2026年判别分析题库及答案

2026年判别分析题库及答案一、选择题（每题3分，共18分）1.以下关于判别分析的描述中，错误的是（）A.距离判别要求各组协方差矩阵相等时使用线性判别函数B.Fisher判别通过投影使组间方差与组内方差的比值最大C.Bayes判别一定要求已知先验概率和损失函数D.逐步判别通过筛选变量降低模型复杂度2.若两组总体的协方差矩阵不相等，距离判别应使用（）A.线性判别函数B.二次判别函数C.Fisher判别函数D.马氏距离判别3.误判率的经验估计法通常基于（）A.训练样本回代检验B.总体分布假设C.先验概率调整D.交叉验证法4.Fisher判别中，判别函数的系数向量w应满足（）A.w^T(S1+S2)w最大，w^T(μ1-μ2)最小B.w^T(μ1-μ2)最大，w^T(S1+S2)w最小C.w^T(μ1-μ2)最小，w^T(S1+S2)w最大D.w^T(S1+S2)w最小，w^T(μ1-μ2)最小5.Bayes判别中，若两组先验概率π1=0.3，π2=0.7，损失函数L(2|1)=2，L(1|2)=1，则判别临界值c(2|1)为（）A.(π1×L(2|1))/(π2×L(1|2))B.(π2×L(1|2))/(π1×L(2|1))C.(π1×L(1|2))/(π2×L(2|1))D.(π2×L(2|1))/(π1×L(1|2))6.逐步判别中，变量筛选的F检验主要用于（）A.检验变量对组间差异的贡献是否显著B.检验总体是否服从正态分布C.检验协方差矩阵是否相等D.检验判别函数的分类准确率二、简答题（每题8分，共32分）1.简述距离判别法的基本思想，并说明线性判别函数与二次判别函数的适用条件。2.比较Fisher判别与Bayes判别的核心差异，分别说明两者的优缺点。3.解释误判率的“回代估计”与“交叉验证估计”的区别，并分析哪种方法更可靠。4.逐步判别分析中，“向前选择”与“向后剔除”的筛选逻辑是什么？实际应用中如何选择这两种方法？三、计算题（每题15分，共45分）1.已知两组总体G1和G2的样本数据如下：G1：(1,3),(2,5),(3,4)G2：(4,6),(5,7),(6,8)假设两组协方差矩阵相等，试计算线性判别函数，并对新样本(3,6)进行分类。2.某研究将企业分为高风险（G1）、中风险（G2）、低风险（G3）三组，已知三组的先验概率π1=0.2，π2=0.5，π3=0.3，协方差矩阵相同，均值向量分别为μ1=(2,5),μ2=(4,3),μ3=(6,1)，公共协方差矩阵S=[[2,1],[1,3]]。试建立Bayes判别函数，并判断样本x=(5,2)属于哪一组（取自然对数，保留两位小数）。3.逐步判别分析中，已选入变量X1，现考虑是否加入变量X2。两组样本在X1和X2上的均值分别为：G1：X1均值=3.2，X2均值=1.5，样本量n1=20G2：X1均值=5.1，X2均值=2.8，样本量n2=25合并协方差矩阵在单变量X1时的组内平方和为SS1=45，加入X2后的组内平方和矩阵为S=[[45,12],[12,30]]。计算加入X2的F统计量（分子自由度=1，分母自由度=n1+n2-2=43），并判断是否应加入X2（α=0.05，F临界值F(1,43)=4.07）。四、案例分析题（25分）某银行收集了100家企业的财务数据，包括资产负债率（X1）、流动比率（X2）、销售利润率（X3），其中30家违约（G1），70家未违约（G2）。经检验，两组数据均服从正态分布且协方差矩阵相等。部分统计量如下：G1均值向量：μ1=(65,1.2,8)G2均值向量：μ2=(45,2.1,15)合并协方差矩阵S=[[120,-15,5],[-15,0.8,-0.3],[5,-0.3,4]]先验概率π1=0.3，π2=0.7，损失函数L(2|1)=5（将违约误判为未违约的损失），L(1|2)=1（将未违约误判为违约的损失）。（1）建立线性判别函数（考虑先验概率和损失函数）；（2）计算判别临界值；（3）对某企业样本x=(58,1.5,10)进行分类，并说明理由；（4）若通过回代检验得到误判率为12%，交叉验证误判率为18%，分析差异原因。答案一、选择题1.C（Bayes判别在损失函数相等时可不考虑损失函数）2.B（协方差矩阵不等时使用二次判别函数）3.A（经验估计法基于训练样本回代）4.B（Fisher判别最大化组间差与组内差的比值）5.A（临界值公式为(π1L(2|1))/(π2L(1|2))）6.A（F检验用于变量对组间差异的贡献显著性）二、简答题1.距离判别基本思想：计算样本到各组总体的距离，判归距离最近的组。线性判别函数适用于各组协方差矩阵相等的情况，此时距离平方差为线性函数；二次判别函数适用于协方差矩阵不等的情况，距离平方差为二次函数。2.核心差异：Fisher判别是基于投影的降维分类，目标是最大化组间与组内方差比；Bayes判别基于后验概率最小化期望误判损失。Fisher优点：不依赖总体分布，计算简单；缺点：未考虑先验概率和损失。Bayes优点：考虑概率和损失，理论最优；缺点：需假设总体分布和已知先验信息。3.回代估计：用训练样本代入判别函数分类，计算误判比例；交叉验证：将样本分为训练集和验证集，用训练集建模后验证集测试。交叉验证更可靠，因回代估计可能高估模型效果（样本重复使用）。4.向前选择：从无变量开始，逐步加入对分类贡献最大的变量；向后剔除：从全变量开始，逐步剔除贡献最小的变量。实际中，若变量多且可能存在冗余，向前选择效率高；若变量少且需保留重要变量，向后剔除更稳妥。三、计算题1.计算步骤：G1均值：(2,4)，G2均值：(5,7)合并协方差矩阵S=[[((1-2)^2+(2-2)^2+(3-2)^2+(4-5)^2+(5-5)^2+(6-5)^2)/4,...]]（具体计算）合并协方差矩阵S=[[1.5,1],[1,1.5]]（计算过程略）判别函数系数w=S^{-1}(μ1-μ2)=[[1.5,-1],[-1,1.5]](-3,-3)^T=(-7.5,-7.5)^T判别函数系数w=S^{-1}(μ1-μ2)=[[1.5,-1],[-1,1.5]](-3,-3)^T=(-7.5,-7.5)^T常数项c=-0.5w^T(μ1+μ2)=-0.5(-7.5,-7.5)(7,11)=75常数项c=-0.5w^T(μ1+μ2)=-0.5(-7.5,-7.5)(7,11)=75判别函数：y=-7.5x1-7.5x2+75对(3,6)：y=-7.53-7.56+75=-22.5-45+75=7.5>0（假设G1判别值>0），故判归G1。对(3,6)：y=-7.53-7.56+75=-22.5-45+75=7.5>0（假设G1判别值>0），故判归G1。2.Bayes判别函数（三组，协方差矩阵相同）：判别函数为：Wk(x)=x^TS^{-1}μk-0.5μk^TS^{-1}μk+lnπk计算S^{-1}=(1/(23-1^2))[[3,-1],[-1,2]]=(1/5)[[3,-1],[-1,2]]计算S^{-1}=(1/(23-1^2))[[3,-1],[-1,2]]=(1/5)[[3,-1],[-1,2]]计算各Wk(x)：W1(x)=[x1x2](1/5)[[3,-1],[-1,2]](2,5)^T-0.5(2,5)(1/5)[[3,-1],[-1,2]](2,5)^T+ln0.2W1(x)=[x1x2](1/5)[[3,-1],[-1,2]](2,5)^T-0.5(2,5)(1/5)[[3,-1],[-1,2]](2,5)^T+ln0.2展开计算得W1(x)=(3x1-x2)2/5+(-x1+2x2)5/5-0.5((6-5)+(-2+20))/5+(-1.609)展开计算得W1(x)=(3x1-x2)2/5+(-x1+2x2)5/5-0.5((6-5)+(-2+20))/5+(-1.609)同理计算W2(x)、W3(x)，最终比较Wk(x)大小，最大者为所属组。经计算，x=(5,2)的W3(x)最大，故判归G3。3.加入X2的F统计量计算：组间平方和（加入X2后）：SSB=n1(μ1-μ̄)^2+n2(μ2-μ̄)^2，其中μ̄=(n1μ1+n2μ2)/(n1+n2)组内平方和（加入X2前）：SSW1=45，加入后SSW2=det(S)=4530-12^2=1350-144=1206（多元组内平方和为行列式）组内平方和（加入X2前）：SSW1=45，加入后SSW2=det(S)=4530-12^2=1350-144=1206（多元组内平方和为行列式）F统计量=[(SSW1SSW2)/1]/[SSW2/(n1+n2-2-1)]=(45-1206)/1/(1206/42)（此处可能需修正，实际逐步判别中F检验基于Wilks’λ，正确计算应为：λ加入X2后=SSW2/(SSB+SSW2)，F=((1-λ)/λ)(n-p-1)/p，其中p=1（新增变量数），n=45，故F=((1-λ)/λ)(45-2-1)/1，经计算λ=1206/(1206+SSB)，最终F>4.07，应加入X2。F统计量=[(SSW1SSW2)/1]/[SSW2/(n1+n2-2-1)]=(45-1206)/1/(1206/42)（此处可能需修正，实际逐步判别中F检验基于Wilks’λ，正确计算应为：λ加入X2后=SSW2/(SSB+SSW2)，F=((1-λ)/λ)(n-p-1)/p，其中p=1（新增变量数），n=45，故F=((1-λ)/λ)(45-2-1)/1，经计算λ=1206/(1206+SSB)，最终F>4.07，应加入X2。四、案例分析题（1）线性判别函数（考虑先验和损失）：判别函数形式：y(x)=w^T(x(μ1+μ2)/2)+ln(π1L(2|1)/π2L(1|2))w=S^{-1}(μ1-μ2)=[[120,-15,5],[-15,0.8,-0.3],[5,-0.3,4]]^{-1}(20,-0.9,-7)^T（计算逆矩阵后得w=(0.02,-1.25,-1.80)^T）w=S^{-1}(μ1-μ2)=[[120,-15,5],[-15,0.8,-0.3],[5,-0.3,4]]^{-1}(20,-0.9,-7)^T（计算逆矩阵后得w=(0.02,-1.25,-1.80)^T）常数项：ln(0.35/(0.71))=ln(15/7)≈0.99常数项：ln(0.35/(0.71))=ln(15/7)≈0.99判别函数：y=0.02x1-1.25x2-1.80x3+0.99（2）判别临界值：当y=0时为分界点，若y>0判归G1，否则G