60,397 matches
-
eroarea introdusă de măsurare, eșantionare, culegerea datelor etc. În analiza componentelor principale se va descompune întreaga varianță a variabilelor. În analiza factorială propriu-zisă se va descompune doar varianța comună a variabilelor. În analiza componentelor principale, estimarea scorurilor factoriale se face pornind de la asumpția că factorii (componentele principale) explică întreaga varianță, atât cea comună, cât și cea specifică și eroarea. Acest lucru înseamnă că, în matricea de corelații ajustate, pe diagonală se vor trece comunalități egale cu 1 (matricea de corelații ajustate
[Corola-publishinghouse/Science/2075_a_3400]
-
anterior. Procedura se repetă până când nu se mai produce nici o îmbunătățire a modelului 1. În ceea ce privește (b) metoda probabilității maxime - the maximum likelihood method -, ea încearcă, de asemenea, să găsească o soluție factorială care modelează cel mai bine corelațiile observate. Se pornește de la presupunerea că eșantionul de pe care s-au cules datele provine dintr-o populație pentru care un model factorial cu k factori explică perfect corelațiile dintre variabile și în care distribuția variabilelor (inclusiv a factorilor) este normală. Nu se cunoaște
[Corola-publishinghouse/Science/2075_a_3400]
-
populații din care a fost extras eșantionul. Situația tipică în cercetarea socială este aceea în care dispunem de date obținute pe un eșantion de obiecte (indivizi, localități, produse, partide etc.) din populație. În cazul analizei factoriale, datele originale de la care pornim sunt corelațiile (sau covarianțele) din cadrul unui set de variabile observate, obținute pe un eșantion. Există două tipuri de inferențe pe care analistul trebuie să le facă. Primele se referă la estimarea structurii factoriale latente (estimarea saturațiilor factoriale pentru identificarea dimensiunilor
[Corola-publishinghouse/Science/2075_a_3400]
-
ca bază de decizie de către multe instituții financiare internaționale, investitori economici și organe de decizie politică. În evaluarea fenomenului corupției dintr-o țară, percepția populației asupra gradului și răspândirii corupției reprezintă, printre altele, un element care concură la evaluarea finală. Pornind de la o serie de date furnizate de Barometrul de Opinie Publică 2003, voi încerca să stabilesc felul în care se structurează percepția populației asupra corupției. Voi încerca să identific dimensiunile latente ale opiniei oamenilor despre acest fenomen, pentru a înțelege
[Corola-publishinghouse/Science/2075_a_3400]
-
țări față de, să zicem, valoarea variabilei „speranța de viață” (măsurată în ani), care este de ordinul zecilor. Pentru a le da aceeași pondere în calculul distanței, este recomandat ca variabilele să fie standardizate într-un fel sau altul, înainte de a porni algoritmul de grupare bazat pe aceste distanțe. Măsuri de similaritate a obiectelortc "Măsuri de similaritate a obiectelor" Analiza cluster produce grupuri de obiecte similare, în funcție de criterii stabilite. Dar cum estimăm similaritatea dintre obiecte? Cum construim o măsură a similarității acestora
[Corola-publishinghouse/Science/2075_a_3400]
-
voi analiza soluțiile lor și voi încerca să arăt în ce fel diferă ele de la o metodă la alta2. Metode de grupare ierarhice aglomerativetc "Metode de grupare ierarhice aglomerative" Acestea sunt cele mai populare metode de grupare 1. Algoritmul lor pornește de la mulțimea de obiecte, care pot fi considerate grupuri alcătuite din câte un obiect. La fiecare pas sunt alăturate două dintre grupuri într-unul singur (fie că sunt cazuri individuale, fie că deja sunt grupuri care cuprind mai multe obiecte
[Corola-publishinghouse/Science/2075_a_3400]
-
grupuri care conțin un număr mic de obiecte și să producă grupuri cu un număr aproximativ egal de componente. Metode de partiționare iterativătc "Metode de partiționare iterativă" În contrast cu metodele de grupare ierarhice, cele de partiționare nu au formă arborescentă, ci pornesc de la o împărțire inițială a obiectelor într-un număr specificat de grupuri. Algoritmul generic de grupare într-o metodă de partiționare iterativă este următorul. Se pornește de la o partiționare a setului de date într-un număr specificat de grupuri (k
[Corola-publishinghouse/Science/2075_a_3400]
-
iterativă" În contrast cu metodele de grupare ierarhice, cele de partiționare nu au formă arborescentă, ci pornesc de la o împărțire inițială a obiectelor într-un număr specificat de grupuri. Algoritmul generic de grupare într-o metodă de partiționare iterativă este următorul. Se pornește de la o partiționare a setului de date într-un număr specificat de grupuri (k grupuri). Se calculează centroidul fiecăruia dintre aceste grupuri (centrul de cluster). Fiecare obiect este alocat grupului cu centroidul cel mai apropiat. Se formează astfel un nou
[Corola-publishinghouse/Science/2075_a_3400]
-
reactualizând calculele pentru tot setul de date. În continuare, se calculează centroizii acestor grupuri. Se repetă procedura- realocarea obiectelor în raport cu noii centroizi - până când nu se mai produc schimbări în componența grupurilor. Există mai multe variante ale acestui algoritm: (i) Se pornește nu de la o partiție oarecare, ci direct de la k puncte care să funcționeze ca niște „centri inițiali de cluster” (cluster seeds). Aceștia sunt selectați după o logică oarecare, putând fi obținuți de pildă prin realizarea în prealabil a unei analize
[Corola-publishinghouse/Science/2075_a_3400]
-
grupurilor este utilă analiza centroizilor. Acest lucru este imediat, atunci când datele originale nu au fost transformate (de exemplu, prin normalizare sau standardizare). În cazul în care s-au operat transformări asupra variabilelor de grupare, analistul poate calcula profiluri ale grupurilor, pornind de la date. Majoritatea pachetelor de programe statistice facilitează acest lucru, prin opțiunea de salvare a componenței grupurilor. Această opțiune creează o variabilă nouă în baza de date, de tip categorial, ale cărei valori indică grupul din care face parte un
[Corola-publishinghouse/Science/2075_a_3400]
-
metrice (de intervale și de rapoarte) folosite de diferitele tipuri de scalare multidimensională. Specificarea funcției f, adică găsirea valorilor coeficienților a și b, se face printr-o metodă statistică des folosită, regresia liniară obținută prin metoda celor mai mici pătrate, pornind de la valorile date D (configurația inițială a punctelor) și Δ (proximitățile dintre obiecte). Funcțiile de transformare pot fi ordinale - ele păstrează rangul (ordinea) dintre proximități. Relația definită de f nu este una precisă în termeni de cifre, ci una monotonă
[Corola-publishinghouse/Science/2075_a_3400]
-
1. Indiferent de felul în care a fost formulată întrebarea în chestionarul sau interviul prin care s-au obținut evaluările de la subiecți, există deci o modalitate de a introduce toată informația într-o bază de date. Analiza de scalare multidimensională pornește de la această bază de date, care, așa cum am arătat mai sus, poate fi alcătuită (1) dintr-o singură matrice de similarități, preferințe sau proximități sau (2) din mai multe matrice de similarități, câte una pentru fiecare subiect. În funcție de asumpțiile de la
[Corola-publishinghouse/Science/2075_a_3400]
-
această bază de date, care, așa cum am arătat mai sus, poate fi alcătuită (1) dintr-o singură matrice de similarități, preferințe sau proximități sau (2) din mai multe matrice de similarități, câte una pentru fiecare subiect. În funcție de asumpțiile de la care pornim, vom specifica un model de scalare multidimensională simplu, RMDS sau WMDS. Un lucru esențial în scalarea multidimensională îl constituie alegerea obiectelor evaluate 2. Așa cum am arătat la începutul acestui capitol, obiectele evaluate pot fi de orice fel: obiecte materiale(produse
[Corola-publishinghouse/Science/2075_a_3400]
-
sunt distanțele dintre ele. Cu alte cuvinte, avem un set global de date care descriu pozițiile relative dintre orașele unei țări, date pe care dorim să le descompunem într-o reprezentare a orașelor într-un spațiu cu mai multe dimensiuni. Pornind de la distanțele dintre orașe, dorim să obținem o reprezentare grafică - o hartă - care să redea configurația lor pe teritoriul țării. Voi construi o bază de date în care voi introduce distanțele dintre 23 de orașe ale României. Acestea sunt: București
[Corola-publishinghouse/Science/2075_a_3400]
-
Severin, Galați, Giurgiu, Iași, Miercurea-Ciuc, Oradea, Piatra-Neamț, Pitești, Ploiești, Sibiu, Suceava, Timișoara, Târgu-Jiu, Târgu-Mureș. Distanțele dintre orașe sunt date de distanțele pe calea ferată. Pentru a obține harta care să redea dispoziția relativă dintre ele, voi realiza o scalare multidimensională pornind de la baza de date a distanțelor. Obiectele a căror configurație spațială voi încerca să o obțin sunt cele 23 de orașe ale României enumerate mai sus. Informația din baza de date reprezintă direct proximități între obiecte. Nu este deci nevoie
[Corola-publishinghouse/Science/2075_a_3400]
-
1989 în spațiul cultural al orașului Cluj-Napoca1. A fost definit scriitor orice autor cu volume publicate, indiferent de genul de producție literară: roman, poezie, eseu, confesiune, teatru, critică, teorie literară, istorie literară, traducere. S-a încercat realizarea unui eșantion complet, pornind de la listele Asociației Uniunii Scriitorilor (filiala Cluj-Napoca). Folosind metoda bulgărelui de zăpadă, prin care subiecții intrați deja în eșantion numesc alți subiecți până când nou-intrații nu mai aduc nume noi, au fost identificați scriitorii care nu sunt membri ai acestei asociații
[Corola-publishinghouse/Science/2075_a_3400]
-
analizei 1. Avantajele principale ale acestei tehnici sunt următoarele 2. Primul este acela de a putea reprezenta într-un spațiu perceptual tabele de variabile cu mai multe categorii. Analiza de corespondență este singura tehnică prin care se produc hărți metrice pornind de la date măsurate pe cea mai puțin restrictivă scală de măsură (nominală). Al doilea avantaj este acela că, așa cum vom vedea în continuare, analiza de corespondență portretizează nu doar relațiile dintre variabile (rândurile și coloanele unui tabel de contingență), ci
[Corola-publishinghouse/Science/2075_a_3400]
-
de corespondențătc "Logica analizei de corespondență" Analiza de corespondență realizează o descriere a datelor cuprinse într-un tabel de contingență, deslușind structura latentă a datelor prin reducerea dimensionalității lor și reprezentarea geometrică (vizuală) a categoriilor într-un spațiu metric. Analiza pornește de la un tabel de contingență, adică de la tabularea a două variabile nominale, una reprezentată pe linii, cealaltă pe coloane. Analitic, se prelucrează separat categoriile fiecăreia dintre variabile. În primul pas se calculează profilurile categoriilor primei variabile (frecvențele relative), care arată
[Corola-publishinghouse/Science/2075_a_3400]
-
de corespondență dintre categoriile a două variabile, reprezentându-le într-un spațiu metric cu puține dimensiuni. Dată fiind lipsa constrângerilor și condițiilor de orice fel asupra datelor, avem o foarte mare libertate în ceea ce privește modul în care sunt construite variabilele. Analiza pornește de la un tabel de contingență, însă liniile și coloanele nu au semnificații predeterminate: de pildă, rândurile reprezintă obiecte și coloanele reprezintă atribute, cum se întâmplă în cazul analizei cluster. Ele pot fi atât obiecte, cât și atribute. Putem avea obiecte
[Corola-publishinghouse/Science/2075_a_3400]
-
distanțelor dintre puncte" Analiza de corespondență realizează separat câte o reprezentare geometrică pentru fiecare dintre cele două variabile puse în corespondență. În cele ce urmează vom descrie procedura pentru variabila reprezentată pe linii, X. Distanța dintre două categorii se calculează pornind de la profilurile categoriilor. Așa cum am arătat mai sus, fiecare categorie poate fi concepută ca vector într-un spațiu cu atâtea dimensiuni câte categorii are cealaltă variabilă. Pentru exemplul nostru, categoria „PNȚ-CD” a variabilei „partid” poate fi reprezentată ca vector într-
[Corola-publishinghouse/Science/2075_a_3400]
-
nu reduce nici coerența, nici repetabilitatea rezultatelor de măsurare. Măsurarea. În acest volum, prin măsurare se înțelege procedura prin care obiectelor li se atașează numere, în funcție de starea uneia dintre însușirile lor, conform unor reguli coerente stabilite de cercetător. Metoda compozițională. Pornește de la un set de cazuri, variabile, obiecte sau atribute și urmărește formarea unei reprezentări sau evaluări pe baza combinațiilor (interrelațiilor) dintre ele. Compunerea datelor (cazuri, variabile, obiecte sau atribute) într-o structură cu dimensionalitate redusă se face pe baza unei
[Corola-publishinghouse/Science/2075_a_3400]
-
intră în categoria metodelor compoziționale se numără analiza factorială și analiza cluster. Analiza de corespondență și analiza de omogenitate sunt tehnici compoziționale care au fost special proiectate pentru a produce hărți perceptuale. Metoda decompozițională. O astfel de metodă de cercetare pornește de la evaluări generale sau măsuri globale ale obiectelor și încearcă să obțină un spațiu multidimensional în care pozițiile obiectelor reflectă cât mai bine această apreciere generală. Un exemplu de metodă decompozițională este scalarea multidimensională. Metrica. Analitic, o metrică este o
[Corola-publishinghouse/Science/2075_a_3400]
-
să numere 60 de călugări și Buddha îi trimite pe fiecare să predice individual în toată țara. El le adresează următoarele cuvinte: „O, călugări, m am eliberat de toate legăturile umane și divine și voi, de asemenea, v-ați eliberat. Porniți la drum și umblați pentru binele celor mulți, pentru fericirea celor mulți, din compasiune pentru lume, spre folosul, spre binele, spre fericirea zeilor și a oamenilor. Nu urmați doi același drum. Propovăduiți Legea, care este binefăcătoare la începutul său, binefăcătoare
BUDDHA REALITATE ŞI LEGENDĂ by EMIL VACARIU () [Corola-publishinghouse/Science/463_a_1294]
-
el ar fi respins prima și a doua oară rugămintea ta, dar a treia oară ți-ar fi acceptat-o. Este, așadar, greșeala ta, Ănanda”. Apoi împreună cu discipolul său favorit, Buddha se îndreaptă spre Păpă, cinează la fierarul Cunda și pornește din nou la drum spre Kuśīnagara. Pe malurile râului Kukuțțhăna, Buddha se arată strălucind „ca o flacără fără fum și fără cenușă”, iar această minune, așa cum îi explică lui Ănanda, nu se produce decât în momentul Nirvăṇei și în timpul dobândirii
BUDDHA REALITATE ŞI LEGENDĂ by EMIL VACARIU () [Corola-publishinghouse/Science/463_a_1294]
-
de capturare a prăzii. În pofida marii lor diversități, ultrasunetele emise de lilieci pot fi grupate în două categorii. Prima include sunete cu frecven categorii. Prima include sunete cu frecvență modulată și cu o durată de 1 până la 5 ms, care pornesc de la o frecvență înaltă și coboară abrupt la o frecvență sc scăzută, uneori terminându-se cu o frecvență perceptibil perceptibil perceptibil perceptibilă și de om (de ordinul a 20.000 Hz).A doua categorie este reprezentată de sunetele cu frecvență
Zburătorii din amurg by Emilia Elena Bîrgău () [Corola-publishinghouse/Science/91630_a_92914]