聚类分析 vs 判别分析 vs 逻辑回归

1. 图示
   观察依据

   对照表中行标签为“因变量（结果变量）？”，对应聚类分析填“否”，判别分析填“是（分组）”，逻辑回归填“是（二分类/类别型）”。

DV

对照表中的因变量／结果变量。

统计建模中的变量；依具体方法而定，可为类别型变量，也可不存在。

1. 图示
   观察依据

   对照表中行标签为“自变量（预测变量）？”，对应聚类分析填“通常为数值型”，判别分析填“数值型（等距／比率尺度）”，逻辑回归填“数值型或类别型”。

IVs

各方法所使用的自变量／预测变量。

通常为数值型预测变量；根据幻灯片内容，逻辑回归也允许使用类别型预测变量。

1. 图示
   观察依据

   逻辑回归SPSS示例输出显示：“$B = -1.4$（针对承诺度）→ 承诺度越高，离职几率越低”。

B

预测变量的非标准化逻辑回归系数。

对数几率尺度上的实数值系数。

1. 图示
   观察依据

   逻辑回归SPSS示例输出显示：“比值比（Exp(B)）= 0.24 → 承诺度每增加一个单位，离职几率降低76%”。

Exp(B)

通过对逻辑回归系数B取指数运算所得的比值比。

正实数。

1. 图示
   观察依据

   判别分析的SPSS操作步骤提示：“创建一个分组变量（例如，离职风险：0 = 低，1 = 高）。”

Turnover_Risk

分组变量用于对判别分析中已知的类别组进行编码。

分类组编码，取值为0和1。

1. 图示
   观察依据

   逻辑回归的SPSS操作步骤提示：“因变量：离职意向（编码：0 = 否，1 = 是）。”

Turnover Intention

逻辑回归中的二元因变量。

分类结果变量编码为0和1。

1. 图示
   观察依据

   幻灯片标题：“1. 聚类分析（无监督分组）”

2. 图示
   观察依据

   要点：“目标：在不预先知晓类别的情况下，将相似的个案归为一组。”

3. 图示
   观察依据

   要点：“常用方法：层次聚类、K均值聚类、两步聚类。”

4. 图示
   观察依据

   要点：“适用场景：当你的研究并非始于已知类别时。”

5. 声音
   观察依据

   讲解员指出，聚类分析属于无监督学习，旨在发现数据中自然形成的类别。

视频将聚类分析定义为一种无监督技术，其目标是在事先未知分组的情况下，将相似的样本归为一类。它将这种方法与需要预先指定分组或结果的方法进行了对比。

1. 不假设事先已知任何分组。

2. 适用于研究初始阶段不存在已知分组的情形。

1. 图示
   观察依据

   幻灯片标题：“2. 判别分析（基于假设预测组别归属）”。

2. 图示
   观察依据

   要点：“目标：在组别已知的前提下预测样本所属组别（例如，男性 vs 女性，辍学学生 vs 毕业生）。”

3. 图示
   观察依据

   要点：“假设条件：多元正态性、协方差矩阵相等。”

4. 图示
   观察依据

   要点：“判别函数：用于最优区分各组的预测变量的线性组合。”

5. 声音
   观察依据

   讲解员指出，判别分析在组别已知的前提下预测组别归属，并借助判别函数实现组间区分。

判别分析被呈现为一种有监督方法，用于预测样本在已知组别中的归属。幻灯片指出，该方法依赖于判别函数，即用于最优区分各组的预测变量的线性组合。

1. 分析前组别已确定。

2. 假设数据满足多元正态性。

3. 假设协方差矩阵相等。

1. 三种方法的宏观对比

1. 图示
   观察依据

   幻灯片标题：“3. 逻辑回归（灵活，无需正态性假设）”。

2. 图示
   观察依据

   要点：“目标：基于预测变量预测分类结果。”

3. 图示
   观察依据

   要点：“输出：比值比与预测概率。”

4. 图示
   观察依据

   要点：“二分类或多项分类：可处理2组（是/否）或多种类别（低、中、高）的结果。”

5. 图示
   观察依据

   要点：“稳健：因假设更少，比判别分析应用更广泛。”

6. 声音
   观察依据

   讲解员指出，逻辑回归用于预测分类结果，并能处理二分类或多项分类结果，且所需假设更少。

视频将逻辑回归定义为一种监督式方法，用于根据预测变量预测分类结果；强调该方法可处理二分类或多项分类结果，并因其所需假设少于判别分析而被称为更稳健的方法。

1. 结果为分类变量。

2. 根据对比表格，预测变量可以是数值型或分类型。

3. 逻辑回归未声明正态性假设。

1. 三种方法的宏观对比

1. 图示
   观察依据

   幻灯片标题：“先从宏观视角开始”

2. 图示
   观察依据

   表格对比了聚类分析、判别分析和逻辑回归在类型、因变量（结果）？、目标、自变量（预测变量）、分组是否预先已知、输出、核心用途、假设条件以及应用示例等方面的异同。

3. 声音
   观察依据

   讲解员指出，聚类分析属于无监督学习，而判别分析与逻辑回归则属于有监督学习；三者各自具有不同的目标、输出形式与假设前提。

该概览表格依据是否为有监督学习、是否需要结果变量、各自的目标、所用预测变量的类型、分组是否预先已知、输出内容、核心用途、假设条件以及典型应用场景，对这三种技术进行了系统梳理。这是本视频片段的核心概念框架。

1. 适用于入门级层次对聚类分析、判别分析和逻辑回归的比较。

1. 图示
   观察依据

   幻灯片标题：“如何在SPSS中实现？”下设子标题“一、聚类分析”

2. 图示
   观察依据

   操作步骤包括：“依次点击【分析】→【分类】→【两步聚类】”，将“组织承诺”和“离职意向”加入变量列表，让SPSS自动确定聚类数目，然后点击【确定】。

3. 声音
   观察依据

   讲解员说明，在SPSS中，聚类分析可基于组织承诺与离职意向发现不同类型的员工，并提及采用的是两步聚类法。

本片段提供了使用SPSS“两步聚类”命令执行聚类分析的具体操作流程：示例中以“组织承诺”和“离职意向”为输入变量，并由SPSS自动判定聚类数量。

1. 使用SPSS菜单路径【分析】→【分类】→【两步聚类】。

2. 示例假设没有预先设定的组别标签。

1. 聚类分析即无监督分组

1. 图示
   观察依据

   “SPSS 操作指南”下的子章节“B. 判别分析”。

2. 图示
   观察依据

   操作步骤包括创建一个分组变量，例如 Turnover_Risk：0 = 低，1 = 高；依次点击 Analyze → Classify → Discriminant；设置因变量和自变量；选择“留一法”分类；点击 OK。

3. 声音
   观察依据

   讲解员指出，在 SPSS 中进行判别分析时，需先创建分组变量，再使用判别函数。

该视频概述了 SPSS 判别分析的操作流程：首先创建已知的分组变量，然后指定因变量（即分组变量）与预测变量，最后请求“留一法”分类。结果解读部分指出，SPSS 会显示哪个变量对组间区分作用最强，并报告分类准确率。

1. 要求事先定义好分组变量。

2. 使用 SPSS 菜单路径：Analyze → Classify → Discriminant。

1. 判别分析作为有监督的组别归属预测方法

1. 图示
   观察依据

   “SPSS 操作指南”下的子章节“C. 逻辑回归”。

2. 图示
   观察依据

   操作步骤包括设置因变量：Turnover Intention（编码为：0 = 否，1 = 是），自变量：组织承诺、压力、支持；依次点击 Analyze → Regression → Binary Logistic；在 Options 中勾选 Exp(B) 的置信区间及分类图；点击 OK。

3. 声音
   观察依据

   讲解员指出，SPSS 中的逻辑回归用于预测离职可能性，输出结果包含比值比，用以说明组织承诺等因素如何影响离职几率。

本片段展示了在SPSS中执行二元逻辑回归的完整工作流程，用于预测一个已编码的二元结果变量。其中明确了因变量、自变量、菜单路径，以及可选的输出设置，例如Exp(B)的置信区间和分类图。

1. 在所示工作流程中，结果变量必须为二元变量。

2. 使用SPSS菜单路径：分析 → 回归 → 二元逻辑回归。

1. 逻辑回归作为灵活的分类结果预测方法

1. 图示
   观察依据

   对比表格中，“类型”一栏将聚类分析列为无监督方法，而判别分析与逻辑回归则列为有监督方法。

2. 声音
   观察依据

   讲解员明确指出：聚类分析是无监督方法，而判别分析与逻辑回归是有监督方法。

聚类分析是无监督方法，而判别分析与逻辑回归是有监督方法。

1. 本视频对所提及的三种方法进行了对比。

针对本片段中讨论的三种方法。

1. 图示
   观察依据

   “因变量（结果）？”这一行显示：聚类分析为“否”，判别分析为“是（分组）”，逻辑回归为“是（二元/类别型）”。

在本视频的对比中，聚类分析没有结果变量，判别分析的结果变量基于分组，而逻辑回归的结果变量为二元或类别型。

1. 使用表格中对DV的定义以及所列的三种方法。

针对概览表中比较的三种方法。

1. 图示
   观察依据

   判别分析幻灯片列出的假设包括：多元正态性和相等的协方差矩阵。

2. 图示
   观察依据

   逻辑回归幻灯片标题写明“无需正态性”，其要点指出：由于所需假设更少，因此应用更为广泛。

3. 图示
   观察依据

   对比表格中将各类方法的假设列为：聚类分析——假设较少；判别分析——需满足正态性与方差齐性；逻辑回归——无需正态性。

视频指出，判别分析需要更强的分布假设，而逻辑回归则被呈现为所需假设更少、且无需正态性。

1. 在幻灯片所展示的入门级对比范围内。

针对本视频所刻画的这些方法。

1. 图示
   观察依据

   示例输出说明：“$B = -1.4$（承诺→承诺越高，离职几率越低）”以及“比值比（Exp(B)）= 0.24→承诺每增加一个单位，离职几率降低76%”。

1. 公式

   $$B = -1.4$$
   解释

   该幻灯片给出了承诺变量的逻辑回归系数。

   步骤依据

   直接从示例输出中读取。

   视频直接表达
2. 公式

   $$Exp(B) = 0.24$$
   解释

   对应的比值比报告为0.24。

   步骤依据

   直接从示例输出中读取。

   视频直接表达
3. 公式

   $$1 - 0.24 = 0.76$$
   解释

   比值比低于1被解释为发生几率降低；幻灯片将0.24转换为承诺度每增加一个单位所对应的76%的降低幅度。

   步骤依据

   标准比值比解释，与所显示的文字一致。

   依据视频推导

更高的承诺度与更低的离职几率相关，示例中将其量化为承诺度每增加一个单位，离职几率降低76%。

1. 图示
   观察依据

   示例框：“你对健康行为开展一项调查，并使用聚类分析识别出‘健康意识强’、‘风险偏好型’和‘中立型’三类人群。”

2. 声音
   观察依据

   讲述者提到从调查数据中识别出健康意识强的个体。

利用健康行为的调查数据，发现天然分组，且不依赖预先设定的类别标签。

1. 关于健康行为的调查数据。

2. 对群体划分事先没有任何先验知识。

识别潜在群体，例如注重健康者、风险偏好者和中庸者。

1. 解释

   对无预定义类别的样本应用无监督分组方法。

   步骤依据

   符合聚类分析所声明的目标。

   视频直接表达
2. 解释

   将所得聚类解释为具有实际意义的行为细分。

   步骤依据

   幻灯片中列出了示例性的聚类解释。

   视频直接表达

聚类被概念性地标注为“注重健康者”“风险偏好者”和“中庸者”。

该示例仅作说明之用；本视频片段未提供数值验证。

1. 图示
   观察依据

   示例框：“你已有两个群体（通过考试的学生与未通过考试的学生），你想知道哪些心理变量（例如动机、焦虑）最能预测这一结果。”

2. 声音
   观察依据

   讲述者以基于心理变量预测学生学业成功为例进行说明。

在已知两类学生群体的前提下，确定哪些心理变量最能区分它们并预测个体所属类别。

1. 已知群体：通过考试的学生与未通过考试的学生。

2. 候选预测变量，例如动机和焦虑。

预测组别归属并识别最具区分力的变量。

1. 解释

   将已知的分组变量指定为结果变量。

   步骤依据

   判别分析被表述为要求事先已知各组别。

   视频直接表达
2. 解释

   利用预测变量构建一个能区分各组别的判别函数。

   步骤依据

   直接显示在幻灯片上。

   视频直接表达
3. 解释

   检查哪些变量对各组别的区分作用最强。

   步骤依据

   与视频片段后半部分SPSS解读要点一致。

   依据视频推导

一个使用心理变量构建的判别函数，用于区分通过与未通过的学生。

本示例片段中未展示任何数值结果。

1. 图示
   观察依据

   示例框：“基于创伤暴露、年龄和社会支持，预测来访者是否患有PTSD（是/否）。”

2. 声音
   观察依据

   讲述者提到的一个例子是：基于创伤暴露和社会支持预测PTSD。

基于多个预测变量预测一个二分类临床结局。

1. 结局：是否患 PTSD（是/否）。

2. 预测变量：创伤暴露、年龄、社会支持。

根据预测变量估计患 PTSD 的可能性。

1. 解释

   将结局编码为类别型变量，此处为二分类（是/否）。

   步骤依据

   符合视频片段中对逻辑回归的定义。

   视频直接表达
2. 解释

   使用预测变量拟合一个逻辑回归模型。

   步骤依据

   由方法描述及 SPSS 操作流程所隐含。

   依据视频推导
3. 解释

   报告预测概率与比值比。

   步骤依据

   列为逻辑回归的输出结果。

   视频直接表达

一种基于创伤暴露、年龄和社会支持对 PTSD 状态进行的概率性分类。

本示例未显示任何数值模型输出。

1. 图示
   观察依据

   目标：基于员工的组织承诺程度与离职意向，发现员工类型——无预先设定的组别标签。

2. 图示
   观察依据

   示例输出列出聚类1：高承诺、低离职意向（“忠诚型员工”）；聚类2：低承诺、高离职意向（“高风险员工”）；聚类3：两项指标均为中等水平（“不确定型员工”）。

3. 声音
   观察依据

   旁白指出，聚类分析有助于基于组织承诺与离职意向发现员工类型。

在无预定义标签的前提下，从组织承诺与离职意向中识别员工类型。

1. 变量：组织承诺、离职意向。

2. 无预先设定的组别标签。

生成可解释的员工聚类结果，用于员工细分及人力资源策略制定。

1. 解释

   在SPSS中依次点击“分析”→“分类”→“两步聚类”。

   步骤依据

   幻灯片上明确展示SPSS操作步骤。

   视频直接表达
2. 解释

   将组织承诺与离职意向作为输入变量添加。

   步骤依据

   幻灯片上明确的SPSS操作步骤。

   视频直接表达
3. 解释

   让SPSS自动确定聚类数量并运行该过程。

   步骤依据

   幻灯片上明确的SPSS操作步骤。

   视频直接表达
4. 解释

   将最终得到的聚类解释为忠诚员工、高风险员工和不确定员工。

   步骤依据

   见示例输出部分。

   视频直接表达

三个示例聚类：忠诚员工、高风险员工和不确定员工。

幻灯片提供了定性的聚类描述，但未提供统计诊断信息。

1. 图示
   观察依据

   目标：“利用组织承诺，以及可能的其他变量（如工作满意度或年龄），预测群体归属（例如：高离职风险 vs 低离职风险）。”

2. 图示
   观察依据

   步骤包括创建Turnover_Risk变量：0 = 低，1 = 高；设定因变量与自变量；选择留一法分类。

3. 图示
   观察依据

   解释指出，SPSS会显示哪个变量对各组的区分能力最强，并报告分类准确率。

基于组织相关变量，预测已知的低离职风险组与高离职风险组。

1. 已知的分组变量：离职风险（Turnover_Risk），其中0 = 低，1 = 高。

2. 预测变量包括组织承诺、工作满意度、年龄等。

对组别成员进行分类，并识别最强的区分变量。

1. 解释

   创建分组变量离职风险（Turnover_Risk），编码为0和1。

   步骤依据

   SPSS 中明确的第一步操作。

   视频直接表达
2. 解释

   依次点击【分析】→【分类】→【判别分析】。

   步骤依据

   SPSS 中明确的操作步骤。

   视频直接表达
3. 解释

   设置因变量 DV = 离职风险（Turnover_Risk），并将预测变量作为自变量 IVs 加入。

   步骤依据

   SPSS 中明确的操作步骤。

   视频直接表达
4. 解释

   选择“留一法”分类并运行分析。

   步骤依据

   SPSS 中明确的操作步骤。

   视频直接表达
5. 解释

   查看哪个变量对组别的区分作用最强，并检查分类准确率。

   步骤依据

   在解释部分中说明。

   视频直接表达

基于判别式的离职风险成员分类，同时识别最强的区分变量及准确率汇总。

视频片段中未显示数值型准确率。

1. 图示
   观察依据

   目标：“基于组织承诺及其他预测变量（如压力、岗位角色等）预测离职可能性。”

2. 图示
   观察依据

   步骤包括：因变量 DV：离职意向（编码为：0 = 否，1 = 是）；自变量 IVs：组织承诺、压力、支持；分析 → 回归 → 二元逻辑回归；选项中勾选 Exp(B) 的置信区间及分类图。

3. 图示
   观察依据

   示例输出：组织承诺的 B 值 = -1.4；比值比（Exp(B)）= 0.24；组织承诺每增加一个单位，离职的几率降低76%。

利用组织与心理层面的预测变量预测二元化的离职意向。

1. 因变量 DV：离职意向，编码为0 = 否，1 = 是。

2. 自变量 IVs：组织承诺、压力、支持。

通过比值比估计离职可能性，并解释各预测变量的作用效果。

1. 解释

   在 SPSS 中指定二元因变量及预测变量。

   步骤依据

   幻灯片上明确展示了SPSS的操作设置。

   视频直接表达
2. 解释

   依次点击“分析”→“回归”→“二元逻辑回归”。

   步骤依据

   幻灯片上明确列出了SPSS的菜单路径。

   视频直接表达
3. 解释

   如需，可请求Exp(B)的置信区间及分类图。

   步骤依据

   幻灯片上明确列出了各项选项。

   视频直接表达
4. 解释

   将$B = -1.4$解释为：承诺度越高，离职几率越低。

   步骤依据

   见示例输出。

   视频直接表达
5. 解释

   将Exp(B) = 0.24换算为：承诺度每提高一个单位，离职几率降低76%。

   步骤依据

   见示例输出，并符合标准比值比解释方式。

   视频直接表达

承诺度的$B = -1.4$，Exp(B) = 0.24，解释为：承诺度每提高一个单位，人员流失几率降低76%。

幻灯片本身已提供百分比解释；未展示其他模型诊断结果。

1. 图示
   观察依据

   标题页显示：“聚类分析 vs 判别分析 vs 逻辑回归”，副标题为“初学者指南............”。

2. 声音
   观察依据

   旁白欢迎观众参加本场学习，并说明本演示专为初学者设计。

1. 标题文字

2. 副标题文字

3. 装饰性几何图形

1. 静态标题持续显示在屏幕上，同时旁白介绍本次课程内容。

1. 三种方法的名称并列显示，作为本节的核心主题。

这确立了本片段的对比范围：面向初学者介绍三种统计技术。

1. 图示
   观察依据

   出现一张对比表格，其行标题依次为：特征、类型、因变量（结果）？、目标、自变量（预测变量）、分组是否预先已知？、输出、主要用途、假设条件、示例应用场景。

2. 声音
   观察依据

   旁白总结指出：聚类分析属于无监督学习，而另外两种方法属于有监督学习；三者各自具有独特的目标、输出和假设条件。

1. 三栏式方法对比表格

2. 对勾标记和叉号标记

3. 用于特征的文本行

1. 该表格替代标题页，并在讲解者阐述对比关系时保持静止。

1. 聚类分析始终置于第一列，判别分析置于第二列，逻辑回归置于第三列。

该表格以视觉方式编码了监督性、结果是否存在、目标、预测变量、输出及假设这几个方面的核心区别。

1. 图示
   观察依据

   三张连续的幻灯片分别详述聚类分析、判别分析和逻辑回归，每张均包含目标、技术／假设／输出、应用场景和示例等项目符号条目。

2. 声音
   观察依据

   讲解者按幻灯片的相同顺序逐一介绍每种方法。

1. 聚类分析幻灯片

2. 判别分析幻灯片

3. 逻辑回归幻灯片

4. 示例框

1. 幻灯片依次展示一种方法，顺序为：聚类分析 → 判别分析 → 逻辑回归。

1. 每张幻灯片均保持相同的版式：标题、项目符号列表、示例框。

这种视觉顺序强化了每种方法“先定义、后示例”的结构。

1. 图示
   观察依据

   新增一个名为“如何在 SPSS 中实现？”的章节，下设 A、B、C 三个子节，包含带编号的软件操作步骤及结果解读/示例输出。

2. 声音
   观察依据

   讲解员按相同顺序描述每种方法在 SPSS 中的操作流程。

1. SPSS 标题

2. 带编号的操作步骤

3. 示例输出的项目符号要点

1. 演示内容从概念性定义转向具体软件操作指令。

1. 顺序保持不变：聚类分析 → 判别分析 → 逻辑回归。

这一视觉过渡将抽象的方法差异映射到 SPSS 中具体的实操工作流上。

1. 图示
   观察依据

   结束页显示“谢谢观看！”和“请订阅本频道！”

2. 声音
   观察依据

   旁白感谢观众观看，并邀请他们订阅以获取更多教育内容。

1. 致谢文字

2. 订阅提示

3. 装饰性图形

1. 数学内容至此结束，幻灯片转为行动号召。

1. 未引入任何新的统计学内容。

本片段作为结束语，而非数学讲解的一部分。

1. 图示
   观察依据

   对比表格中将“聚类分析”对应的“分组是否预先已知？”一栏标记为“否”。

2. 图示
   观察依据

   聚类分析幻灯片上写着“无需事先了解分组情况”以及“当你的研究并非始于已知分组时。”

有人可能认为聚类分析像另外两种方法一样，是从已知类别出发的。

视频明确将聚类分析呈现为无监督方法，适用于事先未知分组的情形。

1. 图示
   观察依据

   判别分析幻灯片列出了其假设：多元正态性和协方差矩阵相等。

2. 图示
   观察依据

   逻辑回归幻灯片则强调自身假设更少，且不要求正态性。

初学者可能假定所有分类方法所承担的假设负担都类似。

该片段特别指出，判别分析所依赖的分布假设比逻辑回归更强。

1. 图示
   观察依据

   逻辑回归幻灯片指出，它可处理2类（是/否）或多种类别（低、中、高）的结果。

一些初学者将逻辑回归单纯等同于“是/否”预测。

视频指出，逻辑回归既能处理二分类，也能处理多项分类的类别型结果。

1. 图示
   观察依据

   宏观概览表格首先引入聚类分析，随后通过专门幻灯片对其展开说明。

2. 声音
   观察依据

   讲解员直接从概览进入聚类分析的细节内容。

概览表格包含了聚类分析的基本特征描述，随后在专门的幻灯片中展开详述。

1. 图示
   观察依据

   对比表格先列出判别分析的属性，再出现详细讲解的幻灯片。

2. 声音
   观察依据

   讲解员从概览过渡到判别分析的具体内容。

概览表格总结了判别分析的特征，后续幻灯片则进一步阐述其假设与实例。

1. 图示
   观察依据

   对比表格先列出逻辑回归的属性，再出现详细讲解的幻灯片。

2. 声音
   观察依据

   讲解员从概览过渡到逻辑回归的具体内容。

概览表格介绍了逻辑回归的作用与输出结果，专门的幻灯片随后对此展开深入说明。

1. 图示
   观察依据

   概念性聚类分析幻灯片之后，紧接一个应用相同方法的SPSS子章节。

2. 声音
   观察依据

   讲解员由理论转向“在SPSS中，聚类分析有助于发现员工类型……”

SPSS操作流程是对前述聚类分析概念定义的直接应用。

1. 图示
   观察依据

   概念性判别分析幻灯片之后，紧接一个使用分组变量与判别函数的SPSS子章节。

2. 声音
   观察依据

   旁白说道：“在SPSS中进行判别分析时，需创建一个分组变量，并使用判别函数。”

SPSS操作步骤将此前判别分析的概念定义付诸实践。

1. 图示
   观察依据

   概念性逻辑回归幻灯片之后，紧接着是SPSS子章节，内容包括二元逻辑回归及比值比输出。

2. 声音
   观察依据

   旁白说道：“SPSS中的逻辑回归用于预测员工离职可能性”，并提及比值比。

SPSS逻辑回归工作流程实现了此前关于逻辑回归的概念性描述。

1. 图示
   观察依据

   判别分析幻灯片列出了严格的假设条件；逻辑回归幻灯片则注明“无需正态性假设”且“假设更少”。

2. 声音
   观察依据

   旁白对比了判别分析的假设条件与逻辑回归的稳健性。

视频明确从假设负担与灵活性两方面对这两种监督学习方法进行了对比。

1. 图示
   观察依据

   专门介绍聚类分析定义的幻灯片。

2. 声音
   观察依据

   旁白将聚类分析定义为一种无监督的分组方法。

1. 聚类分析即无监督分组
2. 三种方法的宏观对比

1. 图示
   观察依据

   对比表格中“分组是否预先已知？”这一行，以及聚类分析幻灯片中关于“无先验知识”的表述。

1. 聚类分析即无监督分组
2. 将聚类分析与需要预定义分组的方法混淆

1. 图示
   观察依据

   判别分析幻灯片列出了多元正态性和协方差矩阵相等这两项假设。

1. 判别分析作为有监督的组别归属预测方法
2. 相对假设负担

1. 图示
   观察依据

   要点定义判别函数为：能最好地区分各组的预测变量的线性组合。

1. 判别分析作为有监督的组别归属预测方法

1. 图示
   观察依据

   逻辑回归幻灯片指出，它适用于二分类或多项分类结果，且所需假设更少。

1. 逻辑回归作为灵活的分类结果预测方法
2. s0-cr-discriminant-vs-logistic

1. 图示
   观察依据

   SPSS操作步骤显示为：分析 → 分类 → 两步聚类。

1. SPSS中聚类分析的操作流程

1. 图示
   观察依据

   SPSS操作步骤显示：先创建Turnover_Risk变量，再执行分析 → 分类 → 判别分析。

1. SPSS 判别分析操作流程

1. 图示
   观察依据

   示例输出给出 $B = -1.4$，Exp(B) = 0.24，并解释为降低76%。

1. SPSS 二元逻辑回归操作流程
2. 从系数B到比值比的解释
3. SPSS 中的逻辑回归示例：离职意向