ASUMSI ANALISIS DISKRIMINAN

Semua teknik mulivariat, analisis diskriminan berdasarkan pada angka didalam asumsi, asumsi ini menghubungkan kedua proses statistik yang terlibat didalam estimasi dan prosedur klasifikasi, serta isu yang mempengaruhi hasil interpretasi.

Ø      Dampak dari Estimasi & klasifikasi

Asumsi kunci dari fungsi diskriminan adalah multivariate normal dari variable bebas dan yang tidak diketahui akan tetapi dispersi dan struktur covarian sama didalam suatu kelompok yang didefinisikan dengan variable tidak bebas. Jika asumsi melanggar pemulihan potensial maka tidak adapat diterima atau tidak sejalan dengan kesulitan masalah, maka peneliti harus mencari metode alternative lainnya

Ø      Identifikasi atas pelanggaran asumsi

Mencapai univariate normal dari variable individu akan banyak waktu yang mencukupi untuk mencapai multivariate normal. Isu mengenai dispersi sama dari variable bebas adalah mirip homoscedasticity antara variable individu. Dalam tes umum didalam kotak M, menilai perbedaan signifikan  didalam matrik diantara kelompok. Untuk tingkatan probabilitas yang tidak signifikan, mengidentifikasikan bahwa tidak ada perbedaan diantara matrik kelompok covariance.

Ø      Dampak dalam estimasi

Data bisa tidak singkron dengan asumsi multivariate normal disebabkan karena masalah pada estimasi fungsi diskriminan. Pemulihan mungkin berdampak melalui transformasi atas pengurangan data disparities antara matrik covariance. Bagaimanapun telah banyak contoh bahwa pemulihan tidaklah efektif. Dalam situasi ini, suatu model harus divalidasi jika pengukuran yang bergantung adalah berpasangan maka regresi logistic seharusnya digunakan jika semuanya memungkinkan.

Ø      Dampak dalam klasifikasi

Matrik covariance yang tidak sama juga berdampak negative mempengaruhi proses klasifikasi, jika ukuran sample terlalu kecil dan matrik covariance tidak sama maka berdampak buruk terhadap proses klasifikasi, dalam kasus kebanyakan dimana matrik covariance tidak sama diantara kelompok ukuran sample yang memadai. Efek ini bisa diminimalisasi dengan menambahkan ukuran sample serta menggunakan kelompok covariance matrik yang spesifik untuk tujuan klasifikasi, akan tetapi tujuan cross validation adalah hasil diskriminan.

Ø      Dampak dari interpretasi

Selain karakteristik dari data yang mempengaruhi multicollinearity antara variable bebas . multicollinearity, terukur dengan toleransi, menunjukan bahwa dua atau lebih variable bebas yang berkolerasi timggi. Sehingga variable bisa dijelaskan atau diprediksi dengan variable lain dan demikian sedikit menambahkan didalam kekuatan jelas seluruh perangkat. Pertimbangan menjadi spesial kritis ketika langkah procedural. Harus sadar bahwa tingkatan dari multicollinearity berdampak menentukan variable mana dimasukkan sebagai langkah solusi.

Didalam semua teknik multivariate tugas bervariasi, dalam implicit asumsi hubungannya linear, hubungan nonlinear tidaklah menggambarkan fungsi diskriminasi kecuali variable yang spesifik yang ditarnsformasikan, dibuat untuk menampilkan efek nonlinear.