6,232 matches
-
cercetări anterioare pe care le considerăm acceptabile. Așa cum facem în orice alt demers de acest fel, și în analiza factorială putem apela la principii practice pentru reducerea nedeterminării. Nedeterminările de tipul al treilea sunt rezolvate practic prin apelul la principiul adecvării modelului empiric la modelul teoretic. În orice model bazat pe structuri cauzale, cum este și analiza factorială, cercetătorul este cel care trebuie să furnizeze un mecanism cauzal plauzibil pentru felul în care factorii determină variabilele, pe baza cunoașterii datelor. În funcție de
[Corola-publishinghouse/Science/2075_a_3400]
-
unicitate sunt independenți doi câte doi. Negativul coeficientului de corelație parțială (coeficientul de corelație parțială înmulțit cu -1) se numește corelație anti-imagine. Majoritatea pachetelor de programe statistice pe calculator calculează matricea de corelații anti-imagine1. 3) În fine, avem măsuri de adecvare a eșantionării 2. Cea mai folosită dintre acestea este cea a lui Kaiser-Meyer-Olkin (KMO), un indice care compară mărimea corelațiilor cu cea a coeficienților de corelație parțială. Valori mici ale acestui indice sugerează că analiza factorială nu este potrivită pentru
[Corola-publishinghouse/Science/2075_a_3400]
-
în care s-au introdus comunalitățile pe diagonala principală). Atunci când apar erori însă, teorema rang nu mai este adevărată și trebuie să găsim un criteriu prin care să stabilim numărul de factori. În mod imediat, acest criteriu este cel al adecvării modelului la date, determinând cât de bine factorii comuni respectivi pot produce matricea de corelații observate. Conform logicii statistice obișnuite, se vor extrage atâția factori până când discrepanța dintre corelațiile observate și corelațiile produse de modelul factorial va fi suficient de
[Corola-publishinghouse/Science/2075_a_3400]
-
pătrată a valorii proprii corespunzătoare. Valorile proprii λk ne indică proporția din varianță care este explicată de componenta (factorul) respectivă, și anume λk/m. Întotdeauna putem reproduce corelațiile observate printr-un model care are exact atâția factori câte variabile, iar adecvarea modelului pentru date crește o dată cu numărul de factori. Scopul nostru este însă acela de a obține o structură redusă a datelor, de a explica astfel covarianța dintre variabile printr-un număr cât mai mic de factori comuni. Primul factor extras
[Corola-publishinghouse/Science/2075_a_3400]
-
căci avem la dispoziție saturațiile factoriale obținute prin analiza factorială (care sunt echivalente cu corelațiile dintre factor - care trebuie estimat - și variabilele observate - folosite ca predictori) și corelațiile dintre variabilele observate. Cea de a doua metodă, numită după Bartlett, examinează adecvarea modelului luând în considerare variabilitatea introdusă de eșantionare. Dacă varianțele datorate factorilor de unicitate sunt considerate erori de eșantionare (și deci aleatorii), atunci este natural să dăm o pondere mai mică acelor variabile care conțin o cantitate mai mare de
[Corola-publishinghouse/Science/2075_a_3400]
-
Fereastra care se deschide permite specificarea variabilelor observate care intră în analiză. Butonul Descriptives ne dă posibilitatea să obținem o serie de valori privind datele inițiale: matricea de corelații, valoarea determinantului acesteia, matricea anti-imagine, ca și valorile câtorva criterii de adecvare a aplicării analizei factoriale la date, KMO și coeficientul Bartlett de sfericitate. Butonul Extraction deschide o fereastră prin care putem selecta metoda de extragere a factorilor (sunt disponibile șapte metode de extracție, inclusiv metoda componentelor principale), specificăm ce anume analizăm
[Corola-publishinghouse/Science/2075_a_3400]
-
poate fi exprimată sintetic astfel: Δ=f(Δ)=D+E unde E reprezintă termenul de eroare sau discrepanța dintre distanțele între punctele din configurație și transformatele proximităților dintre obiecte. Urmând logica obișnuită în statistică, se va calcula o măsură de adecvare 1 a modelului D pentru datele empirice Δ, care să exprime discrepanța dintre distanțele dij și transformatele proximitățile f(δij). Există mai multe variante de calcul pentru măsura de adecvare, toate asemănătoare ca logică de construcție: se raportează o măsură
[Corola-publishinghouse/Science/2075_a_3400]
-
logica obișnuită în statistică, se va calcula o măsură de adecvare 1 a modelului D pentru datele empirice Δ, care să exprime discrepanța dintre distanțele dij și transformatele proximitățile f(δij). Există mai multe variante de calcul pentru măsura de adecvare, toate asemănătoare ca logică de construcție: se raportează o măsură pătratică a diferențelor dintre distanțe și proximități (pătratică, pentru a evita anularea reciprocă a diferențelor de semne opuse) la un factor de scalare, pentru a standardiza măsura. Factorul de scalare
[Corola-publishinghouse/Science/2075_a_3400]
-
evita anularea reciprocă a diferențelor de semne opuse) la un factor de scalare, pentru a standardiza măsura. Factorul de scalare poate fi, de exemplu, suma pătratelor distanțelor dij. Măsura calculată astfel poartă numele de f-stress. f-stress= Figura 2. Măsura de adecvare a modelului folosită în scalarea multidimensională Pentru o configurație inițială se va calcula deci o măsură de adecvare. În cele ce urmează, vom folosi f-stress. Pentru că dorim să obținem cea mai bună soluție, vom căuta să minimizăm discrepanțele dintre transformate
[Corola-publishinghouse/Science/2075_a_3400]
-
de scalare poate fi, de exemplu, suma pătratelor distanțelor dij. Măsura calculată astfel poartă numele de f-stress. f-stress= Figura 2. Măsura de adecvare a modelului folosită în scalarea multidimensională Pentru o configurație inițială se va calcula deci o măsură de adecvare. În cele ce urmează, vom folosi f-stress. Pentru că dorim să obținem cea mai bună soluție, vom căuta să minimizăm discrepanțele dintre transformate și distanțele dintre puncte, pentru ca punctele să reflecte cât mai bine relațiile de proximitate dintre obiecte. Cu alte
[Corola-publishinghouse/Science/2075_a_3400]
-
Pentru că dorim să obținem cea mai bună soluție, vom căuta să minimizăm discrepanțele dintre transformate și distanțele dintre puncte, pentru ca punctele să reflecte cât mai bine relațiile de proximitate dintre obiecte. Cu alte cuvinte, vom căuta să minimizăm măsura de adecvare f-stress, prin ameliorarea configurației de puncte. Pentru a face acest lucru vom selecta o nouă configurație de puncte, care să redea mai bine relațiile dintre obiecte, și se va recalcula măsura de adecvare. Dacă în continuare aceasta este prea mare
[Corola-publishinghouse/Science/2075_a_3400]
-
cuvinte, vom căuta să minimizăm măsura de adecvare f-stress, prin ameliorarea configurației de puncte. Pentru a face acest lucru vom selecta o nouă configurație de puncte, care să redea mai bine relațiile dintre obiecte, și se va recalcula măsura de adecvare. Dacă în continuare aceasta este prea mare, vom continua algoritmul. Ne vom opri fie atunci când măsura de adecvare nu se mai schimbă, în ciuda ameliorării configurației de puncte, fie atunci când este îndeplinit un criteriu de convergență, adică măsura de adecvare a
[Corola-publishinghouse/Science/2075_a_3400]
-
lucru vom selecta o nouă configurație de puncte, care să redea mai bine relațiile dintre obiecte, și se va recalcula măsura de adecvare. Dacă în continuare aceasta este prea mare, vom continua algoritmul. Ne vom opri fie atunci când măsura de adecvare nu se mai schimbă, în ciuda ameliorării configurației de puncte, fie atunci când este îndeplinit un criteriu de convergență, adică măsura de adecvare a ajuns sub un prag stabilit de cercetător (cât mai aproape de zero). Relațiile subiective (percepute) dintre obiecte vor fi
[Corola-publishinghouse/Science/2075_a_3400]
-
de adecvare. Dacă în continuare aceasta este prea mare, vom continua algoritmul. Ne vom opri fie atunci când măsura de adecvare nu se mai schimbă, în ciuda ameliorării configurației de puncte, fie atunci când este îndeplinit un criteriu de convergență, adică măsura de adecvare a ajuns sub un prag stabilit de cercetător (cât mai aproape de zero). Relațiile subiective (percepute) dintre obiecte vor fi reprezentate de ultima configurație de puncte a algoritmului. Realizarea unei analize de scalare multidimensionalătc " Realizarea unei analize de scalare multidimensională" Scalarea
[Corola-publishinghouse/Science/2075_a_3400]
-
evalueze cel puțin 9 obiecte. În cazul în care, de exemplu, le cerem să evalueze perechi de obiecte, respondenții vor trebui să facă 36 de comparații. Raportul dintre numărul de obiecte și dimensionalitatea soluției se reflectă și în măsura de adecvare a soluției. Cel mai adesea, un număr prea mic de obiecte rezultă în soluții cu măsuri de adecvare supraevaluate (indicatorii pentru adecvarea modelului au valori care ne indică un model foarte bun, când în realitate el poate fi sub-specificat, degenerat
[Corola-publishinghouse/Science/2075_a_3400]
-
respondenții vor trebui să facă 36 de comparații. Raportul dintre numărul de obiecte și dimensionalitatea soluției se reflectă și în măsura de adecvare a soluției. Cel mai adesea, un număr prea mic de obiecte rezultă în soluții cu măsuri de adecvare supraevaluate (indicatorii pentru adecvarea modelului au valori care ne indică un model foarte bun, când în realitate el poate fi sub-specificat, degenerat sau supradimensionat). Obținerea configurației de punctetc "Obținerea configurației de puncte" Așa cum am arătat, matricea de proximități constituie punctul
[Corola-publishinghouse/Science/2075_a_3400]
-
facă 36 de comparații. Raportul dintre numărul de obiecte și dimensionalitatea soluției se reflectă și în măsura de adecvare a soluției. Cel mai adesea, un număr prea mic de obiecte rezultă în soluții cu măsuri de adecvare supraevaluate (indicatorii pentru adecvarea modelului au valori care ne indică un model foarte bun, când în realitate el poate fi sub-specificat, degenerat sau supradimensionat). Obținerea configurației de punctetc "Obținerea configurației de puncte" Așa cum am arătat, matricea de proximități constituie punctul deplecare pentru obținerea configurației
[Corola-publishinghouse/Science/2075_a_3400]
-
pentrudiferite dimensionalități. Cercetătorul va aprecia plauzibilitatea și interpretabilitatea diagramelor și se va opri la cea mai bună dintre ele. Această evaluare va fi dublată de o evaluare în funcție de indicatori statistici: numărul de dimensiuni va fi stabilit în funcție de valorile măsurii de adecvare pentru modele de dimensionalități diferite. Măsura de adecvare, f-stress, indică proporția de varianță a transformatelor proximităților dintre obiecte care nu este explicată de model. Cu cât f-stress ia valori mai mici, cu atât modelul este mai bun. Interpretarea f-stress se
[Corola-publishinghouse/Science/2075_a_3400]
-
diagramelor și se va opri la cea mai bună dintre ele. Această evaluare va fi dublată de o evaluare în funcție de indicatori statistici: numărul de dimensiuni va fi stabilit în funcție de valorile măsurii de adecvare pentru modele de dimensionalități diferite. Măsura de adecvare, f-stress, indică proporția de varianță a transformatelor proximităților dintre obiecte care nu este explicată de model. Cu cât f-stress ia valori mai mici, cu atât modelul este mai bun. Interpretarea f-stress se face în termenii aceleiași logici folosite la interpretarea
[Corola-publishinghouse/Science/2075_a_3400]
-
multe variabile explicative în modelul de regresie. Ca în cazul regresiei, și aici ne vom ghida urmând principiul simplității. Vom alege soluția acceptabilă cu cele mai puține dimensiuni. În afară de f-stress, în general programele statistice mai calculează alți câțiva indicatori de adecvare a modelului, care ne pot ghida în alegerea modelului cu cea mai bună dimensionalitate. Unul dintre aceștia este RSQ, corelația simplă pătratică între proximități și transformate. Cu cât aceasta este mai mare, cu atât modelul este mai bun. Un altul
[Corola-publishinghouse/Science/2075_a_3400]
-
un model metric de scalare multidimensională simplă (CMDS), unde distanțele sunt măsurate pe o scală de rapoarte. Voi opta pentru o configurație finală de două dimensiuni (minimum și maximum) și voi cere programului să producă diagramele care dau seama de adecvarea modelului (goodness-of-fit measures). Iată rezultatele acestei scalări pentru modelul specificat mai sus: Tabelul 1 Modelul de scalare multidimensională a distanțelor dintre 23 de orașe ale României Alscal Procedure Options Data Options Number of Rows (Observations/Matrix) 23 Number of Columns
[Corola-publishinghouse/Science/2075_a_3400]
-
pe o hartă perceptuală. Știm acest lucru, deoarece cunoaștem realitatea geografică a dispunerii lor, și știm că două dimensiuni sunt suficiente pentru a reprezenta orașele pe o hartă. Dar interpretarea nu este întotdeauna atât de simplă. De altfel, măsurile de adecvare ale modelului sunt excepționale: stress are valoarea 0.1, iar RSQ este egal cu 0.93. În următorul exemplu vom ilustra procesul de interpretare a dimensiunilor hărții perceptuale raportându-le la caracteristicile obiective ale obiectelor. Exemplul 2: Harta perceptuală a
[Corola-publishinghouse/Science/2075_a_3400]
-
prieteni, respectiv cei care au fost menționați în contextul sprijinului la debut și publicare). Distanțele (proximitățile) sunt deci măsurate pe scală de intervale, producând un model de scalare metric. Am ales o reprezentare într-un spațiu bidimensional, urmând să evaluez adecvarea modelului rezultat. Iată rezultatele pentru prima bază de date de preferință, cea a prieteniilor dintre scriitori: Figura 6. Structurarea spațiului literar clujean în funcție de relațiile de prietenie Modelul este suficient de bun, dacă interpretăm valorile obținute pentru indicii care dau seama
[Corola-publishinghouse/Science/2075_a_3400]
-
rezultat. Iată rezultatele pentru prima bază de date de preferință, cea a prieteniilor dintre scriitori: Figura 6. Structurarea spațiului literar clujean în funcție de relațiile de prietenie Modelul este suficient de bun, dacă interpretăm valorile obținute pentru indicii care dau seama de adecvarea modelului: stress = 0,24, RSQ = 0,86. Se observă gruparea celor mai mulți dintre subiecți în jurul valorii 0 pentru cele două dimensiuni ale modelului, în special pe dimensiunea a doua. Aceștia constituie o semi-periferie (grup mai degrabă marginal) în spațiul literar clujean
[Corola-publishinghouse/Science/2075_a_3400]
-
situându-se relația care are loc în spațiul public, în teatru. Așa cum se vede din acest exemplu, pentru a putea interpreta hărțile perceptuale obținute nu este suficient să folosim doar indicatorii statistici. Stress și RSQ ne dau o idee despre adecvarea modelului, însă interpretarea graficului - a pozițiilor din câmp și a raporturilor dintre ele, a regulilor după care funcționează câmpul - nu poate fi realizată fără o bună cunoaștere a actorilor din câmpul respectiv: scriitorii și instituțiile în care activează. Capitolul 7tc
[Corola-publishinghouse/Science/2075_a_3400]