Помогите, пожалуйста, разобраться с дискриминантым анализом. Например, из 20 переменных, у меня в модель , после 7 шагов было включено нес-ко пременных ,но почему они был вкл. в модель ,Если только 2 из них стат. достоверны.?
Читаю определение толерантности переменной - Значение толерантности переменной вычисляется как 1 минус R-квадрат. Поэтому значение толерантности является мерой избыточности переменной. Я просто не могу понять, что значит избыточность переменной?

Корректный оборот выглядит так: "статистически значимы на, н-р, 5%-ном уровне значимости". На 1% -ном уровне они все незначимы.

А вы чего, собственно, хотели? Количество переменнных в модели ( ее спецификацию) определяет исследователь. Статпакет честно (и очень быстро) оценивает то, что ему предложили оценить. А потом вежливо намекает вам, что переменные, не дотягивающие до порога отсечения (F-remove) можно безболезненно удалить, поскольку толку от них никакого. Сам он решений за вас не принимает и ничего из модели не выкидывает.



Это надо понимать буквально: статистически незначимый параметр модели ничего не объясняет в дисперсии зависимой переменной.
Просто при усложнении модели R2 никогда не уменьшается, однако степени свободы при этом расходуются. Поэтому и ориентируются в таких случаях на скорректированный R2.

а почему они не значимы на 1% уровне?


Да, но он оставил в моделе переменные, которые не стат.достоверно могут оказывать влияние. я просто подумал, что конечная модель должна включать в себя переменные, которые оказывают влияние, говоря по-детски , те что красненьким помечаются.

Так я правильно понимаю, что избыточность это мера корреляции 2х переменных, т.к. если они коррелируеют с друг другом сильно положительно, то они измеряют что-то одно.

да и такой момент
на картинке мы видим ,что первый корень наиболее нагружен переменной Х1=1,0107 и переменной х2=-0,44
таблица средних канонических переменных показывает, что первый корень больше дисриминирует Номинативную переменную под кодом 3. =-1,609
Правильно ли интерпретировать это так, что чем больше выражен признак Х1 и меньше Х2, тем более вероятно, что они характеризуют Номинативную переменную под кодом 3.

А все потому, что достигаемый уровень значимости (p-value) > .01.



Правильно подумали, только после того, как пакет выдал вам протокол оценивания модели с 7 параметрами, 5 из которых статистически незначимы, вы сами выбрасываете их из модели и переоцениваете ее для оставшихся двух.



Ну, предположим на мгновение, что длина носа "сильно положительно" коррелирует с длиной пениса. Какое такое "одно" они при этом "измеряют"?
Избыточность параметра модели - это степень его ненужности для целей объяснения дисперсии зависимой переменной.

Вас что, злые преподаватели/родители/старослужащие/сокамерники (нужное подчеркнуть) оставили наедине со статистическим пакетом, и вы пытаетесь понять, что от вас хотят?

Вообще-то в дискриминантном анализе единицей статистического наблюдения является объект, и линейная комбинация дискриминантных переменных являет собой дискриминантную функцию, которая дискриминирует (разделяет) классы, к которым принадлежит объект (т.е. распознавание образов с учителем, т.е. обучающей выборкой). При этом дискриминантные переменные вовсе не должны объяснять друг друга.

Это было сказано сверх понятно



Знаете, тут вы почти в точку. Преподы не любят, когда их беспокоят студенты, т.к. по умолчанию, все что перпод наговорил на только ему понятно языке.
Я просто стал читать как р-ты интерпретировать на примере интерпретаций р-тов хелпа по статистике.
http://statosphere.ru/blog/125-discriminant.html

там на примере цветов Фишера была показано интерпретация


Можете этот отрывать легко найти. Просто нажмите F3 и вставьте текст.

я делал по аналогии.
например, там видно, что первый корень отличает цветы Setosa, а второй корень Versicol , так как у них веса большие.
Т.о. я также стал это описывать.

Хотя вообще меня напрягает не понимание, что значит отрицательный вес?

Конт, я же вас по-доброму просил напрягать извилину. Ибо извилина от неупотребления ржавеет сильнее, чем изнашивается от частого употребления.

Вы вешаете цитату, в которой русским по белому написано, как интерпретируются различия канонических средних. Скажите, пожалуйста, с каких это пор средние по группам называются "весами"?
Скорее уж весами являются стандартизированные коэффициенты канонических переменных.
А то, что вы назвали весами, на самом деле представляют собой центры тяжести многомерных выборок - центроиды.

Из цытаты следует, что если среднее канонических переменных по 1-ой дискриминантной функции (ДФ) (-1,609) (которая, кстати, вносит наибольший вклад в дискриминацию классов(групп))
сильнее всего отличается для группы 3 ( русский перевод G_3:5), то первая ДФ сильнее всего различает именно третью группу и в меньшей степени G_4:6.
Вторая дискриминантная функция, в основном, дискриминирует группу G_4:6 и в меньшей степени группу G_1:3.
От третьей ДФ во всех смыслах толку мало.