6,409 matches
-
la sedentari arată că efortul fizic depus poate fi unul de intensitate obișnuită. Fumatul este considerat un factor predispozant - scleroza pulmonară tabagică - rata de apariție a pneumotoraxului spontan la fumători / nefumători fiind de aproximativ 102/1 [4, 19]. Fumatul distruge matricea extracelulară pulmonară prin mai multe mecanisme, cel mai important fiind eliberarea radicalilor liberi oxidanți care inhibă alfa-1-antitripsina și alterează membrana alveolară. Substratul anatomic al pneumotoraxului spontan este reprezentat de bulele de emfizem și de blebsuri, localizate distal de bronșiolele terminale
Tratat de chirurgie vol. IV. Chirurgie toracică. by Adrian Ciuche, Teodor Horvat, Daniel Paul Fudulu () [Corola-publishinghouse/Science/92101_a_92596]
-
de p coordonate în spațiul p -dimensional pR și poate fi considerată un element al unui spațiu vectorial denumit spațiul indivizilor; deasemenea fiecare caracteristică reprezintă o listă de valori numerice, un vector din spațiul n -dimensional, nR , numit spațiul caracteristicilor; matricea datelor inițiale ce conține informația în stare brută este reprezentată prin: Standardizarea datelor Întrucât datele inițiale sunt exprimate în unități de măsură diferite atunci pentru a opera cu acestea, matricea datelor inițiale se transformă pe baza următoarei relații: </formula>, unde
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
un vector din spațiul n -dimensional, nR , numit spațiul caracteristicilor; matricea datelor inițiale ce conține informația în stare brută este reprezentată prin: Standardizarea datelor Întrucât datele inițiale sunt exprimate în unități de măsură diferite atunci pentru a opera cu acestea, matricea datelor inițiale se transformă pe baza următoarei relații: </formula>, unde: jx - reprezintă media valorilor caracteristicilor și este calculată după formula: Prin această operație se realizează mutarea originii axelor de coordonate în centrul de greutate al norului de puncte. În cazul
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
extrase aleator iar celor n unități li se acordă aceeași importanță, probabilitățile sunt egale cu n 1 . Totuși, în cele mai multe cazuri se lucrează cu ponderi diferite. Dacă notăm cu if aceste ponderi, atunci frecvențele relative pot fi grupate într-o matrice diagonală D de dimensiune n , iar suma frecvențelor relative este egală cu 1. Evaluarea distanțelor dintre indivizii colectivității În analiza multidimensională a datelor statistice se pot identifica spațiul unităților investigate și spațiul variabilelor urmărite. Fiecare unitate investigată fiind un punct
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
totală a norului este egală cu suma dispersiilor celor p variabile; </formula> Cazul IV. Dacă </formula>, atunci inerția totală este egală cu numărul de variabile p și nu depinde de valorile variabilelor. În spațiul caracteristicilor se definește metrica reprezentată prin matricea D, ca și în cazul spațiului indivizilor. Cu ajutorul acestei matrici diagonale a frecvențelor se calculează următoarele: -produsul scalar dintre două variabile jX și , kX care reprezintă covarianța și este dat de relația: </formula>-norma variabilei egală cu dispersia variabilei
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
formula> Cazul IV. Dacă </formula>, atunci inerția totală este egală cu numărul de variabile p și nu depinde de valorile variabilelor. În spațiul caracteristicilor se definește metrica reprezentată prin matricea D, ca și în cazul spațiului indivizilor. Cu ajutorul acestei matrici diagonale a frecvențelor se calculează următoarele: -produsul scalar dintre două variabile jX și , kX care reprezintă covarianța și este dat de relația: </formula>-norma variabilei egală cu dispersia variabilei respective: </formula>-dacă în spațiul indivizilor interesează distanțele dintre puncte, în
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
kc a unui individ k nu este suficientă pentru reperarea acestuia. Apare astfel necesitatea de a identifica o a doua direcție. Al doilea factor nu trebuie să fie corelat cu primul, direcția sa fiind perpendiculară pe cea a primului factor. Matricea R este simetrică și pozitiv definită, deci are toate cele p valori proprii reale nenegative. În procesul de alegere a vectorilor proprii se va ține seama că, primul reține maximum din informația totală, al doilea maximum din ceea ce rămâne
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
Multicoliniaritatea între variabile este în general preferată, din moment ce corelațiile sunt cheia spre reducerea datelor. O precauție de care cercetătorii trebuie să țină seama atunci când realizează o analiză a componentelor principale cu eșantioane de volum redus, în special dacă elementele din matricea de corelație au valori mici, este să aplice testul de sfericitate Barlett (Cooley și Lohnes, 1971, p. 103). Procedura testează ipoteza nulă că variabilele în matricea de corelație a populației sunt necorelate (Stevens, Applied multivariate statistics for the social sciences
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
analiză a componentelor principale cu eșantioane de volum redus, în special dacă elementele din matricea de corelație au valori mici, este să aplice testul de sfericitate Barlett (Cooley și Lohnes, 1971, p. 103). Procedura testează ipoteza nulă că variabilele în matricea de corelație a populației sunt necorelate (Stevens, Applied multivariate statistics for the social sciences 2002, p. 388). Dacă ipoteza nu este respinsă, atunci variabilele sunt deja necorelate și nu are sens efectuarea analizei componentelor principale. Măsurarea Adecvării Statistice a lui
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
variabilă poate fi prezisă de toate celelalte variabile. O valoare MSA de 0.8 sau mai mare este foarte bună, în timp ce o măsură sub 0.5 este considerată slabă. (Richarme, 2001) Un alt indicator al adecvării pentru analiză îl constituie matricea de corelație anti-imagine. Fiecare valoare de pe diagonala principală a acestei matrice arată măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. Se recomandă înlăturarea
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
de 0.8 sau mai mare este foarte bună, în timp ce o măsură sub 0.5 este considerată slabă. (Richarme, 2001) Un alt indicator al adecvării pentru analiză îl constituie matricea de corelație anti-imagine. Fiecare valoare de pe diagonala principală a acestei matrice arată măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. Se recomandă înlăturarea din analiză a unor asemenea variabile. Analiza componentelor principale este utilizată
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
carieră în domeniul examinat (%) .460 Ponderea elevilor care sunt evaluați în limbă națională(%) .571 Indicele PISA de dezvoltare economică, socială și culturală .711 Sursa: Rezultate obținute în SPSS prin ACP Un alt indicator al adecvării variabilelor pentru analiză îl constituie matricea de corelație anti-imagine. Fiecare valoare (tabelul nr. 2) de pe diagonala acestei matrice arată măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. Se
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
571 Indicele PISA de dezvoltare economică, socială și culturală .711 Sursa: Rezultate obținute în SPSS prin ACP Un alt indicator al adecvării variabilelor pentru analiză îl constituie matricea de corelație anti-imagine. Fiecare valoare (tabelul nr. 2) de pe diagonala acestei matrice arată măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. Se recomandă înlăturarea din analiză a unor asemenea variabile. În această cercetare trei dintre
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
de 15 ani din țara observată, număr elevi ce revin la un cadru didactic și ponderea elevilor care vor să urmeze o carieră în domeniul examinat (%). Efectuarea propriu-zisă a ACP constă în determinarea vectorilor proprii și a valorilor proprii ale matricei corelațiilor asociată ansamblului de variabile analizate. Soluția factorială indică o grupare a variabilelor pe 5 componente principale care explică 79.304% din varianța totală. (tabelul nr. 3) În urma analizei efectuate s-a decis că variabilele: număr elevi de 15 ani
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
cu structura celorlalte, au rezultat următoarele: - Îmbunătățirea măsurii de adecvare a eșantionării Kaiser-Meyer-Olkin, aceasta înregistrând o valoare mult mai apropiată de 1, ceea ce înseamnă că noul set de date este mai potrivit pentru o analiză factorială. Valorile coeficienților MSA din matricea anti-imagine sunt toate mai mari decât 0. 583 ceea ce arată o bună potrivire a fiecărei variabile cu structura celorlalte (tabelul nr. 5). Soluția factorială indică o grupare a variabilelor pe 2 componente principale (în loc de 5) care explică 67.396% din
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
între ele de regiuni cu o densitate relativ scăzută de puncte. Problema esențială în determinarea (identificarea) clusterelor este cea a specificării proximității (apropierii, similarității) și modalitatea de determinare a acesteia. Datele utilizate în analiza cluster pot fi organizate într-o matrice de forma </formula>, unde rândurile corespund obiectelor (sau cazurilor) și coloanele corespund variabilelor. Analiza cluster presupune parcurgerea a două etape fundamentale: 1. Alegerea unei măsuri a proximității. Se măsoară pentru fiecare pereche de observații (obiecte) similaritatea / disimilaritatea valorilor lor. O
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
variabile, în clusteri cât mai omogeni posibil și cât mai diferențiați între ei. Pentru că volumul populației studiate este de 57 țări s-au aplicat metodele de grupare ierarhică (Hierarchical Cluster Analysis). În urma prelucrării statistice a datelor, în SPSS, se obține matricea proximităților, distanța dintre clustere, componența clusterelor și dendograma. Matricea proximităților arată distnța dintre unitățile statistice. Analiza valorilor din matricea proximităților obținut prin prelucrarea dateleor în SPSS permite evidențierea unităților statistice între care există cele mai mici, respective cele mai mari
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
mai diferențiați între ei. Pentru că volumul populației studiate este de 57 țări s-au aplicat metodele de grupare ierarhică (Hierarchical Cluster Analysis). În urma prelucrării statistice a datelor, în SPSS, se obține matricea proximităților, distanța dintre clustere, componența clusterelor și dendograma. Matricea proximităților arată distnța dintre unitățile statistice. Analiza valorilor din matricea proximităților obținut prin prelucrarea dateleor în SPSS permite evidențierea unităților statistice între care există cele mai mici, respective cele mai mari diferențe. Cea mai mică valoare din matricea proximităților este
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
57 țări s-au aplicat metodele de grupare ierarhică (Hierarchical Cluster Analysis). În urma prelucrării statistice a datelor, în SPSS, se obține matricea proximităților, distanța dintre clustere, componența clusterelor și dendograma. Matricea proximităților arată distnța dintre unitățile statistice. Analiza valorilor din matricea proximităților obținut prin prelucrarea dateleor în SPSS permite evidențierea unităților statistice între care există cele mai mici, respective cele mai mari diferențe. Cea mai mică valoare din matricea proximităților este 0.333 și măsoară distanța dintre unitățile Argentina și Brazilia
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
și dendograma. Matricea proximităților arată distnța dintre unitățile statistice. Analiza valorilor din matricea proximităților obținut prin prelucrarea dateleor în SPSS permite evidențierea unităților statistice între care există cele mai mici, respective cele mai mari diferențe. Cea mai mică valoare din matricea proximităților este 0.333 și măsoară distanța dintre unitățile Argentina și Brazilia, iar cea mai mare valoare este 207.433 care măsoară distanța dintre unitățile Finlada și Kârgâzstan. Aceasta arată că Argentina și Brazilia vor forma primul cluster, deoarece sunt
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
a distanței euclidiene dintre acestea este cea mai mică, respectiv unitățile 31 (Argentina) și 33 (Brazilia) sunt reunite într-un prim cluster. Valoarea distanței dintre acestea este de 0.333. Această valoare reprezintă distanța euclidiană care se regăsește și în matricea de proximitate. În a doua etapă a clasificării, clusterul 1, se reunește cu unitatea 12 (Islanda) pentru a forma un nou cluster. Valoarea din coloana Coeficienți de grupare arată distanța euclidiană dintre nivelul mediu al variabilelor calculate pentru unitățile din
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
multe grupuri. Absența multicoliniarității perfecte - dacă una dintre variabilele independente este corelată foarte puternic cu altă variabilă independentă sau una dintre variabilele independente este o funcție de alte variabile independente, atunci valoarea toleranței pentru acea variabilă va fi aproape de 0 și matricea nu va avea o soluție discriminant unică. 11 Anița, Alina Măriuca, Analiză statistică multivariată aplicată în studiul sărăciei, Ed. Universității Alexandru Ioan Cuza, 2008 4.4.3. Rezultate obținute cu ajutorul analizei discriminant Selectarea variabilelor discriminatorii Pentru aflarea variabilelor discriminatorii care
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
of Sampling Adequacy) care a înregistrat o valoare egală cu 0.796 mai mare decât 0.5, a indicat faptul că o analiză factorială este utilă pentru datele considerate. Un alt indicator al adecvării variabilelor pentru analiză l-a constituie matricea de corelație anti-imagine. Fiecare valoare de pe diagonala acestei matrice aratând măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. S-a recomandat înlăturarea din
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
cu 0.796 mai mare decât 0.5, a indicat faptul că o analiză factorială este utilă pentru datele considerate. Un alt indicator al adecvării variabilelor pentru analiză l-a constituie matricea de corelație anti-imagine. Fiecare valoare de pe diagonala acestei matrice aratând măsura adecvării eșantionării (MSA) pentru itemul respectiv. Valorile mai mici decât 0.5 pot indica variabile care nu par să se potrivească cu structura celorlalte. S-a recomandat înlăturarea din analiză a unor asemenea variabile. Astfel că în exemplul
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]
-
de 15 ani din țara observată, număr elevi ce revin la un cadru didactic, ponderea elevilor care vor să urmeze o carieră în domeniul examinat (%). Efectuarea propriu-zisă a ACP a constat în determinarea vectorilor proprii și a valorilor proprii ale matricei corelațiilor asociată ansamblului de variabile analizate. Soluția factorială a indicat o grupare a variabilelor pe 5 componente principale care explică 79.304% din varianța totală. În urma analizei efectuate s-a decis că variabilele: număr elevi de 15 ani din țara
Modelarea statistică a performanţei elevilor la teste le PISA by Eman ue la - Alisa N i c a () [Corola-publishinghouse/Science/91882_a_92403]