KorAP: Find »[drukola/base=similaritate & drukola/pos=noun]« with Poliqarp

<1 ...50 51 52 53 >

1,321 matches

Corola-publishinghouse/Science/2075_a_3400

dau o hartă perceptuală mai ușor de interpretat,care poate fi transformată pentru a-i crește interpretabilitatea, prin rotire sau întindere/compresie 1. Distincția conceptuală între metodele de scalare multidimensională non-metrice și metrice este dată de scala de măsură a similarităților (proximităților). Metodele non-metrice sunt mai flexibile, în sensul că nu presupun nici o relație specifică între distanța calculată și măsura de similaritate. Dezavantajul lor este că pot produce soluții suboptimale sau degenerate. Soluțiile degenerate sunt reprezentări incorecte ale obiectelor, în care

[Corola-publishinghouse/Science/2075_a_3400]
compresie 1. Distincția conceptuală între metodele de scalare multidimensională non-metrice și metrice este dată de scala de măsură a similarităților (proximităților). Metodele non-metrice sunt mai flexibile, în sensul că nu presupun nici o relație specifică între distanța calculată și măsura de similaritate. Dezavantajul lor este că pot produce soluții suboptimale sau degenerate. Soluțiile degenerate sunt reprezentări incorecte ale obiectelor, în care punctele sunt strânse într-un singur loc al diagramei sau se găsesc la capetele unei singure dimensiuni. Metodele metrice produc soluții

[Corola-publishinghouse/Science/2075_a_3400]
arătat pașii algoritmului prin care se obține configurația de puncte ce reflectă relațiile percepute dintre obiecte. Pentru obținerea soluției vom folosi un pachet de programe statistice pe calculator care realizează algoritmul în funcție de specificările date de cercetător: matricea inițială de date (similaritate sau preferințe), modalitatea de obținere a matricei de proximități, criteriul de oprire a algoritmului, dimensionalitatea modelului. Voi descrie acest lucru pentru SPSS 10.1 în secțiunea următoare. Decizia asupra dimensionalității modeluluitc "Decizia asupra dimensionalității modelului" Alegerea numărului de dimensiuni în

[Corola-publishinghouse/Science/2075_a_3400]
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 poate indica altă logică a grupării decât cea dimensională. Interpretarea concentrată pe definirea dimensiunilor se bazează în special pe reprezentarea distanțelor mari între obiecte (a disimilarităților)1. În orice caz, e recomandabil ca toate metodele, subiective și obiective, să

[Corola-publishinghouse/Science/2075_a_3400]
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 obiectelor atunci când divizăm eșantionul și repetăm analiza pe cele două subeșantioane sau când realizăm analiza pe două eșantioane diferite

[Corola-publishinghouse/Science/2075_a_3400]
23 de orașe ale României enumerate mai sus. Informația din baza de date reprezintă direct proximități între obiecte. Nu este deci nevoie ca asupra bazei de date să fie efectuate transformări pentru a obține proximități între obiecte din date de similaritate sau preferință. Matricea va fi 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

[Corola-publishinghouse/Science/2075_a_3400]
pătrat=113,437, fi=0,548, coeficientul de contingență= 0,480, Cramer V= 0,274). Din tabel nu putem însă desluși care este forma acestei asocieri. O primă idee ne-o poate da profilul categoriilor (frecvențele relative), care ne indică similaritatea categoriilor. Astfel, profilul pentru categoria „PNȚ-CD” a variabilei „partid” se calculează în felul următor: 36/70=0,514, 9/70=0,129, 9/70=0,129, 6/70=0,086, 10/70=0,143 (câte o valoare pentru fiecare categorie

[Corola-publishinghouse/Science/2075_a_3400]
categoriei: 70/378=0,185. Tabelul 2 Profilul pe linii și masele categoriilor reprezentate pe linii (partid) În mod similar se calculează și profilurile pe coloane, și masele categoriilor de pe coloane (pentru categoriile variabilei „centru universitar”). Acestea ne vor arăta similaritatea sau diferența dintre categoriile variabilei de pe coloană și ponderea lor în populație. Tabelul 3 Profilul pe coloane și masele categoriilor reprezentate pe coloane (centru universitar) O observație importantă trebuie făcută aici. Masele pe linii sunt egale cu profilurile medii pe

[Corola-publishinghouse/Science/2075_a_3400]
spațiu. Figura 1. Configurația categoriilor variabilei „partid” într-un spațiu bidimensional Figura 2. Configurația categoriilor variabilei „centru universitar” într-un spațiu bidimensional Figura 3. Analiza de corespondență dintre „partid” și „centru universitar” pentru Parlamentul României (1996-2000) Configurația variabilelor ne arată similaritatea mediului de socializare (în termeni de centru universitar în care parlamentarii au urmat studiile) dintre UDMR și PUNR. Majoritatea parlamentarilor reprezentând aceste partide și-au făcut studiile la Cluj-Napoca, și este normal ca problema regională pe care o reprezintă minoritatea

[Corola-publishinghouse/Science/2075_a_3400]
contingență, prin reprezentarea categoriilor celor două variabile într-un spațiu metric. Singura condiție impusă datelor, inerentă naturii analizei, este aceea ca între categoriile de pe rânduri și de pe coloane să existe un grad oarecare de corespondență. Aceasta poate lua orice formă: similaritate, interacțiune, afinitate, confuzie, asociere. Formularea problemei de cercetaretc " Formularea problemei de cercetare" Ca în orice situație de cercetare, formularea problemei și stabilirea scopului analizei trebuie să fie foarte clare. Analiza de corespondență dezvăluie structura de corespondență dintre categoriile a două

[Corola-publishinghouse/Science/2075_a_3400]
spațiul coloanelor au aceeași dimensionalitate. (2) Valorile proprii sunt aceleași pentru ambele soluții. (3) Coordonatele punctelor de pe linii pot fi calculate pe baza profilurilor pe linii și a coordonatelor punctelor de pe coloane, și invers. Configurația unui set de puncte reflectă similaritățile și diferențele dintre categoriile variabilei respective. În schimb, configurația comună arată corespondența dintre două seturi de puncte. Astfel, dacă distanțele sunt definite doar pentru categorii din același set și nu este clar ce înseamnă distanțele dintre două categorii care aparțin

[Corola-publishinghouse/Science/2075_a_3400]
este distribuită simetric între punctele de pe rânduri și de pe coloane. În acest caz, nici distanțele dintre categoriile de pe rânduri, nici cele dintre categoriile de pe coloane nu sunt aproximări ale distanțelor hi pătrat. Această metodă se folosește atunci când suntem interesați de similaritățile și diferențele dintre cele două variabile. Varianta Principal folosește distanțe care sunt aproximări ale distanțelor alese (euclidiene sau hi pătrat). Această metodă se folosește atunci când suntem interesați de distanțele dintre categoriile fiecărui set de date separat. În acest caz, reprezentările

[Corola-publishinghouse/Science/2075_a_3400]
ne indică principalele axe de fragmentare a Parlamentului României (1996-2000): ideologia (traiectoria politică în perioada comunistă), vârsta și problematica regională. Glosar de termenitc "Glosar de termeni" Analiza cluster. Grupează unitățile statistice, care pot fi indivizi, obiecte, organizații etc., pe baza similarității caracteristicilor lor. Această clasificare produce grupuri omogene intern și eterogene extern. Analiza pleacă de la matricea de similarități între cazuri, unde măsura de similaritate (sau disimilaritate) poate fi definită în diferite moduri. Analiza de corespondență și analiza de omogenitate. Cele două

[Corola-publishinghouse/Science/2075_a_3400]
și problematica regională. Glosar de termenitc "Glosar de termeni" Analiza cluster. Grupează unitățile statistice, care pot fi indivizi, obiecte, organizații etc., pe baza similarității caracteristicilor lor. Această clasificare produce grupuri omogene intern și eterogene extern. Analiza pleacă de la matricea de similarități între cazuri, unde măsura de similaritate (sau disimilaritate) poate fi definită în diferite moduri. Analiza de corespondență și analiza de omogenitate. Cele două metode de analiză multivariată investighează relațiile de asociere dintre variabile calitative și dintre categoriile acestora, producând o

[Corola-publishinghouse/Science/2075_a_3400]
Glosar de termeni" Analiza cluster. Grupează unitățile statistice, care pot fi indivizi, obiecte, organizații etc., pe baza similarității caracteristicilor lor. Această clasificare produce grupuri omogene intern și eterogene extern. Analiza pleacă de la matricea de similarități între cazuri, unde măsura de similaritate (sau disimilaritate) poate fi definită în diferite moduri. Analiza de corespondență și analiza de omogenitate. Cele două metode de analiză multivariată investighează relațiile de asociere dintre variabile calitative și dintre categoriile acestora, producând o reprezentare grafică de dimensiuni reduse în

[Corola-publishinghouse/Science/2075_a_3400]
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 măsuri de similaritate, definită în mod particular pentru fiecare tip de problematică. Între tehnicile de analiză multivariată de interdependență tradiționale care intră în categoria metodelor compoziționale se numără analiza factorială și analiza cluster. Analiza de corespondență și analiza de omogenitate sunt tehnici compoziționale

[Corola-publishinghouse/Science/2075_a_3400]
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 care constituie baza evaluării nu sunt specificate și uneori rămân neformulate chiar celor care fac evaluarea. În schimb, ele pot fi interpretate ca dimensiuni de grupare a obiectelor, pe baza

[Corola-publishinghouse/Science/2075_a_3400]
transformate în distanțe între obiecte. Criteriile care constituie baza evaluării nu sunt specificate și uneori rămân neformulate chiar celor care fac evaluarea. În schimb, ele pot fi interpretate ca dimensiuni de grupare a obiectelor, pe baza atributelor obiective ale acestora. Similaritatea. Două obiecte sunt similare dacă au măsuri apropiate pentru caracteristicile în funcție de care sunt comparate. Similaritatea obiectelor este ușor de estimat atunci când le comparăm în funcție de un singur criteriu (de o singură variabilă). În cazul caracteristicilor măsurate pe scale nominale, obiectele sunt

[Corola-publishinghouse/Science/2075_a_3400]
rămân neformulate chiar celor care fac evaluarea. În schimb, ele pot fi interpretate ca dimensiuni de grupare a obiectelor, pe baza atributelor obiective ale acestora. Similaritatea. Două obiecte sunt similare dacă au măsuri apropiate pentru caracteristicile în funcție de care sunt comparate. Similaritatea obiectelor este ușor de estimat atunci când le comparăm în funcție de un singur criteriu (de o singură variabilă). În cazul caracteristicilor măsurate pe scale nominale, obiectele sunt similare dacă aparțin aceleiași categorii. În cazul caracteristicilor măsurate pe scale ordinale, obiectele sunt cu

[Corola-publishinghouse/Science/2075_a_3400]
dacă aparțin aceleiași categorii. În cazul caracteristicilor măsurate pe scale ordinale, obiectele sunt cu atât mai diferite (disimilare) cu cât se găsesc în categorii mai îndepărtate pe scală. În cazul caracteristicilor metrice (măsurate pe scale de intervale și de rapoarte), similaritatea (sau disimilaritatea) obiectelor este estimată în funcție de magnitudinea diferenței dintre valorile luate de obiecte pe aceste scale. Estimările cantitative ale similarității au fost dominate de conceptul de metrică. Această abordare a similarității reprezintă cazurile ca puncte într-un spațiu de coordonate

[Corola-publishinghouse/Science/2075_a_3400]
se găsesc în categorii mai îndepărtate pe scală. În cazul caracteristicilor metrice (măsurate pe scale de intervale și de rapoarte), similaritatea (sau disimilaritatea) obiectelor este estimată în funcție de magnitudinea diferenței dintre valorile luate de obiecte pe aceste scale. Estimările cantitative ale similarității au fost dominate de conceptul de metrică. Această abordare a similarității reprezintă cazurile ca puncte într-un spațiu de coordonate, astfel încât similaritățile sau disimilaritățile dintre puncte corespund distanțelor metrice dintre ele. În cazul variabilelor cantitative (variabilele sunt măsurate pe scale

[Corola-publishinghouse/Science/2075_a_3400]
metrice (măsurate pe scale de intervale și de rapoarte), similaritatea (sau disimilaritatea) obiectelor este estimată în funcție de magnitudinea diferenței dintre valorile luate de obiecte pe aceste scale. Estimările cantitative ale similarității au fost dominate de conceptul de metrică. Această abordare a similarității reprezintă cazurile ca puncte într-un spațiu de coordonate, astfel încât similaritățile sau disimilaritățile dintre puncte corespund distanțelor metrice dintre ele. În cazul variabilelor cantitative (variabilele sunt măsurate pe scale de intervale și de rapoarte; în cazuri particulare sunt acceptate și

[Corola-publishinghouse/Science/2075_a_3400]
disimilaritatea) obiectelor este estimată în funcție de magnitudinea diferenței dintre valorile luate de obiecte pe aceste scale. Estimările cantitative ale similarității au fost dominate de conceptul de metrică. Această abordare a similarității reprezintă cazurile ca puncte într-un spațiu de coordonate, astfel încât similaritățile sau disimilaritățile dintre puncte corespund distanțelor metrice dintre ele. În cazul variabilelor cantitative (variabilele sunt măsurate pe scale de intervale și de rapoarte; în cazuri particulare sunt acceptate și cele măsurate pe scale ordinale), măsurile de similaritate sunt de două

[Corola-publishinghouse/Science/2075_a_3400]
de coordonate, astfel încât similaritățile sau disimilaritățile dintre puncte corespund distanțelor metrice dintre ele. În cazul variabilelor cantitative (variabilele sunt măsurate pe scale de intervale și de rapoarte; în cazuri particulare sunt acceptate și cele măsurate pe scale ordinale), măsurile de similaritate sunt de două tipuri: coeficienți de corelație și distanțe. În cazul variabilelor categoriale, măsurile de similaritate sunt date de coeficienții de asociere. Tehnicile de dependență. Presupun existența unei variabile dependente sau a mai multor variabile dependente care sunt explicate (determinate

[Corola-publishinghouse/Science/2075_a_3400]
cantitative (variabilele sunt măsurate pe scale de intervale și de rapoarte; în cazuri particulare sunt acceptate și cele măsurate pe scale ordinale), măsurile de similaritate sunt de două tipuri: coeficienți de corelație și distanțe. În cazul variabilelor categoriale, măsurile de similaritate sunt date de coeficienții de asociere. Tehnicile de dependență. Presupun existența unei variabile dependente sau a mai multor variabile dependente care sunt explicate (determinate, prezise) de alte variabile, numite variabile independente (predictori,variabile explicative). Acest lucru înseamnă că valoarea pe

[Corola-publishinghouse/Science/2075_a_3400]