Полезное:
Как сделать разговор полезным и приятным
Как сделать объемную звезду своими руками
Как сделать то, что делать не хочется?
Как сделать погремушку
Как сделать так чтобы женщины сами знакомились с вами
Как сделать идею коммерческой
Как сделать хорошую растяжку ног?
Как сделать наш разум здоровым?
Как сделать, чтобы люди обманывали меньше
Вопрос 4. Как сделать так, чтобы вас уважали и ценили?
Как сделать лучше себе и другим людям
Как сделать свидание интересным?
Категории:
АрхитектураАстрономияБиологияГеографияГеологияИнформатикаИскусствоИсторияКулинарияКультураМаркетингМатематикаМедицинаМенеджментОхрана трудаПравоПроизводствоПсихологияРелигияСоциологияСпортТехникаФизикаФилософияХимияЭкологияЭкономикаЭлектроника
Классификация многомерных методов анализа данных
|
|
Классы:
1. Методы снижения размерности переменных: факторный анализ, семантический дифференциал, интегральные индексы.
2. Методы классификации: кластерный анализ, дискриминантный анализ, многомерное шкалирование.
3. Методы изучение причинно-следственных связей/прогностические: множественный регрессионный анализ, дискриминантный анализ; множественный дисперсионный анализ.
Факторный анализ – метод многомерной статистики, используемый для выявления относительно небольшого количества глубинных (явно не наблюдаемых или латентных конструктов, которые можно использовать для представления отношений между многочисленными наблюдаемыми переменными.
Если в анализе данных одновременно используется несколько переменных, то их можно представить как многомерное геометрическое пространство, в котором каждая переменная является осью – «пространство признаков» (количественные, порядковые и дихотомические переменные; но желательно, чтобы все оси пространства имели одинаковый уровень измерения). В качестве исходных переменных рассматриваются оценочные псевдоинтервальные шкалы.
Оси пространства признаков тем ближе расположены друг к другу, чем выше корреляция между соответствующими переменными.
В пространстве признаков решается задача снижения размерности, выражающаяся в том, что мы конструируем относительно небольшое число новых переменных, которые содержали бы в себе основную часть информации из имеющихся переменных.
Подходы:
1) метод главных компонент;
2) факторный анализ:
- первая задача: определение числа факторов. SPSS формирует столько факторов, сколько имеется исходных переменных. Задача исследователя определить оптимальное число факторов. Выбор числа факторов может быть осуществлён:
1) теоретический – принудительное назначение исследователем числа факторов;
2) выбираются только те факторы, для которых собственные значения превышают единицу; содежится в таблице Total Variance Explained.
| Component | Total | % of Variance Индивидуальная д. | Cummultive % of Variance Объяснённая д. | |
| (фактор) | числовые | числовые | Сумма | |
| значения | значения | % of Variance | ||
| (собственные) |
Собственное значение превышают единицу. Наибольшие – сверху.
3) выбираются только те факторы, для которых процент объяснённой дисперсии достаточно высок.
Факторную (корреляционную) матрицу легко интерпретировать, когда она является простой: каждая исходная переменная имеет значительную по величине нагрузку только на 1 фактор. Если матрица не является простой, её необходимо подвергнуть процедуре вращения. Различают ортогональное и неортогональное вращение факторов. Процедура (ортогональная): Varimax. Вращённую матрицу уже можно интерпретировать. Rotated Component Matries.
| Исходные переменные | Component | ||
| x1 x2 x3 . . . xk | ,836 ,750 ,520 | ,930 ,560 | ,841 |
Нужно назвать факторы (латентные конструкты), которые получили.
Качество факторной модели. Проверка. Способы:
1) качество модели оценивается % суммарной объяснённой дисперсии; если больше 50, то полученная модель качественная.
КМО = должно превышать 0,5.
Полученные факторы можно сохранять в виде новых переменных. От -4 до 4. Минус – характеристика слабо выражена. Плюс – сильно выражена в изучаемых объектах.
Date: 2015-07-27; view: 542; Нарушение авторских прав