Skip to main content
main-content

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2021 | OriginalPaper | Buchkapitel

4. Diskriminanzanalyse

verfasst von : Klaus Backhaus, Bernd Erichson, Sonja Gensler, Rolf Weiber, Thomas Weiber

Erschienen in: Multivariate Analysemethoden

Verlag: Springer Fachmedien Wiesbaden

share
TEILEN

Zusammenfassung

Die Diskriminanzanalyse ist ein multivariates Verfahren zur Analyse von Gruppenunterschieden. Sie ermöglicht es, die Unterschiedlichkeit von zwei oder mehreren Gruppen hinsichtlich einer Vielzahl von Variablen zu untersuchen. Ein weiteres Anwendungsgebiet der Diskriminanzanalyse ist die Prognose der Gruppenzughörigkeit neuer Objekte oder Personen. Die Diskriminanzanalyse im Fall von zwei und mehr Gruppen wird in diesem Kapitel beschrieben.
Fußnoten
1
Wenn wir an der Frage interessiert sind, ob sich zwei Gruppen in Bezug auf nur eine Variable unterscheiden, können wir einen t-Test für unabhängige Stichproben nutzen. Für mehr als zwei Gruppen steht uns die univariate Varianzanalyse zur Verfügung (vgl. Abschn. 3.​2.​1).
 
2
Auf der zu diesem Buch gehörigen Internetseite www.​multivariate.​de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Diskriminanzanalyse zu erleichtern und zu vertiefen.
 
3
Eine ausführlichere Diskussion der erklärten und nicht erklärten Streuung nehmen wir in Abschn. 3.​2.​1.​2 vor.
 
4
Im Zwei-Gruppen-Fall entspricht das Ergebnis von Gl. (4.5) dem Bestimmtheitsmaß R2 in der Regressionsanalyse (vgl. Abschn. 2.​2.​3.​2).
 
5
Um das Verständnis des Lesers für die Grundlagen des statistischen Testens aufzufrischen, bietet Abschn. 1.​3 eine kurze Zusammenfassung.
 
6
Hat man z. B. als beschreibende Variable den tatsächlichen „Preis“ berücksichtigt und ändert dessen Maßeinheit von EUR auf Cent, so würde sich der zugehörige Diskriminanzkoeffizient um den Faktor 100 verkleinern. Auf die Trennschärfe hat die Skalentransformation jedoch keinen Einfluss.
 
7
Auf der zu diesem Buch gehörigen Internetseite www.​multivariate.​de sind Hinweise eingestellt, wie die bedingte Wahrscheinlichkeit mit Excel berechnet werden kann.
 
8
Für das Fallbeispiel wird der gleiche Datensatz wie auch im Fallbeispiel zur logistischen Regression (vgl. Abschn. 5.​4) verwendet, um so die Gemeinsamkeiten und Unterschiede zwischen beiden Verfahren besser verdeutlichen zu können.
 
9
Auf der zu diesem Buch gehörigen Internetseite www.​multivariate.​de stellen wir ergänzendes Material zur Verfügung, um das Verstehen der Diskriminanzanalyse zu erleichtern und zu vertiefen.
 
10
Fehlende Werte sind ein häufiges und leider unvermeidbares Problem bei empirischen Erhebungen (z. B. weil Personen eine Frage nicht beantworten konnten oder wollten). Der Umgang mit fehlenden Werten in empirischen Studien wird in Abschn. 1.​1.​5.​2 dieses Buches diskutiert.
 
Literatur
Zurück zum Zitat Cooley, W., & Lohnes, P. (1971). Multivariate data analysis. New York: Wiley. Cooley, W., & Lohnes, P. (1971). Multivariate data analysis. New York: Wiley.
Zurück zum Zitat Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2. Aufl.). New York: Springer. CrossRef Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2. Aufl.). New York: Springer. CrossRef
Zurück zum Zitat Lim, T., Loh, W., & Shih, Y. (2000). A comparison of predicting accuracy, complexity, and training time of thirty-three old and new classification algorithms. Machine Learning, 44(3), 203–229. CrossRef Lim, T., Loh, W., & Shih, Y. (2000). A comparison of predicting accuracy, complexity, and training time of thirty-three old and new classification algorithms. Machine Learning, 44(3), 203–229. CrossRef
Zurück zum Zitat Michie, D., Spiegelhalter, D., & Taylor, C. (1994). Machine learning, neural and statistical classification. New York: Ellis Horwood. Michie, D., Spiegelhalter, D., & Taylor, C. (1994). Machine learning, neural and statistical classification. New York: Ellis Horwood.
Zurück zum Zitat Tatsuoka, M. (1988). Multivariate analysis – Techniques for educational and psychological research (2. Aufl.). New York: Macmillan. Tatsuoka, M. (1988). Multivariate analysis – Techniques for educational and psychological research (2. Aufl.). New York: Macmillan.
Zurück zum Zitat Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and regression trees. New York: Chapman & Hall. Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and regression trees. New York: Chapman & Hall.
Zurück zum Zitat Fisher, R. A. (1936). The use of multiple measurement in taxonomic problems. Annals of Eugenics, 7(2), 179–188. CrossRef Fisher, R. A. (1936). The use of multiple measurement in taxonomic problems. Annals of Eugenics, 7(2), 179–188. CrossRef
Zurück zum Zitat Green, P., Tull, D., & Albaum, G. (1988). Research for marketing decisions (5. Aufl.). Englewood Cliffs: Prentice Hall. Green, P., Tull, D., & Albaum, G. (1988). Research for marketing decisions (5. Aufl.). Englewood Cliffs: Prentice Hall.
Zurück zum Zitat Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and discriminant analysis (2. Aufl.). Hoboken: Wiley-Interscience. CrossRef Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and discriminant analysis (2. Aufl.). Hoboken: Wiley-Interscience. CrossRef
Zurück zum Zitat Klecka, W. (1993). Discriminant analysis (15. Aufl.). Beverly Hills: Sage Publications. Klecka, W. (1993). Discriminant analysis (15. Aufl.). Beverly Hills: Sage Publications.
Zurück zum Zitat Lachenbruch, P. (1975). Discriminant analysis. London: Springer. Lachenbruch, P. (1975). Discriminant analysis. London: Springer.
Metadaten
Titel
Diskriminanzanalyse
verfasst von
Klaus Backhaus
Bernd Erichson
Sonja Gensler
Rolf Weiber
Thomas Weiber
Copyright-Jahr
2021
DOI
https://doi.org/10.1007/978-3-658-32425-4_4