Analisis Diskriminan

Apa itu Analisis Diskriminan?

Analisis Diskriminan mengacu pada teknik statistik yang dapat menentukan keanggotaan kelompok berdasarkan kumpulan prediktor metrik yang merupakan variabel independen. Fungsi utama dari teknik ini adalah untuk menugaskan setiap pengamatan ke kelompok atau kategori tertentu sesuai dengan karakteristik data yang independen.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel untuk Di-Hyperlink
Misalnya: Sumber: Analisis Diskriminasi (wallstreetmojo.com)

Sebuah teknik untuk mengklasifikasikan data, analisis diskriminan bekerja dengan tanggapan atas pertanyaan yang diajukan dalam bentuk variabel dan faktor lain yang berfungsi sebagai prediktor. Ini juga digunakan untuk mencari kontribusi setiap parameter dalam membagi kelompok. Mengidentifikasi satu atau lebih kombinasi linier dari variabel yang telah dipilih adalah bagaimana analisis diskriminan bekerja.

Takeaway kunci

Model untuk menentukan keanggotaan dalam suatu kelompok dapat dibangun dengan menggunakan analisis diskriminan.
Model terdiri dari fungsi diskriminan atau, untuk lebih dari dua kelompok, satu set fungsi diskriminan yang didasarkan pada hubungan linier dari variabel prediktor yang memberikan diskriminasi terbaik antara kelompok.
Ada dua jenis analisis diskriminan: linier dan kuadrat.
Jika ada lebih dari dua grup, model akan terdiri dari fungsi diskriminan.

Analisis Diskriminan Dijelaskan

Analisis diskriminan (DA) adalah teknik multivariat yang digunakan untuk membagi dua atau lebih kelompok pengamatan (individu) berdasarkan variabel yang diukur pada setiap unit percobaan (sampel) dan untuk menemukan dampak dari setiap parameter dalam membagi kelompok.

Selain itu, prediksi atau alokasi pengamatan yang baru ditentukan ke kelompok yang ditentukan sebelumnya dapat diperiksa menggunakan fungsi linier atau kuadrat untuk menetapkan setiap individu ke dalam kelompok yang ada. Ini dapat dilakukan dengan menentukan kelompok mana yang dimiliki setiap individu.

Suatu sistem untuk menentukan keanggotaan dalam suatu kelompok dapat dibangun dengan menggunakan analisis diskriminan. Metode ini terdiri dari fungsi diskriminan (atau, untuk lebih dari dua grup, satu set fungsi diskriminan) yang didasarkan pada kombinasi linier dari variabel prediktor yang menawarkan diskriminasi terbaik di antara grup. Jika ada lebih dari dua grup, model akan terdiri dari fungsi diskriminan. Setelah fungsi telah dibangun menggunakan contoh contoh yang keanggotaan grupnya diketahui, mereka dapat diterapkan pada kasus baru yang berisi pengukuran untuk variabel prediktor tetapi keanggotaan grupnya tidak diketahui.

Asumsi

Sampel harus bebas satu sama lain dan independen.
Variabel yang digunakan sebagai prediktor harus memiliki distribusi normal multivariat, dan matriks varians-kovarians untuk setiap kelompok harus sama.
Hal ini diduga bahwa kasus tidak dapat berhubungan dengan lebih dari satu kelompok karena keanggotaan kelompok dianggap saling eksklusif (yaitu, tidak ada kasus milik lebih dari satu kelompok) (yaitu, semua kasus adalah anggota dari suatu kelompok).
Jika keanggotaan kelompok didasarkan pada nilai variabel kontinu, maka pertimbangkan untuk menggunakan regresi linier untuk memanfaatkan informasi yang lebih kaya yang ditawarkan oleh variabel konstanta. Prosedur ini paling efektif ketika keanggotaan kelompok benar-benar merupakan variabel kategorikal.

Jenis

linier dan kuadrat adalah dua jenis teknik statistik yang dikenal sebagai analisis diskriminan.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Analisis Diskriminan (wallstreetmojo.com)

#1 – Analisis Diskriminan Linear

Sering dikenal sebagai LDA, adalah pendekatan terawasi yang mencoba untuk memprediksi kelas Variabel Dependen dengan memanfaatkan kombinasi linear dari Variabel Independen. Hal ini didasarkan pada hipotesis bahwa variabel independen memiliki distribusi normal (kontinu dan numerik) dan bahwa setiap kelas memiliki varian dan kovarian yang sama. Baik klasifikasi maupun reduksi persyaratan dapat dicapai dengan bantuan metode ini.

#2 – Analisis Diskriminan Kuadrat

Ini adalah subtipe Analisis Diskriminan Linear (LDA) yang menggunakan kombinasi kuadrat dari variabel independen untuk memprediksi kelas variabel dependen. Asumsi distribusi normal dipertahankan. Bahkan jika tidak menganggap bahwa kelas memiliki kovarian yang sama. QDA menghasilkan batas keputusan kuadrat.

Aplikasi

Tidak hanya mungkin untuk memecahkan masalah klasifikasi menggunakan analisis diskriminan. Hal ini juga memungkinkan untuk menetapkan keinformatifan dari karakteristik klasifikasi tertentu dan membantu dalam memilih seperangkat parameter geofisika atau metodologi penelitian yang masuk akal.

Bisnis menggunakan analisis diskriminan sebagai alat untuk membantu mengumpulkan makna dari kumpulan data. Hal ini memungkinkan perusahaan untuk mendorong solusi inovatif dan kompetitif yang mendukung pengalaman konsumen, kustomisasi, periklanan, membuat prediksi, dan banyak tujuan strategis umum lainnya.

Fungsi sumber daya manusia adalah untuk mengevaluasi kinerja pekerjaan kandidat potensial dengan menggunakan informasi latar belakang untuk memprediksi seberapa baik kinerja kandidat setelah dipekerjakan.

Berdasarkan banyak metrik kinerja, fasilitas industri dapat memperkirakan kapan komponen mesin individu mungkin gagal atau memerlukan perawatan.

Kemampuan mengantisipasi tren pasar yang akan berdampak pada produk atau jasa baru diperlukan untuk penjualan dan pemasaran.

Contoh

Mari kita perhatikan contoh di mana analisis diskriminan dapat digunakan.

Pertimbangkan bahwa Anda bertanggung jawab atas departemen pinjaman di bank ABC. Manajer bank meminta Anda menemukan cara yang lebih baik untuk memberikan pinjaman sehingga utang buruk dan gagal bayar berkurang. Anda memiliki latar belakang manajemen keuangan, jadi Anda memutuskan untuk menggunakan analisis diskriminan untuk memahami masalahnya dan menemukan solusinya.

Pembuatan profil risiko kredit untuk pelanggan yang sudah ada oleh departemen pinjaman bank untuk menentukan apakah pemohon pinjaman baru menimbulkan risiko kredit adalah contoh kanonik dari analisis keuangan dinamis. Contoh lain termasuk menentukan apakah konsumen baru akan melakukan pembelian atau tidak, apakah mereka akan setia atau tidak pada merek tertentu, apakah pendekatan penjualan akan memiliki tingkat keberhasilan yang buruk, sedang, atau kuat, atau kategori pembeli baru mana yang akan jatuh ke dalam.

Selain itu, ini menunjukkan prediktor mana yang paling membedakan (memiliki bobot diskriminatif tertinggi), atau, dengan kata lain, dimensi mana yang paling efektif membedakan segmen konsumen ini satu sama lain, serta alasan mengapa responden jatuh ke dalam satu kelompok yang bertentangan dengan kelompok lain. Singkatnya, ini adalah metode untuk mengkategorikan, membedakan, dan membuat profil individu atau kelompok.

Analisis Diskriminan vs. Regresi Logistik

Ketika variabel dependen dikotomis, regresi logistik (LR) adalah metode pilihan. Namun, ketika nominal, analisis diskriminan (DA) adalah metode pilihan (lebih dari dua kelompok).
LR akan mengambil variabel prediktor kontinyu dan kategorikal. DA hanya akan menerima prediktor berkelanjutan (atau dummy) dan tidak akan menerima prediktor kategori apa pun.
Ketika asumsi DA yang lebih ketat tidak terpenuhi. LR lebih disukai daripada DA sebagai metode analisis (LR membutuhkan lebih sedikit asumsi).
DA memerlukan normalitas multivariat, sedangkan LR dapat mentolerir penyimpangan yang signifikan dari nilai variabel yang diharapkan.
Dibandingkan dengan DA, LR dapat digunakan untuk berbagai masalah penelitian yang lebih luas.
Di LR, variabel tiruan dihasilkan atas nama Anda secara otomatis, sedangkan di DA, peneliti bertanggung jawab untuk memproduksinya.

Analisis Diskriminan vs Analisis Cluster

Berbeda dengan analisis diskriminan yang menggambarkan pembelajaran terawasi, analisis klaster menggambarkan pembelajaran tanpa pengawasan.
Kategori objek tidak diketahui saat melakukan analisis cluster. Kategori objek sudah ditetapkan sebelum memulai analisis diskriminan.
Dalam proses analisis cluster, aturan kategorisasi disajikan. Analisis diskriminan tidak memberikan aturan kategorisasi.
Tujuan dari pelatihan analisis klaster adalah untuk mengenal setiap kategori item. Tujuan pelatihan analisis diskriminan adalah untuk mengenal aturan klasifikasi.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu analisis diskriminan linier?

Diskriminan linier Fisher digunakan dalam statistik dan bidang lain untuk menemukan kombinasi linier fitur yang mencirikan atau membedakan setidaknya dua kelas objek atau peristiwa. Analisis diskriminan linier diyakini sebagai versi generalisasi diskriminan linier Fisher. Ini berusaha untuk menemukan kombinasi linier seperti itu.

Apa itu analisis diskriminan kuadrat?

Contoh yang baik dari model generatif adalah analisis diskriminan kuadrat (QDA). QDA mengasumsikan bahwa distribusi setiap kelas adalah Gaussian. Prior khusus kelas hanyalah persentase dari total poin data yang dapat ditugaskan ke kelas tertentu itu. Rata-rata variabel masukan yang diasosiasikan dengan kelas tertentu merupakan vektor rata-rata spesifik kelas.

Bagaimana cara kerja analisis diskriminan linier?

Metode Linear Estimasi kemungkinan bahwa satu set input baru milik masing-masing kelas dapat diperoleh dengan analisis diskriminan. LDA menghasilkan prediksi dengan menaksir kemungkinan set input baru milik setiap kelas. Probabilitas ini kemudian digunakan untuk membuat keputusan. Kelas yang mencapai probabilitas tertinggi ditetapkan sebagai kelas keluaran, dan kesimpulan dapat ditarik dari data tersebut. Setiap klasifikasi analisis diskriminan dapat digunakan untuk mendapatkan hasil.

Artikel yang Direkomendasikan

Artikel ini telah menjadi panduan Analisis Diskriminan dan Penjelasannya. Di sini, kami menjelaskan konsep dengan Asumsi, Jenis, Aplikasi, dan Contoh. Anda juga dapat menemukan beberapa artikel statistik yang bermanfaat di sini: