जवाबों:
विभेदक विश्लेषण एक बहुभिन्नरूपी सामान्य वितरण को मानता है क्योंकि जिसे हम आमतौर पर भविष्यवाणियां मानते हैं वह वास्तव में एक बहुभिन्नरूपी निर्भर चर है, और समूह चर को भविष्यवक्ता माना जाता है। इसका मतलब यह है कि श्रेणीबद्ध चर जिन्हें भविष्यवाणियों के रूप में समझा जाना चाहिए, जो आप चाहते हैं, उन्हें अच्छी तरह से संभाला नहीं गया है। यह एक कारण है कि कई, जिनमें स्वयं भी शामिल हैं, विवेकाधीन विश्लेषण को तर्कवादी प्रतिगमन द्वारा अप्रचलित बना दिया गया है। लॉजिस्टिक रिग्रेशन मॉडल के बाएं हाथ या दाएं हाथ के दोनों ओर किसी भी प्रकार की कोई वितरण संबंधी धारणा नहीं बनाता है। लॉजिस्टिक रिग्रेशन एक प्रत्यक्ष संभाव्यता मॉडल है और इसे भेदभावपूर्ण विश्लेषण के अनुसार परिणामों को संभाव्यता में बदलने के लिए बेयस नियम का उपयोग करने की आवश्यकता नहीं होती है।
संक्षिप्त उत्तर हां के बजाय नहीं है।
एक प्रारंभिक नोट। यह कहना मुश्किल है कि क्या जो चर स्वयं से बाहर भेदभावपूर्ण कार्य करते हैं, उन्हें "स्वतंत्र" या "निर्भर" कहा जाना चाहिए। LDA मूल रूप से Canonical सहसंबंध विश्लेषण का एक विशिष्ट मामला है, और इसलिए यह अस्पष्ट है। इसे MANOVA के रूप में देखा जा सकता है (स्वतंत्र कारक के रूप में वर्ग चर के साथ) या, जब वर्ग द्विभाजित होता है, तो आश्रित चर के रूप में वर्ग के रैखिक प्रतिगमन के रूप में। यह काफी कानूनी नहीं है इसलिए हमेशा लॉजिस्टिक जैसे वन-डायरेक्शनल रिग्रेशन वाले एलडीए का विरोध करना चाहिए।
एलडीए मानता है कि चर (जिन्हें आप "स्वतंत्र" कहते हैं) बहुभिन्नरूपी सामान्य वितरण से आते हैं, इसलिए - वे सभी निरंतर। यह धारणा एलडीए के (1) वर्गीकरण चरण और (2) निष्कर्षण चरण में उत्पन्न होने वाले भेदभाव के परीक्षण महत्व के लिए महत्वपूर्ण है। भेदभाव करने वालों को खुद निकालने की जरूरत नहीं है।
हालांकि एलडीए उस धारणा के उल्लंघन के लिए काफी मजबूत है जो कभी-कभी इसे बाइनरी डेटा पर करने के लिए वारंटी के रूप में देखा जाता है । वास्तव में, कुछ लोग ऐसा करते हैं। कैनोनिकल सहसंबंध (जिनमें से एलडीए एक विशिष्ट मामला है) किया जा सकता है जहां दोनों सेट द्विआधारी या यहां तक कि डमी बाइनरी चर होते हैं। एक बार फिर, अव्यक्त कार्यों के निष्कर्षण के साथ कोई समस्या नहीं है; पी-वैल्यूज़ या ऑब्जेक्ट्स को वर्गीकृत करते समय ऐसे एप्लिकेशन के साथ समस्याएँ उत्पन्न होती हैं।
बाइनरी / ऑर्डिनल वैरिएबल से कोई टेट्राकोरिक / पॉलीकोरिक सहसंबंधों की गणना कर सकता है और इसे LDA को प्रस्तुत कर सकता है (यदि प्रोग्राम डेटा के स्थान पर इनपुट सहसंबंध मैट्रीक की अनुमति देता है); लेकिन फिर मामले के स्तर पर भेदभावपूर्ण अंकों की गणना समस्याग्रस्त होगी।
एक अधिक लचीला दृष्टिकोण इष्टतम स्केलिंग / परिमाणीकरण द्वारा श्रेणीगत (क्रमिक, नाममात्र) चर को निरंतर में बदलना होगा । Nonlinear विहित सहसंबंध विश्लेषण (OVERALS)। यह इसे दोनों पक्षों (वर्ग चर और श्रेणीबद्ध "भविष्यवक्ताओं) के बीच विहित सहसंबंधों को अधिकतम करने के लिए कार्य के तहत करेगा। फिर आप परिवर्तित चर के साथ LDA की कोशिश कर सकते हैं।
(बहुराष्ट्रीय या बाइनरी) लॉजिस्टिक रिग्रेशन एलडीए का एक और विकल्प हो सकता है।