88 matches
-
big pattern of corruption: Economics, culture and the seesaw dynamics”, Working Paper, No. 11, Department of Economics, University of Aarhus, p. 12. footnote>, de exemplu, a observat că în general corupția scade odată cu creșterea nivelului democrației, dar și că această covarianță prezintă largi variații în funcție de diferitele niveluri de democrație (sau mai degrabă de diferitele stadii ale transformărilor politice - tranzițiilor politice). El sugerează că efectul direct al democratizării asupra nivelului corupției este fals. De fapt, chiar dacă relația dintre democrație și corupție a
Integritate publică şi corupţie:abordări teoretice şi empirice by Florin Marius POPA () [Corola-publishinghouse/Administrative/230_a_217]
-
și legislativ existent pe plan intern și internațional; Analiza riscului Evaluarea riscului unui proiect d.p.d.v. al unui investitor deținător de portofoliu perfect Evoluția riscului de proiect strict individual Evaluarea riscului de proiect, luând în considerare portofoliul de proiecte de întreprindere Covarianța dintre proiecte și efecte de diversificare Riscul de portofoliu Metode aproximative de eliminare a riscului Metode pentru măsurarea riscului Metode pentru identificarea surselor riscului Aplicarea unor metode de echilibru de active financiare (CAOM) Reducerea proiectului (duratei) Ajustarea fluxului normelor Ajustarea
Sinergetica accesării proiectelor Pregătire. Elaborare. Evaluare. Optimizare by Conf. univ. dr. Claudiu CICEA, Lect. univ. dr. Cristian BUŞU () [Corola-publishinghouse/Science/207_a_476]
-
eterogenitate. Relația de asociere dintre aceste două procese opuse este intepretată diferit de la un autor la altul, unii considerând-o corelație (legătură cauzală) în tiparul dialectic acțiune-reacțiune în care globalizarea generează în mod direct localizare ca proces opus1, iar alții covarianță (fără legătură cauzală), în sensul de complementaritate și ocurență simultană a celor două procese, dar în contexte spațiale diferite. Certe rămân însă simultaneitatea și direcțiile lor opuse. În această privință, fenomenul desfășurării simultane a celor două procese în peisajul global
RELATII INTERNATIONALE by Ionuț Apahideanu () [Corola-publishinghouse/Science/798_a_1530]
-
definițiile memoriei sociale, explicând trecerea de la „memoria individuală” la cea „colectivă” sau „socială”. Astfel se disting o serie de teorii: a cadrelor sociale ale memoriei, teoria structurării memoriei de către cultură și interese, cea a disonanței cognitive sau a atribuirii, modelul covarianței. În fine, autorul discută despre self luând ca exemplu „self-ul românesc în tranziție”. În acest capitol descoperim că imaginea propriei persoane depinde foarte mult de interacțiunea cu ceilalți și, de cele mai multe ori, se dezvoltă „prin exercițiul de a ne
[Corola-publishinghouse/Science/2236_a_3561]
-
66 Analiza multivariată de interdependență 71 Alegerea tehnicii de analiză. Exemplu: Identificarea structurii unui câmp social prin analiza de rețea 73 Capitolul 4 Analiza factorială 79 Ce este analiza factorială? 79 Logica analizei factoriale 83 Modele factoriale și structuri de covarianță 90 Realizarea unei analize factoriale 98 Definirea problemei conceptuale 98 Matricea de corelație 99 Extragerea factorilor 101 Rotația factorilor 108 Interpretarea factorilor 111 Scoruri factoriale, scale factoriale și variabile surogat 113 Validarea analizei factoriale 115 Procedura Factor în SPSS 10
[Corola-publishinghouse/Science/2075_a_3400]
-
în diferitele contexte în care apar, este indicat ca noțiunile elementare de statistică să fie recapitulate și bine stăpânite atunci când se începe lectura cărții. Nu am reluat definiția unor noțiuni precum cele de variabilă, medie, distribuție de frecvență, varianță sau covarianță. Acestea sunt elementare și absolut oricine trebuie să le cunoască - socotesc că lucrul acesta este de la sine înțeles, așa cum este de la sine înțeles că oricine știe ce este o adunare, un număr întreg sau un triunghi. Dincolo de cunoașterea acestor lucruri
[Corola-publishinghouse/Science/2075_a_3400]
-
două jumătăți furnizează o estimată a fidelității întregului set de itemi. În fine, o altă metodă de estimare a fidelității unei măsuri, care evită repetarea măsurării sau divizarea itemilor scalei de măsură și care folosește informația dată de varianța și covarianța itemilor, este cea a coerenței interne 2. Plecând de la asumpția că itemii măsoară aspecte diferite ale aceluiași concept, fidelitatea reflectă complementaritatea diferiților itemi în măsurarea aceleiași caracteristici 3. Niveluri ale măsurăriitc "Niveluri ale măsurării" Pentru orice persoană inițiată în statistica
[Corola-publishinghouse/Science/2075_a_3400]
-
empirice de care dispunem sunt covariațiile (corelațiile) dintre variabilele observate. Varianța lui X1, adică abaterea pătrată medie de la media variabilei X1, poate fi exprimată în funcție de varianțele variabilelor care o determină, F1 și U1. Fiindcă am considerat F1 și U1 independente, covarianța (corelația) dintre acestea este nulă. Var(X1) = ș S(X1i - )2 ț / N Valoarea N reprezintă volumul eșantionului care ne-a furnizat datele. Presupunând că variabila X1 are media egală cu 0 (lucru ce se poate realiza ușor, printr-o
[Corola-publishinghouse/Science/2075_a_3400]
-
care se datorează factorului comun. Comunalitatea lui X1 este b112, comunalitatea lui X2 este b212. Restul din varianță poartă numele de unicitate și este egală cu 1 - b112 = d12 pentru X1, respectiv cu 1 - b212 = d22 pentru X21. Putem descompune covarianța dintre un factor și o variabilă observată în aceeași manieră. Vom presupune variabilele F1 și X1 transformate în așa fel încât media lor este egală cu 0. Cov(F1,X1) = ș S(F1i - )(X1i - ) ț / N Cov(F1,X1) = b11
[Corola-publishinghouse/Science/2075_a_3400]
-
în așa fel încât media lor este egală cu 0. Cov(F1,X1) = ș S(F1i - )(X1i - ) ț / N Cov(F1,X1) = b11 Var(F1) + d1 Cov(F1,U1) Cov(F1,X1) = b11 Var(F1) Dacă variabilele sunt standardizate, atunci covarianța dintre cele două variabile este egală cu coeficientul de corelație dintre ele, iar formula devine: Cov(F1,X1) = r(F1,X1) = b11 Vom obține o formulă similară pentru covarianța dintre F1 și cealaltă variabilă observată X2: Cov(F1,X2) = r
[Corola-publishinghouse/Science/2075_a_3400]
-
Cov(F1,X1) = b11 Var(F1) Dacă variabilele sunt standardizate, atunci covarianța dintre cele două variabile este egală cu coeficientul de corelație dintre ele, iar formula devine: Cov(F1,X1) = r(F1,X1) = b11 Vom obține o formulă similară pentru covarianța dintre F1 și cealaltă variabilă observată X2: Cov(F1,X2) = r(F1,X2) = b21 Astfel, în modelul particular cu două variabile observate determinate de un singur factor comun, scorurile factoriale pentru fiecare variabilă sunt egale cu corelația dintre factor și
[Corola-publishinghouse/Science/2075_a_3400]
-
observată X2: Cov(F1,X2) = r(F1,X2) = b21 Astfel, în modelul particular cu două variabile observate determinate de un singur factor comun, scorurile factoriale pentru fiecare variabilă sunt egale cu corelația dintre factor și variabilă. În fine, putem estima covarianța dintre X1 și X2 urmând aceeașicale: Cov(X1,X2) = ș S(X1i - )(X2i - ) ț / N Cov(X1,X2) = b11 b21 Var(F1) + b11 d1 Cov(F1,U2) + b21 d1 Cov(F1,U1) + d1 d2 Cov(U1,U2) Cov(X1,X2
[Corola-publishinghouse/Science/2075_a_3400]
-
care sunt implicate scorurile factoriale, pe care dorim să le estimăm, și, pe de altă parte, corelațiile dintre variabilele observate, singurele date pe care le avem la dispoziție în afară de asumpțiile noastre teoretice. Urmând același procedeu de descompunere a varianțelor și covarianțelor, se arată că, în modelul factorial general cu m variabile observate și n factori, scorurile factoriale sunt echivalente corelațiilor dintre factori și variabile, dacă factorii sunt ortogonali doi câte doi (sunt independenți doi câte doi). bij = r(Xi,Fj) pentru
[Corola-publishinghouse/Science/2075_a_3400]
-
factorial. Dar până acolo trebuie să înțelegem mai bine felul în care construim acest model și, înainte de a trece la procedurile și estimările statistice, trebuie să clarificăm chestiunile conceptuale. Modele factoriale și structuri de covarianțătc "Modele factoriale și structuri de covarianță" Modelul general despre care am vorbit până acum, în care m variabile observate sunt determinate de n factori, este unul particular, în sensul condițiilor impuse asupra lui: factorii sunt ortogonali, variabilele de unicitate U1, U2, ..., Um sunt independente două câte
[Corola-publishinghouse/Science/2075_a_3400]
-
Ajunși aici, putem spune ceea ce deja am sugerat în această secțiune prin modelele și conceptele introduse. Prin analiza factorială dorim să descoperim structura latentă a unui set de date, dat prin m variabile observate X1, X2, ..., Xm, folosind matricea de covarianțe (corelații) dintre ele. Până acum ne-am folosit de câteva exemple care presupuneau că modelul factorial este cunoscut (erau specificate numărul de factori comuni, complexitatea factorială a fiecărei variabile observate, ortogonalitatea sau oblicitatea factorilor) și că există o corespondență perfectă
[Corola-publishinghouse/Science/2075_a_3400]
-
de câteva exemple care presupuneau că modelul factorial este cunoscut (erau specificate numărul de factori comuni, complexitatea factorială a fiecărei variabile observate, ortogonalitatea sau oblicitatea factorilor) și că există o corespondență perfectă între matricea de saturații factoriale și matricea de covarianțe (corelații) dintre variabile. Dacă saturațiile factoriale sunt cunoscute, atunci putem deriva în mod univoc corelațiile dintre variabile. În realitate însă, situația practică în care suntem este inversa: dorim să obținem structura factorială (matricea saturațiilor, complexitatea factorială a variabilelor, gradul de
[Corola-publishinghouse/Science/2075_a_3400]
-
În realitate însă, situația practică în care suntem este inversa: dorim să obținem structura factorială (matricea saturațiilor, complexitatea factorială a variabilelor, gradul de determinare factorială a fiecărei variabile, relația dintre factori în termeni de ortogonalitate sau oblicitate) pornind de la corelațiile (covarianțele) cunoscute dintre variabilele observate. Dificultatea apare deoarece demersul prin care facem inferențe despre factori pornind de la covarianțele (corelațiile) dintre variabile conține o serie de nedeterminări. Aceeași structură de covarianță poate fi produsă de nenumărate structuri cauzale (modele factoriale). Cunoașterea covarianțelor
[Corola-publishinghouse/Science/2075_a_3400]
-
complexitatea factorială a variabilelor, gradul de determinare factorială a fiecărei variabile, relația dintre factori în termeni de ortogonalitate sau oblicitate) pornind de la corelațiile (covarianțele) cunoscute dintre variabilele observate. Dificultatea apare deoarece demersul prin care facem inferențe despre factori pornind de la covarianțele (corelațiile) dintre variabile conține o serie de nedeterminări. Aceeași structură de covarianță poate fi produsă de nenumărate structuri cauzale (modele factoriale). Cunoașterea covarianțelor dintre variabile nu duce imediat la cunoașterea structurii cauzale latente (a factorilor comuni). De exemplu, oricare dintre
[Corola-publishinghouse/Science/2075_a_3400]
-
dintre factori în termeni de ortogonalitate sau oblicitate) pornind de la corelațiile (covarianțele) cunoscute dintre variabilele observate. Dificultatea apare deoarece demersul prin care facem inferențe despre factori pornind de la covarianțele (corelațiile) dintre variabile conține o serie de nedeterminări. Aceeași structură de covarianță poate fi produsă de nenumărate structuri cauzale (modele factoriale). Cunoașterea covarianțelor dintre variabile nu duce imediat la cunoașterea structurii cauzale latente (a factorilor comuni). De exemplu, oricare dintre modelele prezentate în figurile 4, 5, 6 poate reprezenta la fel de bine structura
[Corola-publishinghouse/Science/2075_a_3400]
-
covarianțele) cunoscute dintre variabilele observate. Dificultatea apare deoarece demersul prin care facem inferențe despre factori pornind de la covarianțele (corelațiile) dintre variabile conține o serie de nedeterminări. Aceeași structură de covarianță poate fi produsă de nenumărate structuri cauzale (modele factoriale). Cunoașterea covarianțelor dintre variabile nu duce imediat la cunoașterea structurii cauzale latente (a factorilor comuni). De exemplu, oricare dintre modelele prezentate în figurile 4, 5, 6 poate reprezenta la fel de bine structura unui set de date. Kim și Mueller sintetizează principalele tipuri de
[Corola-publishinghouse/Science/2075_a_3400]
-
a factorilor comuni). De exemplu, oricare dintre modelele prezentate în figurile 4, 5, 6 poate reprezenta la fel de bine structura unui set de date. Kim și Mueller sintetizează principalele tipuri de nedeterminare care apar1. Acestea ar fi: 1) Aceeași structură de covarianță, saturații diferite. De exemplu, structurile cauzale din figurile 4 și 5, care au matricele de saturații următoare, conduc la aceeași matrice de corelații între variabile. Figura 7. Matricele saturațiilor pentru structurile cauzale prezentate în figurile 4 și 52 În general
[Corola-publishinghouse/Science/2075_a_3400]
-
de corelații. Pentru a determina configurația care corespunde realității, putem restrânge mulțimea de modele factoriale urmând un model teoretic plauzibil și solid argumentat sau putem să ne ghidăm după rezultatele unor cercetări anterioare în tema respectivă. 2) Aceeași structură de covarianță, număr variabil de factori. Se poate demonstra matematic că există o corespondență între numărul de factori într-un model cauzal și rangul unei matrice construite, numită matrice de corelație ajustată. Matricea de corelație ajustată este alcătuită din corelațiile între variabilele
[Corola-publishinghouse/Science/2075_a_3400]
-
situate pe diagonală. Această corespondență sugerează că și inversa ei ar putea fi posibilă, și anume că numărul de factori comuni latenți poate fi aflat din examinarea matricei de corelație ajustată și calculul rangului acesteia 1. 3) Aceeași structură de covarianță, mai multe tipuri de structuri cauzale. Una dintre presupunerile pe care le-am făcut în construcția modelului factorial a fost următoarea: corelația dintre două variabile se datorează determinării acestora de către un factor comun. Însă corelația dintre două variabile se poate
[Corola-publishinghouse/Science/2075_a_3400]
-
mai simplu pentru descrierea realității, că o structură mai simplă este mai profitabilă decât una mai complexă. Teorema rang poate fi utilă aici, pentru selecția unui model factorial cu un număr minim de factori, care să se potrivească matricei de covarianță. Faptul că teorema ne indică un model consistent cu datele, ce are un număr minimal de factori egal cu rangul matricei de corelație ajustată, nu demonstrează însă că există doar acei factori, și nu mai mulți, care să dea seama
[Corola-publishinghouse/Science/2075_a_3400]
-
total), atunci atribuirea valorilor 0, 1, 2, 3 treptelor scalei ar răspunde pozitiv condițiilor de mai sus. Matricea de corelațietc "Matricea de corelație" Cel de-al doilea pas este cel de examinare a datelor și de calculare a matricei de covarianță/corelație. În realizarea unei analize factoriale cel mai adesea folosim ca punct de start matricea de corelație. Acest lucru rezolvă problemele care pot apărea din pricina scalelor de măsură diferite ale variabilelor și a varianțelor diferite pe care acestea le pot
[Corola-publishinghouse/Science/2075_a_3400]