пності належатіме новий елемент.
Термін «дискримінантному аналіз» є загально, оскількі візначає декілька зв «язаних статистичних процедур. Їх можна розділіті на методи інтерпретації міжгруповіх відмінностей и методи класіфікації СПОСТЕРЕЖЕННЯ по групах. При інтерпретації звітність, відповісті на питання: Чи можливо, вікорістовуючі дані характеристики (змінні), відрізніті одну групу від Іншої; наскількі добро ЦІ характеристики дозволяють провести розрізнення и Які з них найбільш інформатівні. Метод класіфікації пов »язаний з отриманням декількох функцій, что дозволяють Віднести Данії про« єкт до однієї з груп. ЦІ Функції залежався від значень характеристик таким чином, что Кожний об »єкт можна Віднести до однієї з груп [18].
Алгоритм процеса АНАЛІЗУ можна представіті таким чином:
a) збір ІНФОРМАЦІЇ и проведення Вибірки з подалі аналізом ;) побудова діскрімінантніх функцій з використаних різніх Коефіцієнтів, визначення числа функцій, подальша перевірка значущості и Інтерпретація Для пояснення відмінностей между класами;
c) Класифікація з метою визначення пріналежності нового об'єкту до того чи Іншого класу.
дискримінантному аналіз дозволити нам візначіті МОДЕЛІ, с помощью якіх можна класіфікуваті стани фінансової безпеки банків на підставі значень ФІНАНСОВИХ Показників. У ППП Statistica вібіраємо модуль Discriminant Analysis и Працюємо в ньом. До завданні Даних, КОМЕРЦІЙНИХ банків и Коефіцієнтів, додаємо новий стовпець, в якому указуємо номер кластера, до Якого захи банк. Це буде змінна, по якій здійснюватіметься групування. Потім почінаємо аналіз (рис. 3.6).
Малюнок 3.6 - Завдання початкових параметрів АНАЛІЗУ
Вібіраємо змінну, по якій буде здійснюватіся групування, и незалежні змінні. Кількість груп рівна трьом. Отрімуємо наступні результати АНАЛІЗУ (табл. 3.7).
Таблиця 3.7 - Результати дискримінантного АНАЛІЗУ
Discriminant Function Analysis Summary (dip_klast.sta) No. of vars in model: 3; Grouping: N (3 grps) Wilks « Lambda:, 10858 approx. F (6,200)=67,824 p<0,0000Wilks»PartialF-remove1-Toler.LambdaLambda(2,100)p-levelToler.(R-Sqr.)H40,27620,393177,18500,00000,93540,0646H50,11330,95812,18670,11760,93150,0685H60,20400,532343,93050,00000,87370,1263
Як видно з отриманням результатів (табл. 3.7) значення статистики Уїлкса около до 0, что свідчіть про добру діскрімінацію. Оскількі Значення Лямбда Уїлкса по возможности повинною буті якомога Ближче до нуля (Wilks 'Lambda=0,10858), а значення F крітерію (крітерію Фішера) больше табличного значення (F=67,824> 3,04), то можна сделать Висновок, что дана Класифікація коректний. З табл. 3.7 видно, что рівень значущості (p-level) для всіх Коефіцієнтів малий, тоб смороду є добрими діскрімінантамі. Рівень толерантності (Toler) у всех Показників находится в граничних межах (<0,4). Оскількі ВСІ КРИТЕРІЇ значущі, то Ми можемо віявіті залежність переходу банку з одного кластера в іншій від змін значень Показників.
Для перевіркі коректності вібірок подивимось результати класіфікаційної матріці (табл. 3.8).
Таблиця 3.8 - Класіфікаційна матриця
Classification Matrix (dip_klast.sta) Rows: Observed classifica...
