Analiza dyskryminacyjna – funkcje dyskryminacyjne, klasyfikacja i interpretacja

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 15 października 2026

Co to jest analiza dyskryminacyjna?

Analiza dyskryminacyjna (ang. discriminant analysis), w najczęstszej wersji liniowa (LDA, ang. linear discriminant analysis), szuka takich liniowych kombinacji zmiennych – funkcji dyskryminacyjnych – które najlepiej rozróżniają z góry znane grupy. Jej początki sięgają klasycznego artykułu Fishera (1936) o wykorzystaniu wielu pomiarów jednocześnie do rozwiązywania problemów klasyfikacyjnych.

W polskojęzycznym omówieniu Radkiewicz (2010) wskazuje dwa zastosowania funkcji dyskryminacyjnej: wyjaśnianie różnic między grupami (dyskryminacja) i przypisywanie obserwacji do grup (klasyfikacja). Sherry (2006) przedstawia opisową analizę dyskryminacyjną jako alternatywę dla serii porównań grup w badaniach psychologicznych, a Boedeker i Kearns (2019) – jej predykcyjne zastosowanie: przewidywanie przynależności grupowej z oceną trafności klasyfikacji. W psychologii klinicznej pytanie może brzmieć: które objawy najlepiej odróżniają osoby z depresją, z zaburzeniem lękowym uogólnionym (GAD) i bez zaburzeń?

Analiza dyskryminacyjna różni się od analizy skupień tym, że grupy są znane. Od analizy głównych składowych różni ją cel: PCA szuka kombinacji zmiennych o największej wariancji ogółem, a analiza dyskryminacyjna – kombinacji, które najbardziej różnicują grupy.

Funkcja dyskryminacyjna i jej ocena

Funkcja dyskryminacyjna to ważona suma predyktorów:

Wagi dobiera się tak, by stosunek wariancji międzygrupowej do wewnątrzgrupowej wyniku D był jak największy. Przy g grupach i p predyktorach można wyznaczyć najwyżej min(g − 1, p) funkcji: przy trzech grupach – dwie. Każdą funkcję opisują:

• wartość własna – stosunek zmienności międzygrupowej do wewnątrzgrupowej na danej funkcji i jej odsetek w sumie wartości własnych („wariancja międzygrupowa wyjaśniona” przez funkcję);
• korelacja kanoniczna r_c – związek funkcji z przynależnością do grupy;
• lambda Wilksa (Λ) z testem χ² – sprawdza, czy funkcje (od k-tej do ostatniej) różnicują grupy istotnie; Λ bliska 0 oznacza silne różnicowanie.

Do interpretacji służą dwa rodzaje współczynników. Standaryzowane współczynniki funkcji pokazują wkład zmiennej przy kontroli pozostałych, ale przy skorelowanych predyktorach bywają niestabilne. Współczynniki struktury to korelacje predyktorów z funkcją – mówią, co funkcja „mierzy”.

Założenia analizy dyskryminacyjnej

• Wielowymiarowy rozkład normalny predyktorów w każdej grupie; analiza jest dość odporna na umiarkowane odstępstwa przy podobnych liczebnościach grup.
• Jednorodność macierzy kowariancji w grupach – wielowymiarowy odpowiednik homogeniczności wariancji, sprawdzany testem M Boxa; test jest bardzo czuły w dużych próbach. Przy wyraźnie różnych macierzach rozważ kwadratową analizę dyskryminacyjną.
• Brak silnej współliniowości predyktorów.
• Brak wielowymiarowych obserwacji odstających – sprawdzisz je odległością Mahalanobisa.
• Wystarczające liczebności – najmniejsza grupa powinna być wyraźnie większa niż liczba predyktorów.

Przykład: depresja, GAD i grupa kontrolna

Trzy grupy po 60 osób – z rozpoznaniem depresji, z rozpoznaniem GAD i bez zaburzeń – wypełniły cztery kwestionariusze: ruminacji, zamartwiania się, anhedonii i pobudzenia somatycznego (dane symulowane). Średnie w grupach przedstawia tabela.

Test M Boxa nie wskazał na różnice macierzy kowariancji, χ²(20) = 10.72, p = .953. Obie funkcje dyskryminacyjne okazały się istotne. Dla funkcji 1–2: Λ = .197, χ²(8) = 285.04, p < .001; dla samej funkcji 2: Λ = .521, χ²(3) = 114.30, p < .001. Pierwsza funkcja wyjaśnia 64.2% wariancji międzygrupowej (wartość własna 1.65, r_c = .79), druga – 35.8% (wartość własna 0.92, r_c = .69).

Interpretacja wynika ze współczynników struktury i centroidów. Pierwsza funkcja przeciwstawia anhedonię (.36) i – słabiej – ruminację (.13) zamartwianiu się (−.55) i pobudzeniu (−.48): odróżnia depresję (centroid 1.37) od GAD (−1.70), a grupa kontrolna leży pośrodku (0.33). Druga funkcja koreluje dodatnio ze wszystkimi predyktorami (.46–.76) – to ogólne nasilenie objawów, które odróżnia obie grupy kliniczne (0.87 i 0.45) od grupy kontrolnej (−1.32).

Klasyfikacja i macierz pomyłek

Każdą osobę można przypisać do grupy o najwyższym prawdopodobieństwie a posteriori, które łączy wyniki funkcji z prawdopodobieństwami a priori – tu równymi, po 1/3. Boedeker i Kearns (2019) omawiają w tym kontekście wybór prawdopodobieństw a priori i walidację krzyżową jako elementy oceny klasyfikacji. Klasyfikacja na tej samej próbie, na której oszacowano funkcje, jest zbyt optymistyczna: tu dała 86.7% trafień. W walidacji krzyżowej typu „zostaw jedną obserwację” (ang. leave-one-out) każdą osobę klasyfikuje się funkcjami oszacowanymi bez niej.

W tej macierzy pomyłek poprawnie sklasyfikowano 153 ze 180 osób, czyli 85.0%, wobec 33.3% oczekiwanych przy losowym przydziale. Indeks I Huberty’ego – jedna z miar oceny klasyfikacji omawianych przez Boedekera i Kearnsa (2019) – mierzy poprawę względem przypadku i wynosi tu .775. Najczęstszy błąd to mylenie grupy kontrolnej z depresją – na rysunku te osoby leżą między centroidami.

Analiza dyskryminacyjna a regresja logistyczna i MANOVA

Regresja logistyczna jest bardziej elastyczna: przyjmuje predyktory kategorialne i nie wymaga normalności. Gdy założenia LDA są spełnione, obie metody klasyfikują zwykle podobnie – w naszym przykładzie wielomianowa regresja logistyczna dała w walidacji krzyżowej 83.9% trafień wobec 85.0% dla LDA.

Z MANOVA analiza dyskryminacyjna dzieli rachunek: w przykładzie MANOVA daje tę samą lambdę Wilksa, Λ = .197, F(8, 348) = 54.49, p < .001. MANOVA odpowiada jednak tylko na pytanie, czy grupy się różnią, a analiza dyskryminacyjna pokazuje, na jakich wymiarach. Warne (2014) wskazuje opisową analizę dyskryminacyjną jako właściwą procedurę post hoc po istotnej MANOVA – choć w publikacjach stosowaną rzadko.

Jak opisać analizę dyskryminacyjną w pracy (APA)

Gdy analiza ma przede wszystkim przewidywać przynależność do grup, dołącz macierz pomyłek z walidacji krzyżowej. Szerzej o raportowaniu modeli klasyfikacyjnych piszemy we wpisie regresja logistyczna: założenia, interpretacja i raportowanie.

library(MASS)      # lda()

# Dane symulowane: 3 grupy po 60 osób, 4 kwestionariusze
set.seed(48)
srednie <- rbind(kontrolna = c(ruminacja = 40, zamartwianie = 42, anhedonia = 20, pobudzenie = 22),
                 depresja  = c(56, 52, 31, 25),
                 GAD       = c(50, 63, 23, 33))
R <- matrix(.35, 4, 4); diag(R) <- 1                       # korelacje wewnątrzgrupowe
SD <- c(9, 9, 5, 6)
dane <- do.call(rbind, lapply(rownames(srednie), function(g) data.frame(
  grupa = g, mvrnorm(60, mu = srednie[g, ], Sigma = diag(SD) %*% R %*% diag(SD)))))
dane$grupa <- factor(dane$grupa, levels = rownames(srednie))
dane[, -1] <- round(dane[, -1])
aggregate(. ~ grupa, data = dane, FUN = function(x) round(mean(x), 2))

# 1. Liniowa analiza dyskryminacyjna (prawdopodobieństwa a priori równe)
lda1 <- lda(grupa ~ ., data = dane, prior = rep(1 / 3, 3))
lda1$svd^2 / sum(lda1$svd^2)                          # odsetek wariancji międzygrupowej (LD1, LD2)

# 2. Istotność funkcji: lambda Wilksa z testem chi-kwadrat Bartletta
N <- nrow(dane); p <- 4; g <- 3
wl <- lda1$svd^2 * (g - 1) / (N - g)                  # wartości własne
rc <- sqrt(wl / (1 + wl))                             # korelacje kanoniczne
for (k in 1:2) {
  L  <- prod(1 / (1 + wl[k:2]))
  chi <- -(N - 1 - (p + g) / 2) * log(L)
  df <- (p - k + 1) * (g - k)
  print(round(c(funkcje_od = k, wartosc_wlasna = wl[k], r_kan = rc[k], lambda = L, chi2 = chi, df = df,
                p = pchisq(chi, df, lower.tail = FALSE)), 4))
}

# 3. Standaryzowane współczynniki i współczynniki struktury (korelacje wewnątrzgrupowe)
X <- as.matrix(dane[, -1])
Sw <- Reduce(`+`, lapply(split(as.data.frame(X), dane$grupa), function(x) cov(x) * (nrow(x) - 1))) / (N - g)
round(lda1$scaling * sqrt(diag(Sw)), 3)
wyniki <- predict(lda1)$x
wsr <- function(M) M - apply(M, 2, function(k) ave(k, dane$grupa))     # odjęcie średnich grup
round(cor(wsr(X), wsr(wyniki)), 3)
round(aggregate(wyniki, by = list(grupa = dane$grupa), FUN = mean)[, -1], 3)   # centroidy grup

# 4. Klasyfikacja: na tej samej próbie i w walidacji krzyżowej (leave-one-out)
table(prawdziwa = dane$grupa, przewidziana = predict(lda1)$class)
cv <- lda(grupa ~ ., data = dane, prior = rep(1 / 3, 3), CV = TRUE)
tab_cv <- table(prawdziwa = dane$grupa, przewidziana = cv$class)
tab_cv
trafnosc <- sum(diag(tab_cv)) / N
round(c(trafnosc = trafnosc, I_Hubertyego = (trafnosc - 1 / 3) / (1 - 1 / 3)), 3)

      grupa ruminacja zamartwianie anhedonia pobudzenie
1 kontrolna     40.42        41.05     20.18      21.98
2  depresja     56.12        51.00     30.47      25.12
3       GAD     49.82        63.55     23.25      32.82
[1] 0.6419021 0.3580979
    funkcje_od wartosc_wlasna          r_kan         lambda           chi2 
        1.0000         1.6456         0.7887         0.1971       285.0425 
            df              p 
        8.0000         0.0000 
    funkcje_od wartosc_wlasna          r_kan         lambda           chi2 
        2.0000         0.9180         0.6918         0.5214       114.3012 
            df              p 
        3.0000         0.0000 
                LD1    LD2
ruminacja     0.440  0.447
zamartwianie -0.758  0.421
anhedonia     0.668  0.458
pobudzenie   -0.586 -0.015
                LD1   LD2
ruminacja     0.130 0.756
zamartwianie -0.553 0.756
anhedonia     0.365 0.765
pobudzenie   -0.478 0.461
     LD1    LD2
1  0.329 -1.321
2  1.367  0.874
3 -1.696  0.447
           przewidziana
prawdziwa   kontrolna depresja GAD
  kontrolna        49        8   3
  depresja          6       53   1
  GAD               2        4  54
           przewidziana
prawdziwa   kontrolna depresja GAD
  kontrolna        49        8   3
  depresja          8       51   1
  GAD               3        4  53
    trafnosc I_Hubertyego 
       0.850        0.775 

Najczęstsze błędy

• Raportowanie trafności klasyfikacji na tej samej próbie – jest zawyżona; podawaj wynik walidacji krzyżowej (tu 85.0% zamiast 86.7%).
• Interpretowanie tylko standaryzowanych współczynników – przy skorelowanych predyktorach mogą mieć nawet przeciwny znak niż korelacja zmiennej z funkcją; zawsze dodaj współczynniki struktury.
• Pominięcie oceny względem przypadku – 85% trafień znaczy co innego przy trzech równych grupach i przy jednej grupie obejmującej 90% próby.
• Zbyt wiele predyktorów przy małych grupach – funkcje dopasowują się do szumu i źle klasyfikują nowe osoby.
• Seria osobnych ANOVA zamiast analizy wielowymiarowej – osobne testy pomijają korelacje między zmiennymi; Sherry (2006) proponuje opisową analizę dyskryminacyjną właśnie jako alternatywę dla takich porównań.
• Utożsamianie funkcji z przyczynami przynależności do grupy – funkcje opisują różnice, a nie mechanizmy ich powstania.

Najczęstsze pytania

Co to jest analiza dyskryminacyjna?

To metoda, która szuka liniowych kombinacji zmiennych najlepiej odróżniających znane grupy, np. osoby z depresją, z GAD i bez zaburzeń. Służy do opisu różnic między grupami (które zmienne je różnicują) i do klasyfikacji – przypisywania osób do grup na podstawie ich wyników.

Jak interpretować funkcje dyskryminacyjne?

Sprawdź, czy funkcja jest istotna (lambda Wilksa), ile wariancji międzygrupowej wyjaśnia i które grupy rozdziela (centroidy). Jej znaczenie odczytasz ze współczynników struktury, czyli korelacji predyktorów z funkcją. W przykładzie pierwsza funkcja (64.2%) odróżniała depresję od GAD, a druga (35.8%) – grupy kliniczne od kontrolnej.

Co oznacza lambda Wilksa w analizie dyskryminacyjnej?

Lambda Wilksa to odsetek zmienności wyników funkcji, który nie wynika z różnic między grupami. Przyjmuje wartości od 0 do 1: im bliżej 0, tym silniej funkcje różnicują grupy. Towarzyszy jej test χ², np. Λ = .197, χ²(8) = 285.04, p < .001.

Czym różni się analiza dyskryminacyjna od regresji logistycznej?

Obie przewidują przynależność do grupy, ale analiza dyskryminacyjna zakłada normalność wielowymiarową i równe macierze kowariancji w grupach, a regresja logistyczna nie stawia wymagań co do rozkładu predyktorów i przyjmuje predyktory kategorialne. Przy spełnionych założeniach klasyfikują podobnie: w przykładzie 85.0% wobec 83.9% trafień.

Jaka jest różnica między analizą dyskryminacyjną a MANOVA?

Rachunek jest wspólny (ta sama lambda Wilksa), ale pytania inne. MANOVA sprawdza, czy grupy różnią się zestawem zmiennych zależnych, a analiza dyskryminacyjna pokazuje, na jakich wymiarach i jak dobrze zmienne rozdzielają grupy. Dlatego opisową analizę dyskryminacyjną stosuje się jako procedurę następczą po istotnej MANOVA.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{boedeker2019linear, author={Boedeker, Peter and Kearns, Nathan T.}, title={{Linear discriminant analysis for prediction of group membership: A user-friendly primer}}, journal={Advances in Methods and Practices in Psychological Science}, year={2019}, volume={2}, number={3}, pages={250--263}, doi={10.1177/2515245919849378}}

@article{fisher1936use, author={Fisher, Ronald A.}, title={{The use of multiple measurements in taxonomic problems}}, journal={Annals of Eugenics}, year={1936}, volume={7}, number={2}, pages={179--188}, doi={10.1111/j.1469-1809.1936.tb02137.x}}

@article{radkiewicz2010analiza, author={Radkiewicz, Piotr}, title={{Analiza dyskryminacyjna. Podstawowe założenia i zastosowania w badaniach społecznych}}, journal={Psychologia Społeczna}, year={2010}, volume={5}, number={2–3}, pages={142--161}, url={https://www.ceeol.com/search/article-detail?id=229292}}

@article{sherry2006discriminant, author={Sherry, Alissa}, title={{Discriminant analysis in counseling psychology research}}, journal={The Counseling Psychologist}, year={2006}, volume={34}, number={5}, pages={661--683}, doi={10.1177/0011000006287103}}

@article{warne2014primer, author={Warne, Russell T.}, title={{A primer on multivariate analysis of variance (MANOVA) for behavioral scientists}}, journal={Practical Assessment, Research, and Evaluation}, year={2014}, volume={19}, eid={17}, doi={10.7275/sm63-7h70}}