1. 数据描述

对21个破产企业收集它们在破产前两年的财务数据，对25个财务良好的企业也收集同一时期的数据。数据涉及四个变量：
CF_TD（现金流量/总债务）；
NI_TA（净收入/总资产）；
CA_CL（流动资产/流动债务）；
CA_NS（流动资产/净销售额），一个分组变量：企业现状（1：非破产企业，2：破产企业）。

2. 调入数据

操作步骤：

Case5=read.table("clipboard",header=T) #加载数据
attach(Case5)#绑定数据

结果：

结果解释：
将数据以剪切板进行加载数据。

3.Fisher线性判别

3.1 计算Fisher线性判别函数

操作步骤：

library(MASS)
(ld=lda(G~CF_TD+NI_TA+CA_CL+CA_NS))#线性判别模型
ld #查看函数结果

结果：

结果解释：
使用lda函数求线性判别模型

3.2 根据线性判别模型对原数据进行预测，并分析预测结果。

操作步骤：

Z=predict(ld)#根据线性判别模型预测所属类别
names(Z)
newG=Z$class#预测的所属类别结果
cbind(G,Z$x,newG)#显示结果
(tab=table(G,newG))#混淆矩阵        
sum(diag(prop.table(tab)))#判对率   

结果：

结果解释：
根据线性判别模型预测所属类别，然后预测的所属类别结果。

3.3 对新的数据（CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62）进行判定。

操作步骤：

predict(ld,data.frame(CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62)) #判定

结果：

结果解释：
对新的样本数据进行判定

4.距离判别（协方差矩阵不相等时二次判别）

4.1根据二次判别模型对原数据进行预测，并分析预测结果。

操作步骤：

library(MASS)
qd=qda(G~CF_TD+NI_TA+CA_CL+CA_NS);qd#协方差矩阵不相等时用二次判别
cbind(G,newG=predict(qd)$class)

结果：

结果解释：
当协方差矩阵不相等时用二次判别

4.2对新的数据（CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62）进行判定。

操作步骤：

predict(qd,data.frame(CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62))

结果：

结果解释：
对新的样本数据进行预测分类结果

5. Bayes判别

5.1 先验概率相等的Bayes判别（prior=c(1,1)/2），包括判别模型，回判结果，判对率。

操作步骤：

#beyes
(ld1=lda(G~CF_TD+NI_TA+CA_CL+CA_NS,prior=c(1,1)/2))#先验概率相等的Bayes判别模型
Z1=predict(ld1)#预测所属类别        
cbind(G,round(Z1$x,3),newG=Z1$class)#显示结果 
table1=table(G,Z1$class)#混淆矩阵
round(Z1$post,3) #ld1模型后验概率
sum(diag(prop.table(table1)))#判对率 

结果：

结果解释：
求先验概率相等的Bayes判别模型，然后预测所属分类，求判对率，判对率为0.913

5.2 先验概率不相等的Bayes判别（prior=c(2,3)/5），包括判别模型，回判结果，判对率。

操作步骤：

(ld2=lda(G~CF_TD+NI_TA+CA_CL+CA_NS,prior=c(2,3)/5))#先验概率不相等的Bayes判别模型        
Z2=predict(ld2)#预测所属类别
cbind(G,round(Z2$x,3),newG=Z2$class)#显示结果
table2=table(G,Z2$class)#混淆矩阵
round(Z2$post,3) #ld2模型后验概率
sum(diag(prop.table(table2)))#判对率

结果：

结果解释：
求先验概率不相等的Bayes判别模型，，然后预测所属分类，求判对率，判对率为0.869

5.3对新的数据（CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62）分别在两种情况下进行判定。

操作步骤：

predict(ld1,data.frame(CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62))  # ld1模型的判定
predict(ld2,data.frame(CF_TD=0.31,NI_TA=0.06, CA_CL=4.23, CA_NS=0.62))  # ld2模型的判定

结果：

结果解释：
分别使用先验概率相等的贝叶斯模型和先验概率不相等的贝叶斯模型对新的相同数据进行预测，发现判定类别相同，都为1，但是两个归为1类的后验概率不相同。