判别方法

JMP 提供以下方法来执行“判别分析”：“线性”、“二次”、“正则”和“宽线性”。前三个方法的基础模型不同。当协变量数很大时，“宽线性”方法是拟合线性模型的有效方式。

注意：您使 500 个以上的协变量进入时，“JMP 警示”建议您切换到“宽线性”方法。这是因为在列数过多时使用其他方法，计算时间会相当长。点击宽线性，许多列可切换到“宽线性”方法。点击继续可使用您最初选定的方法。

图 5.7 “线性”、“二次”和“正则”判别分析 

在Figure 5.7 中举例说明了“线性”、“二次”和“正则”方法。在此处简要介绍一下这些方法。请参见保存的公式。

线性，共同协方差

执行线性判别分析。该方法假定组内协方差矩阵是相等的。请参见线性判别方法。

二次，不同协方差

执行二次判别分析。该方法假定组内协方差矩阵不同。该方法需要估计比线性方法更多的参数。若组样本大小很小，则可能得到不稳定的估计值。请参见二次判别方法。

若协变量在 X 变量的各水平之间保持不变，则它在组内协方差矩阵中的相关元素的协方差为零。为了使矩阵可以求逆，零协方差被替换为相应的合并组内协方差。完成后，一条注释会显示在报表窗口中，标识有问题的协变量和 X 的水平。

提示：二次方法的缺点在小数据集中显露出来。它很难构造可逆且稳定的协方差矩阵。正则法在允许组间差异的基础上改善了以上问题。

正则，折衷方法

当组内协方差矩阵不同时提供使估计值稳定的两种方法。当组样本大小很小时该选项很有用。请参见正则，折衷方法和正则判别方法。

宽线性，许多列

基于很多协变量拟合模型时很有用，此时使用其他方法计算会很困难。该方法假定所有组内协方差矩阵是相等的。该方法使用奇异值分解方法来计算合并的组内协方差矩阵的逆矩阵。请参见宽线性算法的说明。

注意：使用“宽线性”选项时，通常为其他判别方法显示的几个功能不可用。这是因为该算法不显式计算很大的合并组内协方差矩阵。

正则，折衷方法

正则判别分析由两个非负参数确定。

• 第一个参数（Lambda，收缩到共同协方差）指定如何混合单个协方差矩阵和组协方差矩阵。对于该参数，1 对应于线性判别分析，0 对应于二次判别分析。

• 第二个参数（Gamma，收缩到对角线）是一个乘数，指定对非对角元素（各变量上的协方差）应用多少缩小量。若您选择 1，则强制协方差矩阵为对角矩阵。

为这两个参数都赋值 0 与请求执行二次判别分析的效用相同。类似地，为 Lambda 赋值 1 并为 Gamma 赋值 0 表示请求线性判别分析。使用Table 5.1 帮助您决定正则化。有关线性、二次和正则判别分析的示例，请参见Figure 5.7。