下载文档原格式
距离判别法和Bayes判别法[color=black][size=3]距离判别法和Bayes判别法是判别分析中常用的两类判别法。
多元统计书上一般都有介绍。
简单说就是[font=MS Shell Dlg]判别给定的样本属于哪一类的。
比方说一堆样本，分好几类，样本有n个属性。
把这堆样本输入程序训练好后，程序就可以判别新的样本属于哪一类了。
[/font]我把它们做成了一个简单的界面，大家可以按界面提示操作下。
为了方便我准备了一些数据，见附件。
[font=MS Shell Dlg]train是训练样本（判别准备前用的），test是测试样本，即新数据，用来判别新样本中每一个属于哪一类的。
这里属性个数n=3。
实际使用时，n可以不局限于3。
训练样本只要按照附件中的格式（即第一列为类名，其余列为属性）存为xls文件即可。
测试样本直接就是由属性列组成的，每一行表示一个样本。
[/font][/size][/color][font=MS Shell Dlg][size=3]下面是代码（注释比较详细，用nested function写回调函数可以供GUI 初学者借鉴）：[/size][/font][font=MS Shell Dlg][size=3][code]function DiscriminantMethodsfig=figure('defaultuicontrolunits','normalized','name','各类判别方法比较','numbertitle','off','menubar','none');%主界面，返回主界面句柄figUiButtonGroupH = uibuttongroup('Position',[0.55 0.08 0.40 0.85],'title','各判别方法','fontsize',12,'bordertype','etchedout');%群组对象，并返回句柄DistanceH = uicontrol('Style','Radio','String','距离判别法','fontsize',12,'pos',[0.05 0.73 0.9 0.15],'parent',UiButtonGroupH);%距离判别法的选项BayesH = uicontrol('Style','Radio','String','Bayes判别法','fontsize',12,'pos',[0.05 0.52 0.9 0.15],'parent',UiButtonGroupH);%Bayes判别法的选项FisherH = uicontrol('Style','Radio','String','Fisher判别法','fontsize',12,'pos',[0.05 0.31 0.9 0.15],'parent',UiButtonGroupH);%Fisher判别法的选项%下面几行建立相关按钮控件。
贝叶斯判别、费希尔判别法的计算机操作及结果分析一、实验内容、目标及要求（一）实验内容选取140家上市公司作为样本，其中70家为由于“财务状况异常”而被交易所对其股票实行特别处理（Special Treatment，简称ST）的公司，另外70家为财务正常的公司。
为了研究上市公司发生财务困境的可能性，以“是否被ST”为分组变量，选择资产负债率、总资产周转率和总资产利润率几个财务指标作为判别分析变量，这三个指标分别从上市公司的偿债能力、资产管理能力和获利能力三个不同的角度反映了企业的财务状况。
（二）实验目标贝叶斯判别、费希尔判别法的计算机操作及结果分析。
（三）实验要求要求学生能熟练应用计算机软件进行判别分析并对结果进行分析，培养实际应用能力。
二、实验准备（一）运行环境说明电脑操作系统为Windows XP及以上版本，所需软件为SPSS 16.0。
（二）基础数据设置说明将数据正确导入SPSS，设置相应的变量值。
三、实验基本操作流程及说明（一）系统界面及说明同实验一。
（二）操作步骤1. 选择菜单项Analyze→Classify→Discriminate，打开Discriminate Analysis对话框，如图4-1。
将分组变量st移入Grouping V ariable列表框中，将自变量x1－x3选入Independents 列表框中。
选择Enter independents together单选按钮，即使用所有自变量进行判别分析。
若选择了Use stepwise method单选按钮，则可以根据不同自变量对判别贡献的大小进行变量筛选，此时，对话框下方的Method按钮被激活，可以通过点击该按钮设置变量筛选的方法及变量筛选的标准。
图4-1 Discriminate Analysis对话框2. 单击Define Range按钮，在打开的Define Range子对话框中定义分组变量的取值范围。
本例中分类变量的取值范围为0到1，所以在Minimum和Maximum输入框中分别输入0和1。
判别分析判别分析是用以判别个体所属群体的一种统计方法。
最常用的判别方法：距离判别法、Bayes 判别法、Fisher 判别法。
1、距离判别法最为直观，其想法简单自然，就是计算新样品x 到各组的距离，然后将该样品判为离它距离最近的那一组。
定义：设组π的均值为μ，协方差矩阵为∑，x 是一个样品(样本)，称()()μμπ-∑'-=-x x x d 1),(为x 到总体π的马氏距离或统计距离。
判别准则：不妨假设有k 组，记为k ππ...1，，均值分别为k μμ...1，，协方差矩阵分别为k ∑∑...,1，，若),(min ),(212i ki l x d x d ππ≤≤=，则判断x 来自第l 组。
注1：若k ∑==∑...1，上述准则可以化简，如果不确定是否相等，可两种情况都试试，那种规则误判概率小选哪种。
注2：实际中k μμ...1，以及k ∑∑...,1，均未知，用估计量代替。
2、Bayes 判别法(1)最大后验概率准则设有k 个组k ππ...1，，且组i π的概率密度为()x f i ，样品x 来自组i π的先验概率为,,...,1,k i p i =且.11=∑=ki i p 利用Bayes 理论，x 属于i π的后验概率(即当样品x 已知时，它属于i π的先验概率)为()().,...,2,1,)(1k i x f p x f p x P k j j j i i i ==∑=π最大后验概率法是采用如下的判别规则：()x P x P x l ji l l πππ≤≤=∈1max )(,若. (2)最小平均误判代价准则()()()()∑∑≠=≤≤≠==∈ki j j j j k i j k l j j j l j i c x f p j l c x f p x 111m i n ,若π，其中)(j i c 表示将来自j π的x 判为i π的代价。
例：设有321,,πππ三个组，欲判别某样品0x 属于何组，已知()()().4.2,63.0,10.0,30.0,65.0,05.0030201321======x f x f x f p p p 计算：()()004.04.230.063.065.010.005.010.005.0)(1111=⨯+⨯+⨯⨯==∑=k j j j x f p x f p x P π ()361.02=x P π()635.03=x P π假定误判代价矩阵为95.4110063.065.020010.005.0:305.36504.230.01010.005.0:239.51604.230.02063.065.0:1=⨯⨯+⨯⨯==⨯⨯+⨯⨯==⨯⨯+⨯⨯=l l l 3、Fisher 判别基本思想：先对原始数据进行降维，然后对新数据使用距离判别法进行判别。
例：研究某年全国各地区农民家庭收支的分布规律，根据抽样调查资料进行分类，共抽取28个省、市、自治区的六个指标数据。
先采用聚类分析，将28个省、市、自治区分为三组。
北京、上海、广州3个城市属于待判样本。
（家庭收支.sav）1.选中判别分析，2.选择Fisher 即bayes判别分析方法，易混！！！3.确定组别4. 选择保存结果5. 模型检验（即判别准确率）重要结果分类函数系数类别1 2 3食品.480 .473 .429 衣着 1.612 1.354 .933 燃料 2.421 2.189 .777 住房.555 .335 .052 用品及其它 1.032 .580 .847 文化支出 5.387 5.446 4.317(常量) -117.620 -89.052 -53.616Fisher 的线性判别式函数按照案例顺序的统计量案例数目实际组最高组第二最高组判别式得分预测组P(D>d |G=g)P(G=g| D=d)到质心的平方Mahalanobis距离组P(G=g| D=d)到质心的平方Mahalanobis距离函数1函数2 p df初始 1 1 1 .320 2 1.000 2.282 2 .000 22.754 3.163 -2.7172 1 1 .799 2 1.000 .449 2 .000 17.611 3.559 -1.6593 1 2**.095 2 .688 4.705 1 .312 6.283 2.737 1.2754 1 1 .797 2 .984 .453 2 .016 8.670 2.855 -.5695 1 1 .504 2 1.000 1.372 2 .000 20.770 4.205 -1.4616 1 1 .313 2 .996 2.321 2 .004 13.305 1.847 -2.1317 2 2 .788 2 .986 .476 1 .011 9.482 .566 .5958 2 2 .405 2 .992 1.806 1 .008 11.456 1.756 1.9139 2 2 .532 2 .987 1.263 1 .013 9.942 1.645 1.60710 2 2 .451 2 .999 1.593 1 .001 15.008 1.358 2.26911 2 2 .826 2 .984 .383 1 .015 8.758 .816 .71812 2 2 .769 2 .994 .524 1 .006 10.742 1.252 1.52313 2 2 .378 2 .861 1.945 3 .139 5.594 -.611 .53914 2 2 .219 2 .639 3.034 3 .361 4.179 -1.036 .60515 2 2 .304 2 .941 2.379 3 .059 7.903 -.943 1.59616 2 2 .935 2 .997 .134 1 .003 12.046 .874 1.48517 3 3 .387 2 .994 1.899 2 .006 12.039 -1.570 -1.44818 3 3 .801 2 1.000 .443 2 .000 19.449 -3.157 -1.07619 3 3 .413 2 .991 1.767 2 .009 11.104 -1.531 -1.30320 3 3 .570 2 .984 1.124 2 .016 9.398 -1.635 -.84721 3 3 .880 2 .997 .255 2 .003 11.791 -2.562 -.12822 3 3 .826 2 .993 .383 2 .007 10.155 -2.282 -.14023 3 3 .130 2 1.000 4.077 2 .000 29.305 -4.643 -.18324 3 3 .078 2 .995 5.095 2 .005 15.558 -3.369 1.52625 3 3 .323 2 1.000 2.260 2 .000 25.638 -3.294 -1.98926 未分组的1 .0002 1.000 20.223 2 .000 62.899 7.054 -3.27827 未分组的1 .0002 1.000 82.160 2 .000 150.236 11.796 -3.63028 未分组的1 .0052 1.000 10.431 2 .000 25.808 5.621 .759交叉验证a 1 1 1 .349 6 1.000 6.707 2 .000 27.3012 1 1 .025 6 .999 14.400 2 .001 29.4123 1 2**.087 6 1.000 11.051 1 .000 37.7404 1 1 .233 6 .900 8.064 2 .100 12.4595 1 1 .136 6 1.000 9.738 2 .000 28.7186 1 1 .182 6 .975 8.851 2 .025 16.1797 2 2 .249 6 .945 7.850 1 .043 14.0428 2 2 .734 6 .984 3.575 1 .016 11.8079 2 2 .039 6 .880 13.285 1 .120 17.26810 2 2 .078 6 .996 11.349 1 .004 22.46511 2 2 .701 6 .967 3.819 1 .031 10.68312 2 2 .461 6 .984 5.669 1 .016 13.90313 2 3**.129 6 .703 9.898 2 .297 11.62214 2 3**.444 6 .684 5.820 2 .316 7.36815 2 2 .123 6 .635 10.047 3 .365 11.15116 2 2 .000 6 .878 35.006 1 .121 38.97317 3 3 .114 6 .955 10.252 2 .044 16.40718 3 3 .925 6 1.000 1.939 2 .000 20.37119 3 3 .288 6 .959 7.373 2 .041 13.67820 3 3 .652 6 .963 4.186 2 .037 10.70721 3 3 .526 6 .991 5.139 2 .009 14.63422 3 3 .834 6 .986 2.792 2 .014 11.30223 3 3 .101 6 1.000 10.616 2 .000 39.41124 3 3 .018 6 .917 15.261 2 .083 20.05725 3 3 .268 6 1.000 7.611 2 .000 32.555对初始数据来说，平方Mahalanobis 距离基于典则函数。
距离判别法贝叶斯判别法和费歇尔判别法的异同距离判别法、贝叶斯判别法和费歇尔判别法是三种常见的分类方法。
它们都是基于已知类别的数据集，通过学习得到一个分类模型，然后用该模型对未知数据进行分类。
虽然它们都属于分类方法，但是它们之间还是存在一些异同点的。
一、距离判别法距离判别法是根据样本之间的距离来进行分类的方法。
具体地说，对于一个未知样本，计算它与每个已知类别中心之间的距离，然后将其归为距离最近的那个类别。
其中“中心”可以是类别内所有样本的平均值或者其他统计量。
优点：1. 简单易懂：距离判别法直观易懂，容易理解。
2. 计算简单：计算样本与中心之间的距离只需要进行简单的数学运算即可。
缺点：1. 对异常值敏感：由于距离判别法是基于样本之间的距离来进行分类，因此如果存在异常值，则可能会影响分类结果。
2. 需要提前确定中心：在使用距离判别法时需要提前确定每个类别的中心，而这个过程可能会比较困难。
二、贝叶斯判别法贝叶斯判别法是一种基于概率的分类方法。
它假设每个类别都服从某种概率分布，然后根据贝叶斯公式计算出每个类别对于给定样本的后验概率，最终将样本归为后验概率最大的那个类别。
优点：1. 可以处理多维特征：与距离判别法不同，贝叶斯判别法可以处理多维特征。
2. 对异常值不敏感：由于贝叶斯判别法是基于概率分布来进行分类的，因此对于一些异常值，它可以通过概率分布来进行修正。
缺点：1. 需要大量数据：由于贝叶斯判别法需要估计每个类别的概率分布，因此需要大量的数据才能得到准确的结果。
2. 对先验概率敏感：在使用贝叶斯判别法时需要提前确定每个类别的先验概率，而这个过程可能会比较困难。
三、费歇尔判别法费歇尔判别法是一种基于方差分析理论的分类方法。
它假设每个类别服从某种概率分布，然后根据方差分析的原理来计算每个类别对于给定样本的“可信度”，最终将样本归为“可信度”最高的那个类别。
优点：1. 可以处理多维特征：与距离判别法不同，费歇尔判别法可以处理多维特征。
判别分析--费希尔判别、贝叶斯判别、距离判别判别分析⽐较理论⼀些来说，判别分析就是根据已掌握的每个类别若⼲样本的数据信息，总结出客观事物分类的规律性，建⽴判别公式和判别准则;在遇到新的样本点时，再根据已总结出来的判别公式和判别准则，来判断出该样本点所属的类别。
1 概述三⼤类主流的判别分析算法，分别为费希尔(Fisher)判别、贝叶斯(Bayes)判别和距离判别。
具体的，在费希尔判别中我们将主要讨论线性判别分析（Linear Discriminant Analysis，简称LDA）及其原理⼀般化后的衍⽣算法，即⼆次判别分析（Quadratic Discriminant Analysis，简称QDA);⽽在贝叶斯判别中将介绍朴素贝叶斯分类(Naive Bayesian Classification)算法;距离判别我们将介绍使⽤最为⼴泛的K最近邻(k-Nearest Neighbor，简称kNN)及有权重的K最近邻( Weighted k-Nearest Neighbor）算法。
1.1 费希尔判别费希尔判别的基本思想就是“投影”，即将⾼维空间的点向低维空间投影，从⽽简化问题进⾏处理。
投影⽅法之所以有效，是因为在原坐标系下，空间中的点可能很难被划分开，如下图中，当类别Ⅰ和类别Ⅱ中的样本点都投影⾄图中的“原坐标轴”后，出现了部分样本点的“影⼦”重合的情况，这样就⽆法将分属于这两个类别的样本点区别开来;⽽如果使⽤如图8-2中的“投影轴”进⾏投影，所得到的“影⼦”就可以被“类别划分线”明显地区分开来，也就是得到了我们想要的判别结果。
原坐标轴下判别投影轴下判别我们可以发现，费希尔判别最重要的就是选择出适当的投影轴，对该投影轴⽅向上的要求是:保证投影后，使每⼀类之内的投影值所形成的类内离差尽可能⼩，⽽不同类之间的投影值所形成的类间离差尽可能⼤，即在该空间中有最佳的可分离性，以此获得较⾼的判别效果。
对于线性判别，⼀般来说，可以先将样本点投影到⼀维空间，即直线上，若效果不明显，则可以考虑增加⼀个维度，即投影⾄⼆维空间中，依次类推。
贝叶斯判别、费希尔判别法的计算机操作及结果分析一、实验内容、目标及要求（一）实验内容选取140家上市公司作为样本，其中70家为由于“财务状况异常”而被交易所对其股票实行特别处理（Special Treatment，简称ST）的公司，另外70家为财务正常的公司。
为了研究上市公司发生财务困境的可能性，以“是否被ST”为分组变量，选择资产负债率、总资产周转率和总资产利润率几个财务指标作为判别分析变量，这三个指标分别从上市公司的偿债能力、资产管理能力和获利能力三个不同的角度反映了企业的财务状况。
（二）实验目标贝叶斯判别、费希尔判别法的计算机操作及结果分析。
（三）实验要求要求学生能熟练应用计算机软件进行判别分析并对结果进行分析，培养实际应用能力。
二、实验准备（一）运行环境说明电脑操作系统为Windows XP及以上版本，所需软件为SPSS 16.0。
（二）基础数据设置说明将数据正确导入SPSS，设置相应的变量值。
三、实验基本操作流程及说明（一）系统界面及说明同实验一。
（二）操作步骤1. 选择菜单项Analyze→Classify→Discriminate，打开Discriminate Analysis对话框，如图4-1。
将分组变量st移入Grouping Variable列表框中，将自变量x1－x3选入Independents列表框中。
选择Enter independents together单选按钮，即使用所有自变量进行判别分析。
若选择了Use stepwise method单选按钮，则可以根据不同自变量对判别贡献的大小进行变量筛选，此时，对话框下方的Method按钮被激活，可以通过点击该按钮设置变量筛选的方法及变量筛选的标准。
图4-1 Discriminate Analysis对话框2. 单击Define Range按钮，在打开的Define Range子对话框中定义分组变量的取值范围。
本例中分类变量的取值范围为0到1，所以在Minimum和Maximum输入框中分别输入0和1。
单击Continue按钮，返回主对话框。
3. 如果不想使用全部的样本进行分析，单击Select按钮，则Discriminate Analysis 对话框下方会跳出一个Selection Variable列表框，将一个选择变量移入Selection Variable列表框，并单击Rule按钮，设置选择条件。
这样，只有满足选择条件的观测才能参与判别分析。
4. 单击Statistics按钮，在跳出的Statistics子对话框中指定输出的描述统计量和判别函数系数。
该对话框中各选项的含义如下：Descriptives选项栏：输出原始数据的描述性统计量◆Means：输出各类中所有自变量的均值、组内标准差以及总样本的均值和标准差；◆Univariate ANOVA：进行单因素方差分析，检验的原假设为不同类别中自变量的均值不存在显著差异；◆Box’s M：对各类的协方差矩阵是否相等进行检验。
Matrices选项栏：输出各种不同的协差阵和相关系数矩阵◆Within-groups correlation matrix：平均组内相关系数矩阵，它是由平均组内协差阵计算得到的；◆Within-groups covariance matrix：平均组内协差阵，它是由各组的协差阵平均后得到的；◆Separate-groups covariance matrix：分别输出各个类的协差阵；◆Total covariance matrix：总体协差阵。
Function Coefficients选项栏：输出不同的判别函数系数◆Fisher’s：给出Bayes线性判别函数的系数。
（注意：这个选项不是要给出Fisher判别函数的系数。
这个复选框的名字之所以为Fisher’s，是因为按判别函数值最大进行归类这种思想是由Fisher提出来的。
这里极易混淆，请读者注意辨别。
）◆Unstandardized：给出未标准化的Fisher判别函数（即典型判别函数）的系数。
（SPSS默认给出标准化的Fisher判别函数系数）这里我们仅选择Function Coefficients选项栏中的两个选项Fisher’s和Unstandardized，以便得到所需要的Bayes判别函数和Fisher判别函数，其余选项均不作选择。
图4-2 Statistics子对话框5. 单击Classify按钮，打开Classification子对话框，如图4-3。
对话框中各选项的含义如下：Prior Probabilities选项栏：用于设定在Bayes判别法中各类的先验概率，其中All groups equal表示各类先验概率相等，Compute from group sizes表示用样本频率代替先验概率；Use Covariance Matrix选项栏：用于指定计算判别函数所使用的协差阵，其中Within-groups表示使用平均协差阵计算判别函数，而Separate-groups表示计算判别函数时使用各组自身的协差阵；Display选项栏：Casewise result选项表示输出一个判别结果表，该表中给出了每个样品的判别分数、后验概率、实际类和预测类编号等；Summary table选项表示输出错判矩阵；Leave-one-out calssification选项表示输出每个样品的分类结果，这里的分类所依据的判别函数是由除该样品之外的其它样品导出的，因此也称为“交互校验”；Plots选项栏：可以指定输出几种直观地展现分类结果的统计图。
这里，我们仅选择Display选项栏中的Summary table选项，即要求输出错判矩阵，以便从总体上把握模型的判别功效，其余均保持默认选项。
图4-3 Classification子对话框6. 单击Save按钮，打开Save子对话框，如图4-4，指定在数据文件中生成代表判别分类结果和判别函数值的新变量。
生成的新变量的含义如下：◆Predicted group membership：存放判别样品所属类别的值；◆Discriminant scores：存放Fisher判别函数值的值，有几个典型判别函数就有几个判别函数值变量；◆Probabilities of group membership：存放样品属于各类的Bayes后验概率值，总体分为几类就生成几个后验概率变量。
将对话框中的三个复选框均选中，单击Continue按钮返回。
图4-4 Save子对话框7. 返回判别分析主界面，单击OK按钮，运行判别分析过程。
（三）结果分析1. Fisher判别法的相关输出结果表4-1是Fisher判别函数的特征值表。
Eigenvalues为相应Fisher判别函数的特征值，等于判别函数值组间平方和与组内平方和之比，该值越大表明判别函数效果越好。
特征值的个数与Fisher判别函数的个数相等，由于本例中总体只有两类，所以至多有一个Fisher判别函数。
Canonical Correlation为典型相关系数，等于组间平方和与组内平方和之比的平方根。
表4-2给出了Fisher判别函数有效性检验结果。
该检验的原假设是不同组的平均Fisherp=≤，说明在0.05的显判别函数值不存在显著差异。
从表中给出的p值来看，0.000.05著性水平下有理由拒绝原假设，即应认为不同组的平均Fisher判别函数值存在显著差异，这意味着判别函数是有效的。
表4-1 Fisher判别函数特征值表4-2Fisher 判别函数有效性检验表 4-3和表 4-4分别给出了标准化的Fisher 判别函数和未标准化的Fisher 判别函数。
标准化的Fisher 判别函数是由标准化的自变量通过Fisher 判别法得到的，所以要得到标准化的Fisher 判别函数值，代入该函数的自变量必须是经过标准化的。
而未标准化的Fisher 判别函数系数由于可以将实测的样品观测值直接代入求出判别函数值，所以该系数使用起来比标准化的系数要方便一些。
由表 4-4可知，Fisher 判别函数为：123() 1.063 2.963 1.06811.856U X X X =-++X表 4-5给出了类中心处的Fisher 判别函数值，该函数值是根据未标准化的Fisher 判别函数计算的。
这样，只要根据Fisher 判别函数计算出各样品的函数值后，再比较它们分别离各类中心的距离，就可以得知它们的分类了。
表 4-3 标准化的Fisher 判别函数系数表 4-4 未标准化的Fisher 判别函数系数表 4-5 类中心处的Fisher 判别函数值2. Bayes 判别法的相关输出结果表4-6给出了各类总体的先验概率。
由于我们在Classification 子对话框的Prior Probabilities 选项栏中选择了默认的All groups equal 选项，所以系统自动给每类分配了0.5的先验概率。
表4-6 各类的先验概率表 4-7给出了Bayes 线性判别函数的系数。
表中的每一列表示样品判入相应类的Bayes 判别函数系数。
在本例中，各类的Bayes 判别函数如下：第一组：11235.59917.250 4.60912.214y X X X =-+++第二组：21237.42322.333 2.7778.118y X X X =-++-将各样品的自变量值代入上述两个Bayes 判别函数，得到两个函数值。
比较这两个函数值，哪个函数得出值比较大就可以判断该样品判入哪一类。
例如，本例中第一个待判样品公司——“国投电力”的自变量值分别为：1230.055 1.835-0.044x x x ===，，将其代入判别函数，得到：123.273-0.748y y ==，比较两个值，可以看出1 3.273y =最大，据此得出第一个待判样品应该属于第一组，即非ST 类。
表 4-7 Bayes 判别函数3. 模型的判别功效表 4-8给出了模型的错判矩阵。
从表中可以看到，在70家实际被ST 的公司中，有59家被正确地判别，11家被错判为财务正常的，正确率为84.3%；在70家财务正常的公司中，有61家被正确预测，9家被错判，正确率为87.1%；模型总的预测正确率为85.7%，说明模型的判别效果比较理想，但比二项Logistic 回归模型的判别功效（87.9%）稍差。
从表中还可以看到，5个待判样品中有4个被判定为财务正常公司，1个被判定为财务异常公司。
表 4-8 错判矩阵Classification Results a5911709617041584.315.7100.012.987.1100.080.020.0100.0是否st非STSTUngrouped cases非STSTUngrouped casesCount%Original非ST STPredicted GroupMembershipTotal85.7% of original grouped cases correctly classified.a.4. 生成的新变量由于我们在Save子对话框中选择了生成表示判别结果的新变量，所以在数据编辑窗口中，可以观察到产生的新变量，如图4-5。
