统计百科 ·
判别分析APA报告规范 — 典型判别函数、Wilks Lambda与分类正确率完整写法
统计百科：专攻判别分析（Discriminant Analysis）结果如何按APA 7th规范写进论文——典型判别函数系数、Wilks Lambda检验、结构矩阵、分类正确率（Overall Accuracy）的完整报告句式，附可直接套用的论文模板与常见错误对照。
判别分析的输出内容繁杂——典型判别函数、Wilks Lambda、结构矩阵、分类矩阵……论文里到底写哪几个？每项怎么格式化？效应量是什么？这篇文章专攻"判别分析如何规范写进论文"这一格式问题，覆盖两类情形（两组/多组），给出 APA 7th 所有判别分析场景的完整模板，并逐一盘点审稿人最常挑的格式错误。
你的判别分析报告有这些问题吗？
审稿人或导师关于判别分析报告最常见的反馈：
- "Wilks Lambda 需要报告 chi-square 近似检验，不能只报告 Lambda 值"
- "判别函数系数应报告标准化系数，非标准化系数只做参考"
- "结构矩阵（Structure Matrix）中各变量的载荷是否也要列出？"
- "分类正确率（Overall Accuracy）要区分'原始'与'交叉验证'，否则高估模型性能"
- "效应量在哪里？判别分析至少要报告典型相关系数的平方（eta^2_c）"
- "多个判别函数的方差解释比例（% of Variance）没有列出"
这些问题集中在 APA Publication Manual 第七版的推断统计结果报告规范，以及多变量分析的报告惯例（Thompson, 2006; Huberty & Olejnik, 2006）。
如果你还没看过姊妹篇 方差分析ANOVA的APA报告怎么写 或 F 值的 APA 7th 报告写法，建议先读那两篇——判别分析报告建立在 F 值与 chi-square 格式规则之上，本文不再重复基础格式要求（如 p 值不加前导零、精确到三位小数等）。
一、判别分析是什么，与 MANOVA/Logistic 回归的关系
判别分析的目标
判别分析（Linear Discriminant Analysis，LDA；又称 Discriminant Function Analysis，DFA）解决的核心问题是：给定多个连续预测变量，能否准确将观测值归入已知的若干类别（组别）？
与 MANOVA 高度对偶：MANOVA 问"组间多变量均值向量是否显著不同"；判别分析问"用这些变量最大化组间区分，能得到几个最优线性组合（典型判别函数）"。两者使用相同的统计检验（Wilks Lambda），只是侧重不同。
与 Logistic 回归的区别：
| 维度 | 判别分析 | Logistic 回归 |
|---|---|---|
| 假设 | 多变量正态分布、组内协方差矩阵相等 | 无分布假设 |
| 组别数量 | 任意多组 | 二元（或多项） |
| 输出重点 | 典型判别函数 + 结构矩阵 + 分类矩阵 | OR 值 + 分类概率 + ROC |
| 适用场景 | 样本量充足、连续预测变量、满足正态性假设 | 假设难以满足、需要概率解释 |
典型判别函数（Canonical Discriminant Function）
每个典型判别函数是预测变量的线性组合：
$D_j = b_{j0} + b_{j1}X_1 + b_{j2}X_2 + \cdots + b_{jp}X_p$
其中 $b_{jk}$ 为非标准化（原始）系数，对应有均值为 0、方差为 1 标准化版本的系数称为标准化判别函数系数（Standardized Canonical Discriminant Function Coefficients），用于比较各变量的相对贡献。
可提取的最大函数数目为 $\min(g-1, p)$，$g$ 为组数，$p$ 为预测变量数。
二、判别分析报告必须包含的要素
APA 7th 必报清单
| 要素 | 说明 | 格式示例 |
|---|---|---|
| Wilks Lambda (Lambda) | 显著性检验（转化为 chi-square） | Lambda = .XXX, chi^2(df) = X.XX, p [值] |
| 典型相关系数 (R_c) | 每个函数的效应量来源 | R_c = .XX |
| 效应量 eta^2_c | R_c 的平方，函数解释的组间方差比例 | eta^2_c = .XX |
| 方差解释比例 | 每个函数占所有函数总方差的百分比 | 87.3% |
| 标准化判别函数系数 | 各变量在函数上的相对权重（类比 beta 系数） | [表格呈现] |
| 结构矩阵 (Structure Matrix) | 各变量与函数的相关系数（判别载荷） | [表格呈现] |
| 分类矩阵 (Classification Matrix) | 预测组别 vs 实际组别的交叉表 | [表格呈现] |
| 整体分类正确率 (Overall Accuracy) | 原始样本 + 交叉验证（LOO-CV） | 原始 87.5%，LOO-CV 84.2% |
| 各组描述统计 | 各预测变量按组的 M 和 SD | [表格呈现] |
| 前提检验结果 | Box M 检验（协方差矩阵齐性）+ 正态性检验 | Box M = XX, F = XX, p = .XXX |
效应量说明：eta^2_c 与 Wilks Lambda 的转换
典型相关系数 $R_c$ 是每个典型判别函数的效应量指标：
$\eta^2_c = R_c^2$
含义：该函数解释的总方差中，由组别差异驱动的比例。
$\eta^2_c = 1 - \Lambda^{1/s}$
其中 $\Lambda$ 为 Wilks Lambda，$s = \min(g-1, p)$ 为提取的函数数目。注意：此式仅在 $s=1$（即两组判别）时与 $R_c^2$ 等价；当 $s \geq 2$（三组及以上）时，$1 - \Lambda^{1/s}$ 是所有函数典型相关系数平方的几何均值，不等于任何单个函数的 $\eta^2_c$，不可直接用于解释某一函数的效应量。多函数场景下，各函数的 $\eta^2_c$ 应分别由 $R_{c,j}^2$ 计算并逐一报告。
Cohen（1988）参照标准（基于典型相关）：
| 效应大小 | eta^2_c |
|---|---|
| 小效应 | .01 |
| 中效应 | .09 |
| 大效应 | .25 |
三、Wilks Lambda 检验的 APA 7th 报告格式
Wilks Lambda 是判别分析的核心显著性检验，取值范围 0–1：值越接近 0，组间区分越好；值越接近 1，组间无区分力。
转换为 chi-square 检验
报告时需将 Lambda 转化为近似 chi-square 统计量：
$\chi^2 = -\left[\left(N-1\right) - \frac{p+g}{2}\right] \ln \Lambda$
自由度 $df = p(g-1)$，其中 $N$ 为总样本量，$p$ 为预测变量数，$g$ 为组数。
APA 7th 格式：
Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
注意：
- Lambda 和 chi^2 均精确到三位小数
- p 值精确到三位小数，不加前导零，.000 改为 < .001
- 需同时报告 df
示例：
Wilks' Lambda = .423, chi^2(8) = 47.32, p < .001
多个函数时的逐步检验
当有多个典型判别函数时，需依次报告：首先是所有函数联合检验，然后是去掉第一个函数后剩余函数的检验，依此类推。
函数1至函数k联合检验: Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
函数2至函数k联合检验: Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
...
四、各场景完整 APA 报告模板
场景一：两组判别分析（最常见）
情形：预测大学生是否参加课外辅导（是/否），预测变量为学习动机、自我效能感、课堂参与度和时间管理（4 个变量），N = 180。
完整报告段落模板：
对[自变量]进行判别分析，以[预测变量1]、[预测变量2]……
作为判别指标，对[因变量]的两组进行区分。
分析前检验了多变量正态性与协方差矩阵齐性假设：
Box M 检验结果显示协方差矩阵齐性假设[满足/不满足]，
Box M = X.XX, F(df1, df2) = X.XX, p = .XXX。
提取一个典型判别函数，Wilks Lambda = .XXX,
chi^2(df) = X.XX, p [值]，R_c = .XX，eta^2_c = .XX，
解释了因变量 XX% 的组间方差，为[大/中/小]效应（Cohen, 1988）。
标准化判别函数系数显示，对判别函数贡献最大的变量依次为
[变量名]（系数 = X.XX）、[变量名]（系数 = X.XX）、[变量名]（系数 = X.XX）。
结构矩阵中各变量载荷见表 X。
原始分类结果显示，XX.X%（N = XX）的案例被正确分类；
经留一法交叉验证后，整体正确率为 XX.X%，
表明判别函数具有[良好/一定]的预测稳定性。
填入数值的完整示例：
对大学生课外辅导参与情况（参加 vs. 未参加）进行判别分析，以学习动机、自我效能感、课堂参与度和时间管理 4 个变量作为判别指标（N = 180，参加组 n = 94，未参加组 n = 86）。分析前检验前提假设：Box M 检验结果显示，两组协方差矩阵齐性假设满足，Box M = 12.43，F(10, 58923) = 1.22，p = .274，未达显著，符合线性判别分析的假设要求。
提取一个典型判别函数，Wilks' Lambda = .521，chi^2(4) = 114.81，p < .001，典型相关系数 R_c = .692，eta^2_c = .479，该函数解释了组间方差的 47.9%，为大效应（Cohen, 1988）。标准化判别函数系数显示，对函数贡献最大的预测变量依次为学习动机（系数 = .842）、自我效能感（系数 = .631）、时间管理（系数 = .487）和课堂参与度（系数 = .213）。结构矩阵中，学习动机（r = .783）和自我效能感（r = .671）在函数上的载荷最高，是区分两组的核心变量。
原始分类矩阵结果显示，参加辅导的学生 87.2%（n = 82/94）被正确分类，未参加辅导的学生 84.9%（n = 73/86）被正确分类，整体正确率为 86.1%（155/180）；经留一法交叉验证（LOO-CV）后，整体正确率为 83.3%（150/180），表明判别函数具有良好的泛化稳定性。
场景二：三组判别分析（多典型函数）
情形：区分三类大学专业（理科/文科/艺术）的学生，预测变量为逻辑推理、语言能力、空间想象力和创造力（4 个变量），N = 210，每组 70 人。
完整报告段落模板：
判别分析提取了[s]个典型判别函数。
对所有[s]个函数联合检验：Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]；
去掉第1个函数后剩余函数的检验：
Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]。
第1个函数解释了总体区分方差的 XX.X%（R_c = .XX，eta^2_c = .XX）；
第2个函数解释了 XX.X%（R_c = .XX，eta^2_c = .XX）。
[若第2个函数不显著，说明仅第1个函数有实质解释力]
原始分类正确率为 XX.X%，LOO-CV 正确率为 XX.X%。
填入数值的完整示例：
对三类专业学生（理科/文科/艺术）进行判别分析，提取两个典型判别函数（最大可提取数 $\min(3-1, 4) = 2$）。对两个函数联合显著性检验：Wilks' Lambda = .312，chi^2(8) = 239.48，p < .001；去掉第1个函数后，剩余函数（即第2个函数单独）的检验：Wilks' Lambda = .781，chi^2(3) = 14.23，p = .003，两个函数均显著。
第1个典型判别函数解释了总体区分方差的 74.2%，R_c = .798，eta^2_c = .637，为大效应；第2个函数解释了 25.8%，R_c = .473，eta^2_c = .224，为中等效应。函数1的标准化系数显示逻辑推理（.891）和空间想象力（.654）载荷最高，主要区分理科与文科/艺术组；函数2的标准化系数显示创造力（.823）和语言能力（.412）载荷较高，主要区分艺术与文科组。
原始分类矩阵整体正确率为 82.4%（173/210）；经 LOO-CV 后整体正确率为 79.0%（166/210）。各组分类正确率：理科 87.1%（61/70）、文科 78.6%（55/70）、艺术 81.4%（57/70）。
五、结构矩阵与判别函数系数的表格格式
判别分析结果通常以两个表格呈现：判别函数系数表和结构矩阵表。
APA 7th 表格格式示例（两组、一个函数）
表1 标准化典型判别函数系数与结构矩阵
| 预测变量 | 标准化系数 | 结构矩阵载荷 |
|---|---|---|
| 学习动机 | .842 | .783 |
| 自我效能感 | .631 | .671 |
| 时间管理 | .487 | .524 |
| 课堂参与度 | .213 | .298 |
注：标准化系数反映各变量在函数中的相对权重；结构矩阵载荷为变量与函数的点双列相关系数，绝对值 >= .30 的变量被视为对该函数有实质贡献（Tabachnick & Fidell, 2013）。
表格报告要点：
- 按载荷绝对值从大到小排列变量
- 同时呈现标准化系数和结构矩阵两列（它们可能不同，标准化系数受共线性影响，结构矩阵更稳定）
- 载荷绝对值 < .30 的变量可标注星号或加脚注说明未达实质解释标准
- 多个函数时用多列呈现，如"函数1"、"函数2"分列
六、在 ChatSRS 一句话获得规范判别分析报告
打开 chatsrs.com，上传数据后输入：
"对三类专业（理科/文科/艺术）的学生，以逻辑推理、语言能力、空间想象力和创造力为预测变量做线性判别分析（LDA）：检验 Box M 协方差矩阵齐性；提取所有显著典型判别函数；输出每个函数的 Wilks Lambda（转 chi-square）、典型相关系数 R_c、eta^2_c 效应量、方差解释比例；呈现标准化判别函数系数和结构矩阵；输出原始分类矩阵和 LOO-CV 交叉验证的整体正确率及各组正确率；给出符合 APA 7th 格式的完整报告段落，包含前提检验结论。"
ChatSRS 会依次完成 Box M 检验、函数提取、显著性检验、系数表格与分类矩阵，并自动拼装符合上述模板格式的 APA 报告段落，数值自动填入，可直接复制进论文。
如需二次确认判别规则（Discriminant Rule），或查看各观测值的后验判别概率，在指令末尾补充说明即可。
七、方法章节的标准描述
两组判别分析方法章节模板
采用线性判别分析（Linear Discriminant Analysis, LDA）
检验[预测变量组]对[因变量分组]的区分能力。
分析前，以 Box M 检验评估组内协方差矩阵齐性假设；
以 Mardia 检验（多变量偏度和峰度）评估多变量正态性假设。
报告 Wilks Lambda 及其 chi-square 近似检验、典型相关系数 R_c
及其平方（eta^2_c）作为效应量，参照 Cohen（1988）标准
（eta^2_c = .01 小效应，.09 中效应，.25 大效应）。
分类性能报告原始分类正确率与留一法交叉验证（LOO-CV）正确率，
以评估模型泛化能力。统计分析使用 ChatSRS（R 引擎，MASS 包），
显著性水平设为 alpha = .05。
多组判别分析方法章节补充
对所有典型判别函数进行逐步剥离显著性检验（peeling procedure），
报告每步的 Wilks Lambda 与 chi-square 检验，
以确定具有统计显著性的函数数目。
以各函数的方差解释比例说明各函数对总体组间差异的相对贡献。
结构矩阵中绝对载荷 >= .30 的变量被视为对该函数具有实质解释贡献
（Tabachnick & Fidell, 2013）。
八、判别分析报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 只报告 Lambda 值，不转 chi-square | Lambda = .423, chi^2(8) = 47.32, p < .001 | 须提供推断检验，不能只报描述量 |
| p = .000 | p < .001 | APA 不允许三位全零 |
| 只报原始分类正确率 | 同时报告 LOO-CV 交叉验证正确率 | 原始正确率高估模型性能 |
| 用非标准化系数比较变量贡献 | 使用标准化判别函数系数比较变量权重 | 量纲不同无法直接比较 |
| 忽略结构矩阵 | 同时呈现标准化系数和结构矩阵 | 标准化系数受多重共线性影响，结构矩阵更稳定 |
| 未检验 Box M | 报告 Box M 检验，决定用 LDA 还是 QDA | LDA 假设协方差矩阵齐性 |
| 多函数只报第一个 | 对所有函数逐步检验并报告各函数方差解释比 | 忽略后续函数可能丢失重要信息 |
| 未报效应量 | 报告 R_c 和 eta^2_c | APA 7th 要求所有统计检验报效应量 |
| 混淆典型判别函数数目上限 | min(g-1, p) 个函数，有时远少于变量数 | 函数数 <= 组数减1 |
FAQ
Q：判别分析和 MANOVA 用的是同一个 Wilks Lambda，报告格式一样吗？
A：两者使用相同的 Wilks Lambda 统计量，但报告侧重不同。MANOVA 的重点在于"各自变量（分组因素）是否显著影响多变量结局"，报告每个效应的 Lambda、F 近似值和 partial eta^2；判别分析的重点在于"提取几个典型判别函数，每个函数的区分力如何，哪些变量是核心区分变量"，报告每个函数的 Lambda（逐步剥离）、R_c、eta^2_c 和结构矩阵。两者可以互补使用：先 MANOVA 确认组间差异显著，再判别分析找出最优区分函数。
Q：分类正确率多高算"好"？有没有参考标准？
A：没有通用的绝对标准，应与基准正确率（Chance Level）相比。基准正确率 = 最大组的样本比例（如最大组占 60%，则随机分类可达 60%）。更严格的基准是按各组比例随机分配（Press's Q 统计量）：$Q = \frac{[N - (n_{correct} \times g)]^2}{N(g-1)}$，若 Q > 6.63（chi^2，df = 1，p < .01），则正确率显著优于随机。实践中：正确率超过基准 25 个百分点以上通常被视为有实质意义；LOO-CV 正确率与原始正确率差距 > 10% 提示存在过拟合风险。
Q：判别分析的前提假设检验不满足（Box M 显著），还能继续吗？
A：Box M 检验对样本量和非正态分布极度敏感，在大样本下几乎总会显著。实践处理方式：一是报告 Box M 结果但仍使用 LDA，同时说明"Box M 显著可能由大样本敏感性导致，协方差矩阵的实际差异（通过观察各组行列式之比）在可接受范围内"；二是改用二次判别分析（QDA），它不假设协方差矩阵相等；三是改用 Logistic 回归（无分布假设）。无论哪种选择，方法章节都必须说明假设检验结论及选用分析方法的理由。
Q：结构矩阵和标准化判别函数系数哪个更重要？
A：两者都需要报告，但解读侧重不同。标准化判别函数系数（类比回归的 beta 系数）反映在控制其他变量后，各预测变量的独立贡献，但会受多重共线性影响——共线变量的系数会相互"抵消"，导致某个本来重要的变量系数很小。结构矩阵载荷是预测变量与判别函数的简单相关（不控制其他变量），更稳定，不受共线性影响，是判断变量对函数"实质贡献"的首选指标（Tabachnick & Fidell, 2013，推荐以 |r| >= .30 为实质载荷阈值）。APA 7th 没有硬性规定只报一个，学界惯例是两者都呈现在同一张表格中，解读以结构矩阵为主、系数为辅。
Q：ChatSRS 的判别分析结果可以直接用于论文吗？
A：ChatSRS 使用 R 的 MASS 包（lda() 函数）运行线性判别分析，输出包括 Wilks Lambda chi-square 近似检验、标准化系数、结构矩阵、分类矩阵和 LOO-CV 结果，数值精度和格式符合 APA 7th 要求，可直接复制报告段落到论文。建议在论文方法章节注明"统计分析使用 ChatSRS（R 引擎，MASS 包）"。
快速参考：判别分析报告格式速查卡
[前提检验]
Box M = X.XX, F(df1, df2) = X.XX, p = .XXX
（p > .05: 协方差矩阵齐性满足，使用 LDA；p < .05 且大样本: 报告后仍可用 LDA 并说明理由）
[单函数（两组）]
Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
R_c = .XX, eta^2_c = .XX（[大/中/小]效应，Cohen, 1988）
[多函数（多组）— 逐步检验]
函数1–s联合: Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
函数2–s联合: Wilks Lambda = .XXX, chi^2(df) = X.XX, p [值]
函数1: 方差解释 XX.X%, R_c = .XX, eta^2_c = .XX
函数2: 方差解释 XX.X%, R_c = .XX, eta^2_c = .XX
[分类性能]
原始整体正确率: XX.X%（N正确/N总）
LOO-CV 正确率: XX.X%（N正确/N总）
[各变量（表格格式）]
变量 | 标准化系数 | 结构矩阵载荷
实质贡献阈值: |r| >= .30（结构矩阵）
相关阅读
- 方差分析ANOVA的APA报告怎么写？F值+偏η²+事后比较格式全解
- F 值的 APA 7th 报告写法 — F(df1,df2)格式、效应量 eta 平方、报告模板全解
- 重复测量方差分析APA报告怎么写
- AI一键完成聚类分析（K-means）— 客户细分/市场分群完整教程
- 二元 Logistic 回归用 AI 一句话完成 — OR 值、ROC、APA 报告全攻略
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。