KorAP: Find »[drukola/base=multidimensional & drukola/pos=adjective]« with Poliqarp

<1 ...39 40 41 42 >

1,049 matches

Corola-publishinghouse/Science/2075_a_3400

și natura erorilor. Dacă acestea sunt importante și au o formă sistematică, este nevoie să introducem o nouă dimensiune. Eventual, analiza reziduurilor ne poate indica semnificația noii dimensiuni. Interpretarea și evaluarea rezultatelortc "Interpretarea și evaluarea rezultatelor" Interpretarea rezultatelor în scalarea multidimensională constă în interpretarea configurației de puncte obținute. Cel mai important lucru aici constă în descrierea dimensiunilor subiective și asocierea lor cu atributele obiective ale obiectelor. Cum spuneam și înainte, experiența și intuiția cercetătorului, pe fondul cunoașterii problematicii din studii anterioare

[Corola-publishinghouse/Science/2075_a_3400]
unei astfel de analize depinde de variabilele în funcție de care s-au calculat proximitățile. De exemplu, în situația în care acestea sunt itemii unui diferențiator semantic, se va face câte o regresie liniară pentru fiecare variabilă, folosind dimensiunile obținute în urma scalării multidimensionale ca variabile independente. În funcție de coeficienții standardizați de regresie, vom putea identifica acele variabile care sunt determinate în cea mai mare măsură de fiecare dintre dimensiuni. Astfel, dacă variabila X are un coeficient de regresie standardizat mare pentru dimensiunea 1, putem

[Corola-publishinghouse/Science/2075_a_3400]
mare măsură de fiecare dintre dimensiuni. Astfel, dacă variabila X are un coeficient de regresie standardizat mare pentru dimensiunea 1, putem interpreta dimensiunea 1 ca fiind legată de caracteristica X. Un mod alternativ de interpretare a configurației produse prin scalare multidimensională este studiul vecinătăților. Această interpretare nu se preocupă de interpretarea dimensiunilor, ci, similar analizei cluster, încearcă să identifice grupuri de obiecte (de puncte) așezate în poziții apropiate. O astfel de interpretare se centrează îndeosebi asupra distanțelor mici (asupra similarităților) și

[Corola-publishinghouse/Science/2075_a_3400]
atunci când este respectată regula practică privind raportul dintre numărul obiectelor evaluate și dimensionalitatea soluției și atunci când cercetătorul are suficiente date privind caracteristicile obiective ale obiectelor, identificarea dimensiunilor nu este o problemă. Validarea analizeitc "Validarea analizei" Problema validării rezultatelor în scalarea multidimensională este importantă, ca în cazul tuturor metodelor de analiză multivariată. Strategia este aceeași: fie divizăm eșantionul în subeșantioane și repetăm analiza pentru cele două subeșantioane, fie realizăm analiza pe două eșantioane diferite și comparăm rezultatele obținute. Dat fiind specificul său

[Corola-publishinghouse/Science/2075_a_3400]
analiză multivariată. Strategia este aceeași: fie divizăm eșantionul în subeșantioane și repetăm analiza pentru cele două subeșantioane, fie realizăm analiza pe două eșantioane diferite și comparăm rezultatele obținute. Dat fiind specificul său însă, problema caracterului de generalitate a rezultatelor scalării multidimensionale este mai complexă decât în cazul analizei cluster sau al analizei factoriale. De ce? Pentru că generalitatea rezultatelor trebuie să fie asigurată atât la nivelul obiectelor, cât și la nivelul populației. Pe de altă parte, singurele rezultate ale scalării multidimensionale care pot

[Corola-publishinghouse/Science/2075_a_3400]
rezultatelor scalării multidimensionale este mai complexă decât în cazul analizei cluster sau al analizei factoriale. De ce? Pentru că generalitatea rezultatelor trebuie să fie asigurată atât la nivelul obiectelor, cât și la nivelul populației. Pe de altă parte, singurele rezultate ale scalării multidimensionale care pot fi folosite în inferență sunt pozițiile relative ale obiectelor, în funcție de care este constituită harta perceptuală. Dacă similaritatea dispunerii lor este comparabilă, nu există însă bază de comparație pentru semnificația dimensiunilor. Astfel încât, dacă găsim variație în pozițiile relative ale

[Corola-publishinghouse/Science/2075_a_3400]
le coreleze. În cazul în care nivelul de corelație nu este satisfăcător, cercetătorul va trebui să decidă în ce măsură disparitățile se datorează diferențelor de percepție a obiectelor, diferențelor între dimensiuni sau amândurora. O altă soluție este aceea de a dubla scalarea multidimensională cu o tehnică compozițională (îndeosebi analiza de corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri

[Corola-publishinghouse/Science/2075_a_3400]
disparitățile se datorează diferențelor de percepție a obiectelor, diferențelor între dimensiuni sau amândurora. O altă soluție este aceea de a dubla scalarea multidimensională cu o tehnică compozițională (îndeosebi analiza de corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS

[Corola-publishinghouse/Science/2075_a_3400]
obiectelor, diferențelor între dimensiuni sau amândurora. O altă soluție este aceea de a dubla scalarea multidimensională cu o tehnică compozițională (îndeosebi analiza de corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS Base, prezentă în versiuni anterioare ale SPSS

[Corola-publishinghouse/Science/2075_a_3400]
tehnică compozițională (îndeosebi analiza de corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS Base, prezentă în versiuni anterioare ale SPSS și care a rămas încorporată și în versiunea 10.1. Cea de-a doua, conținută în pachetul SPSS

[Corola-publishinghouse/Science/2075_a_3400]
compozițională (îndeosebi analiza de corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS Base, prezentă în versiuni anterioare ale SPSS și care a rămas încorporată și în versiunea 10.1. Cea de-a doua, conținută în pachetul SPSS Categories

[Corola-publishinghouse/Science/2075_a_3400]
corespondență, pe care va fi tratată în capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS Base, prezentă în versiuni anterioare ale SPSS și care a rămas încorporată și în versiunea 10.1. Cea de-a doua, conținută în pachetul SPSS Categories, este o variantă mai

[Corola-publishinghouse/Science/2075_a_3400]
capitolul următor). Procedura Multidimensional Scaling în SPSS 10.1tc "Procedura Multidimensional Scaling în SPSS 10.1" Pachetul de programe statistice SPSS 10.1 conține două proceduri de scalare multidimensională, Multidimensional Scaling (Alscal) și Multidimensional Scaling Proxscal. Prima reprezintă versiunea scalării multidimensionale din pachetul SPSS Base, prezentă în versiuni anterioare ale SPSS și care a rămas încorporată și în versiunea 10.1. Cea de-a doua, conținută în pachetul SPSS Categories, este o variantă mai performantă a aceleiași proceduri. Proxscal oferă un

[Corola-publishinghouse/Science/2075_a_3400]
performantă a aceleiași proceduri. Proxscal oferă un algoritm accelerat pentru anumite modele și permite punerea unor condiții asupra spațiului reprezentării 1. În cele ce urmează voi descrie procedura Alscal din pachetul SPSS Base2. Procedura se accesează din meniul Analyze, Scale, Multidimensional Scaling (Alscal) și deschide o fereastră în care va fi specificat modelul dorit. În fereastra Variables vom selecta variabilele care reprezintă proximitățile dintre obiecte sau în funcție de care se vor calcula acestea. Dacă dorim să obținem câte o reprezentare diferită pentru

[Corola-publishinghouse/Science/2075_a_3400]
Exemplul 1: Reprezentarea orașelor României pe o hartă perceptuală, plecând de la distanțele pe calea ferată dintre eletc "Exemplul 1\: Reprezentarea orașelor României pe o hartă perceptuală, plecând de la distanțele pe calea ferată dintre ele" Acest exemplu este clasic în scalarea multidimensională. Să ne imaginăm că tot ceea ce știm despre geografia unei țări sunt distanțele dintre orașele sale, luate două câte două. Nu știm unde sunt așezate pe harta țării și cum sunt dispuse în raport cu punctele cardinale. Tot ceea ce știm sunt distanțele

[Corola-publishinghouse/Science/2075_a_3400]
Turnu 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

[Corola-publishinghouse/Science/2075_a_3400]
una pătrată simetrică, întrucât pe linii și pe coloane vom avea elementele aceleiași mulțimi (orașele), iar distanța dintre două orașe oarecare A și B este identică cu distanța dintre orașele B și A. Voi construi 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

[Corola-publishinghouse/Science/2075_a_3400]
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 (Variables) 23 Number of Matrices 1 Measurement Level Ratio Data Matrix Shape Symmetric Type Dissimilarity Approach to Ties

[Corola-publishinghouse/Science/2075_a_3400]
transformatele proximităților). În cazul unei reprezentări perfecte, punctele ar trebui să se găsească pe o dreaptă aflată în unghi de 45 de grade față de axe. Erorile existente în datele originale (adică în evaluările subiecților, pentru cazul modelului general de scalare multidimensională) vor fi reflectate în disparitățile dintre transformatele proximităților obținute din setul de date original și distanțele din modelul scalat (i.e. din harta perceptuală, unde distanțele sunt distanțe euclidiene, adică linii drepte între puncte). Figura 5. Reprezentarea distanțelor și a transformatelor

[Corola-publishinghouse/Science/2075_a_3400]
Același lucru se face și pentru cea de-a doua variabilă. La al doilea pas se calculează distanțele dintre puncte, i.e. distanțele dintre categoriile variabilelor, reprezentate într-un același spațiu metric. În fine, la ultimul pas, se caută un spațiu multidimensional care să acomodeze cel mai bine punctele și distanțele dintre ele. În cele ce urmează voi da un exemplu prin care voi ilustra această secvență de pași1. Pentru a explica ineficiența activității legislative în timpul guvernării Convenției Democrate (1996-2000), am încercat

[Corola-publishinghouse/Science/2075_a_3400]
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 distanță definită prin patru proprietăți: (1) simetrie, (2) inegalitatea triunghiulară, (3) distincția între obiecte non-identice

[Corola-publishinghouse/Science/2075_a_3400]
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 distanță definită prin patru proprietăți: (1) simetrie, (2) inegalitatea triunghiulară, (3) distincția între obiecte non-identice, (4) indistincția între obiecte identice. Paradigma. Este modul de înțelegere a lucrurilor la un moment dat, bazat pe un

[Corola-publishinghouse/Science/2075_a_3400]
și acuratețea modelului. Proximitatea. Proximitatea dintre două obiecte, în contextul metodelor decompoziționale, funcționează ca distanță și este o valoare numerică indicând cât de similare sunt obiectele în percepția subiecților sau cât de apropiate se găsesc ele în preferințele subiecților. Scalarea multidimensională. Este o tehnică multivariată de interdependență care produce o „hartă perceptuală” a poziționării relative a obiectelor în funcție de două sau mai multe dimensiuni subiective. Analiza se bazează pe evaluări de similaritate sau preferințe ale respondenților, transformate în distanțe între obiecte. Criteriile

[Corola-publishinghouse/Science/2075_a_3400]
It, Sage Publications, Newbury Park, California. Kim, Jae-On; Mueller, Charles W. (1978b), Factor Analysis. Statistical Methods and Practical Issues, Sage Publications, Newbury Park, California. Knoke, D.; Kuklinski, J.H. (1982), Network Analysis, Sage, Beverly Hills. Kruskal, Joseph B.; Wish, Myron (1978), Multidimensional Scaling, Sage Publications, Newbury Park, California. Kuhn, Thomas (1999, ediții originale 1962, 1970), Structura revoluțiilor științifice, Editura Humanitas, București. McNeil, Patrick (1992), Research Methods, Routledge, Londra. Meulman, Jacqueline J.; Heiser, Willem J. (1999), SPSS Categories 10.0, SPSS Inc., Chicago

[Corola-publishinghouse/Science/2075_a_3400]
4, pp. 743-776. Weller, Susan C.; Kimball Romney, A. (1990), Metric Scaling. Correspondence Analysis, Sage Publications Inc., Newbury Park, California. Von Wright, Georg Henrik (1995; prima ediție 1971), Explicație și înțelegere, Editura Humanitas, București. Young, F.W.; Harris, D.F. (1990), „Multidimensional Scaling”, in SPSS User’s Guide, SPSS Inc., pp. 157-223. Zeller, Richard A.; Carmines, Edward G. (1980), Measurement in the Social Sciences. The Link between Theory and Data, Cambridge University Press, Cambridge. *** (1990), SPSS 6.0 User’s Guide, SPSS

[Corola-publishinghouse/Science/2075_a_3400]