 Os determinantes logísticos são uma medida da variabilidade dos grupos.
 log determinants maiores correspondem a mais grupos de variáveis.
 Grandes diferenças nos determinantes logísticos indicam grupos que têm
matrizes de covariância diferentes, logo existência de heterocedasticidade
12
6
Seleção do método de estimação
Estimação simultânea (Enter) – todas as variáveis

independentes são consideradas em simultâneo no cálculo da
função discriminante.
Estimação “setpwise” – As variáveis independentes são

consideradas na função discriminante uma de cada vez, de
acordo com o seu poder discriminante.
13
Análise discriminante - etapas

1. Selecionar os casos (retirar os casos onde exista falta de
informação)
2. Analisar as diferenças entre grupos
3. Selecionar as variáveis independentes e testar os
pressupostos
4. Estimar os coeficientes da função discriminante,
assegurar a significância das funções e calcular os
valores de discriminação para cada caso
5. Classificar os casos dentro dos grupos
6. Interpretar resultados da discriminação e da validação
14
7
Análise discriminante - exemplo

Aplicar uma análise discriminante à base de dados HATCO.sav
considerando:
◦ Variável dependente x11
◦ Variáveis independentes x1 a x7
Utilize o método de estimação simultânea.
Objetivo:
Saber se as 7 variáveis (x1 a x7 ) têm poder para
discriminar dois grupos de compradores (0=compra por
especificações e 1=análise ao valor total)
15

Dimensão da amostra
N =100 casos
n.º var. independentes = 7 var.=p Aproximadamente 14
Mínimo 5 casos por cada variável independente casos por variável
(20 seria o desejável)
Dimensão por grupo
N.º de casos por grupo
0 – compra por especificações-> 40 casos
é claramente superior
1 – análise ao valor total -> 60 casos ao n.º de variáveis
independentes (7)
Ter pelo menos p observações no grupo mais
pequeno (p = nº de variáveis independentes)
16
8
independente
X1 a x7 – variáveis
Pressupostos
Normalidade multivariada – Testes K-S ou S-W
H0: A variável
segue uma
distribuição
normal por grupo
X11 – variável
dependente
Analyze → Explore→ Plots… Normality plots with tests
17

Pressupostos
Normalidade 
H0: variável segue
distribuição normal
Para um nível de
significância de 5%,
apenas se rejeita H0 em
4 situações.
Para os restantes (a
maioria) verifica-se o
pressuposto da
normalidade.
18
9
Pressupostos
◦ Normalidade multivariada 
◦ Homocedasticidade multivariada
◦ Ausência de Multicolinearidade
NOTA: os restantes pressupostos (Homocedasticidade e

Multicolinearidade) são verificados no output da análise
discriminante
19
Analyze
→Classify
→Discriminant
20
10

X11 – variável dependente
independente
Estimação simultânea
(todas as variáveis selecionadas
são colocadas no modelo)
21
X11 – Compra por especificações

0=compra por especificações
1=análise ao valor total
22
11
23
24
12
É possível guardar:
- O grupo de pertença
Previsto
- Os scores
- As probabilidades de
pertença a cada grupo
25

Estatísticas descritivas 40 casos são 0
60 casos são 1
0=compra por especificações
1=análise ao valor total
Verifica-se que as médias

dos grupos não são
proporcionais às variâncias.
As variâncias/desvios padrão
das variáveis são
relativamente similares nos 2
grupos (parece haver homogeneidade)
26
13

Analisar as diferenças entre grupos Estas variáveis,
provavelmente, não
Testes ANOVA contribuem para o modelo
H0:µG1= µ G2
P>0,05 H0 não pode
ser rejeitada
H0=as médias dos
grupos são iguais
Se o valor de Wilks’λ for = 1  as médias F (pequenos) indicam que quando as variáveis

dos grupos são iguais; independentes são consideradas individualmente não
Se o valor de Wilks’λ for = 0  existem diferem entre os grupos. Neste caso, a “Imagem” e a
diferenças significativas entre os grupos. “Imagem da força de vendas” não influenciam a atitude do
Valores menores indicam que a variável é cliente na compra.
melhor na discriminação entre grupos.
27

Pressupostos - Multicolinearidade
Multicolinearidade  Níveis de correlação entre as variáveis, de um modo

geral, fracos ou moderados. Apenas as var. “Imagem” e “Imagem da força de
vendas” apresentam um nível de correlação ligeiramente superior a 0,7 
“quase” ausência de multicolinearidade
28
14

Pressupostos Homoscedasticidade
Os log determinantes deviam ser próximos

→ indícios de heterocedasticidade
Teste de Homoscedasticidade multivariada

Box’s M test
Valor de prova ≈ 0 < 0,001 (nível de significância deve ser este em vez de 5%)

Decisão:
Rejeitar H0: matrizes de variância-covariância iguais
para os 2 grupos
Heterocedasticidade 
29

O modelo discriminante ajusta-se aos dados?
valores próprios (eigenvalues)
lambda de Wilks (Wilks' lambda)
0.8202=0.6724 da variância dos

grupos formados é explicada
Mede a eficácia pela função discriminante
relativa de cada (no caso de só haver 1, ou seja,
da variável dependente ser
binária)
30
15

sig<5%
Decisão: Rejeitar Ho: as
médias dos grupos na função
são iguais.
Mede a capacidade da função
A função derivada é
discriminante fazer a
separação em grupos.
significante, i.é., consegue
Teste de igualdade de discriminar os casos em dois
médias:
Valores mais pequenos grupos.
H0: As médias das funções
revelam maior poder são iguais entre os grupos.
discriminantes da função
discriminante.
Mede a capacidade da função discriminante
Representa a proporção da
fazer a separação em grupos.
variância total nos scores
discriminantes não explicada
Valores mais pequenos revelam maior poder
por diferenças entre os grupos. discriminantes da função discriminante.
31

Averiguar a contribuição das variáveis para a função discriminante
Contribuição relativa de cada variável para a
Como os coeficientes estão estandardizados
(i.é. independentes das unidades de medida),
são comparáveis.
Quanto maior o valor do coeficiente, maior a
importância relativa da variável.
• Contribuição (ordenada, pelo valor absoluto) de cada variável

para a função discriminante, sem o efeito da colinearidade.
• A ordem deve ser coerente com a ordem na matriz anterior,
se não for indica problemas de multicolinearidade
• Os valores absolutos devem ser maiores do que 0,3
32
16

Coeficientes da função discriminante
Os coeficientes não estandardizados são calculados para calcular as pontuações

discriminantes que permitem prever a inclusão de um caso num dado grupo
(a partir de um dado valor, o caso é previsto como fazendo parte de um grupo, abaixo como fazendo
parte do outro grupo)
33
Valor médio da função discriminante nos 2

grupos:
- A media no grupo “Compra por especificações”
é inferior à media global
34
17

Estatísticas de classificação
Todos os casos foram classificados À partida havia 40 casos num grupo e 60

Não há outliers no outro
(Não deve haver outliers, esta técnica é muito
sensível à sua existência)
35

Classificar os casos
D1=-61,809+10,077*rapidez de
entrega+11,178*preço+...+5,114*qualidade
do produto
D2= -66,475+11,837*rapidez de
entrega+11,867*preço+…+3,402*qualidade
do produto
Calcule o valor das equações para os casos

(observações) 10 e 20 e classifique-os nos
grupos respetivos Os coeficientes obtidos pela
(a classificação mais elevada (por exemplo, em função de Fisher permitem
D1) indica a inclusão no grupo 1) classificar os casos em grupos
36
18

Interpretar resultados da discriminação e da validação
Casos corretamente
classificados
90%
Sensibilidade Casos corretamente

(sensitivity) classificados, quando
92.5 no cálculo da
classificação não é
Especificidade considerado o caso em
(specificity) análise  menos
88.3 otimista
Alta sensibilidade implica poucos falsos negativos

Alta especificidade implica poucos falsos positivos
37

O que foi gravado na Base de dados
Previsão da AD Probabilidades de pertença
Correto
Errado
38
19

Como no teste de Box’s M test se
rejeitou a igualdade das matrizes de
variância-covariância pode analisar-se
as matrizes separadas para ver se os
resultados de classificação são
radicalmente diferentes.
Sensibilidade Neste
(sensitivity) caso não
há
92.5 diferenças
Especificidade
Provavelmente foi
(specificity) um efeito do
88.3 tamanho da amostra
39
No exemplo anterior, verificamos, através da ANOVA, que as
variáveis “Imagem” e “Imagem da força de vendas” não tinham
grande poder discriminante.
Este pode ser um método a usar para selecionar as variáveis

com capacidade discriminante, de modo a que a análise
discriminante seja só efetuada com essas variáveis.
Método stepwise (passo-a-passo) – a análise começa sem

variáveis e nos passos seguintes as variáveis são adicionadas
ou removidas, dependendo da sua capacidade discriminante.
40
20
Método stepwise
Métodos para a inclusão/remoção de variáveis:
• Lambda de Wilks: variáveis são incluídas (ou removidas) consoante a sua

inclusão diminui bastante (ou não) o valor de lambda.
• Distância Mahalanobis: esta distância permite separar os grupos. Uma

variável é selecionada se a sua inclusão aumentar significativamente
esta distância.
• Rácio F entre grupos: Semelhante à distância de Mahalanobis, mas tem

em consideração as diferentes dimensões dos grupos, considerando os
grupos de maior dimensão com mais peso na análise.
41

Aplicar uma análise discriminante à base de dados HATCO.sav
considerando:
◦ Variável dependente x11
◦ Variáveis independentes x1 a x7
Utilize o método stepwise e selecione a método do

Lambda de Wilks para decisão das variáveis a
considerar na análise.
42
21
Analyze
→Classify
→Discriminant
43

X11 – variável dependente
independente
Selecção do
método
Stepwise
44
22

método do Lambda
de Wilks
45

É possível guardar:
- O grupo de pertença
Previsto
- Os scores
- As probabilidades de
pertença a cada grupo
46
23
Á medida que as
variáveis vão sendo
Proporção da variância da variável que não introduzidas, o
está contida em nenhuma das outras Lambda de Wilks
variáveis. diminui.
Uma variável com pouca tolerância
contribuí pouco para o modelo
47

A cada passo, a
variável de previsão
com o menor valor do
Lambda de Wilks, entra
no modelo.
Avaliação da
multicolinearidade feita
através do calculo da
tolerância (T=1-R2) – todas
as variáveis apresentam
elevados níveis de tolerância
por isso podem ser
consideradas na análise ->
ausência de
multicolinearidade
48
24
3 passos para obtenção da função discriminante.

Decisão: Rejeitar Ho: as médias dos grupos na função são iguais. A função
é discriminante.
0.8122=0.6593 da
variância dos grupos
formados é explicada pela
função discriminante
49
Coeficientes estandardizados da função discriminante estimada.
A função é definida por 3 variáveis (rapidez na entrega, flexibilidade do preço e

qualidade do produto) e discrimina significativamente os dois grupos de compradores
(compra por especificações e análise ao valor total).
50
25

Coeficientes da função
de classificação
D(compra por especificações)=-49,339 + 1,982*rapidez de entrega +

5,759*flexibilidade do preço + 6,357*qualidade do produto
D(análise ao valor total) = -52,708 + 3,174*rapidez de entrega + 7,149*flexibilidade

do preço + 4,836*qualidade do produto
51
A percentagem de
compradores
classificados
corretamente foi de
87% (classificação
original).
Na validação cruzada (caso é classificado com as funções de classificação deduzidas sem

esse caso) a percentagem é sensivelmente a mesma (86%) da classificação original.
52
26
Bibliografia
Pereira, A. (2008). SPSS Guia Prático de Utilização – Análise de dados para
as ciências sociais e psicologia, Edições Sílabo.
Maroco, J. (2010). Análise Estatística - Com a Utilização do SPSS (3 ed.).

Lisboa: Edições Sílabo.
Hair, J.F., Black, W., Babin, B., Anderson, R.E. (2010). Multivariate Data
Analysis (7 ed.). New Jersey: Pearson.
Mais detalhes da implementação em SPSS em:
https://www.ibm.com/support/knowledgecenter/en/SSLVMB_25.0.0/statistics_casestudies_project_ddita/spss/tutorials/discriminant_table.html
53
27

Analise - Discrim

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analise - Discrim

Enviado por

Direitos autorais:

Formatos disponíveis

I.

Estatística Descritiva 11/30/2021

Estes slides baseiam-se nos de Vanda Lima de 2013-2014

Análise discriminante - definição

Análise discriminante - objetivos

Análise discriminante - exemplos

Na Análise Discriminante, os grupos são as variáveis dependentes;

•Semelhante à Regressão linear múltipla no objetivo de utilizar a função

Análise discriminante - Principais conceitos

Centroíde – valor médio para os resultados de uma função

Função discriminante – variação de um conjunto de variáveis

“hit ratio” – percentagem de objetos corretamente classificados

Análise discriminante - Principais conceitos

“intercept” (a): valor que resulta da interceção da função discriminante com o

Xik: variável independente i para o objeto k

Análise discriminante - Graficamente

Função que discrimina mal

A Análise Discriminante é robusta à violação dos pressupostos desde que:

dimensão da amostra (amostras grandes conduzem geralmente à rejeição de Ho).

1, 2 Incluídos no output de análise discriminante.

Estimação simultânea (Enter) – todas as variáveis

Estimação “setpwise” – As variáveis independentes são

Análise discriminante - etapas

Análise discriminante - exemplo

Utilize o método de estimação simultânea.

Análise discriminante - exemplo

Analyze → Explore→ Plots… Normality plots with tests

Análise discriminante - exemplo

NOTA: os restantes pressupostos (Homocedasticidade e

Análise discriminante - exemplo

Análise discriminante - exemplo

Análise discriminante - exemplo

X11 – Compra por especificações

Análise discriminante - exemplo

Análise discriminante - exemplo

Análise discriminante - exemplo

Análise discriminante - exemplo

Verifica-se que as médias

Análise discriminante - exemplo

Se o valor de Wilks’λ for = 1  as médias F (pequenos) indicam que quando as variáveis

Análise discriminante - exemplo

Multicolinearidade  Níveis de correlação entre as variáveis, de um modo

Análise discriminante - exemplo

Os log determinantes deviam ser próximos

Teste de Homoscedasticidade multivariada

Análise discriminante - exemplo

0.8202=0.6724 da variância dos

Análise discriminante - exemplo

Análise discriminante - exemplo

• Contribuição (ordenada, pelo valor absoluto) de cada variável

Análise discriminante - exemplo

Os coeficientes não estandardizados são calculados para calcular as pontuações

Análise discriminante - exemplo

Valor médio da função discriminante nos 2

Análise discriminante - exemplo

Todos os casos foram classificados À partida havia 40 casos num grupo e 60

Análise discriminante - exemplo

Calcule o valor das equações para os casos

Análise discriminante - exemplo

Sensibilidade Casos corretamente

Alta sensibilidade implica poucos falsos negativos

Análise discriminante - exemplo

Previsão da AD Probabilidades de pertença

D(análise ao valor total) = -52,708 + 3,174rapidez de entrega + 7,149flexibilidade