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

<1 ...7 8 9 >

209 matches

Corola-publishinghouse/Science/2075_a_3400

realizați într-o analiză de scalare multidimensională. Formularea problemei de cercetare și stabilirea obiectivelor cercetăriitc "Formularea problemei de cercetare și stabilirea obiectivelor cercetării" Felul în care este formulată problema de cercetare determină forma pe care o va lua analiza de scalare multidimensională. Scalarea multidimensională poate fi utilizată în scop exploratoriu, dacă ne interesează identificarea dimensiunilor subiective, neexplicite, care afectează comportamentul persoanelor (de exemplu, la cumpărături, în alegerile politice, în selectarea prietenilor etc.). Putem folosi analiza de scalare multidimensională și ca mijloc

[Corola-publishinghouse/Science/2075_a_3400]
o analiză de scalare multidimensională. Formularea problemei de cercetare și stabilirea obiectivelor cercetăriitc "Formularea problemei de cercetare și stabilirea obiectivelor cercetării" Felul în care este formulată problema de cercetare determină forma pe care o va lua analiza de scalare multidimensională. Scalarea multidimensională poate fi utilizată în scop exploratoriu, dacă ne interesează identificarea dimensiunilor subiective, neexplicite, care afectează comportamentul persoanelor (de exemplu, la cumpărături, în alegerile politice, în selectarea prietenilor etc.). Putem folosi analiza de scalare multidimensională și ca mijloc de obținere

[Corola-publishinghouse/Science/2075_a_3400]
va lua analiza de scalare multidimensională. Scalarea multidimensională poate fi utilizată în scop exploratoriu, dacă ne interesează identificarea dimensiunilor subiective, neexplicite, care afectează comportamentul persoanelor (de exemplu, la cumpărături, în alegerile politice, în selectarea prietenilor etc.). Putem folosi analiza de scalare multidimensională și ca mijloc de obținere a unor evaluări comparabile pentru obiecte, când nu există o bază de comparație ce poate fi definită sau când ea nu este cunoscută. În orice caz, acest tip de analiză este recomandat în mod

[Corola-publishinghouse/Science/2075_a_3400]
verticală, păstrând variabilele și repetând cazurilepentru fiecare subiect, fie pe orizontală, păstrând cazurile și repetând setul de variabile pentru fiecare subiect, pentru a obține o bază de date care să conțină informația pentru toți subiecții din eșantion. În acest caz, scalarea poate ține cont de diferențele individuale în calcule. Acest tip de analiză, care ia în considerare diferențele individuale în algoritmul de obținere a reprezentării poziționării relative a obiectelor, se numește scalare multidimensională repetată sau Replicated Multidimensional Scaling (RMDS) în engleză

[Corola-publishinghouse/Science/2075_a_3400]
informația pentru toți subiecții din eșantion. În acest caz, scalarea poate ține cont de diferențele individuale în calcule. Acest tip de analiză, care ia în considerare diferențele individuale în algoritmul de obținere a reprezentării poziționării relative a obiectelor, se numește scalare multidimensională repetată sau Replicated Multidimensional Scaling (RMDS) în engleză. Diferența principală față de scalarea multidimensională simplă, cunoscută în engleză drept Classic Multidimensional Scaling (CMDS), este faptul că permite analiza mai multor matrice de similaritate simultan. Presupunerea de bază este următoarea: configurația

[Corola-publishinghouse/Science/2075_a_3400]
de diferențele individuale în calcule. Acest tip de analiză, care ia în considerare diferențele individuale în algoritmul de obținere a reprezentării poziționării relative a obiectelor, se numește scalare multidimensională repetată sau Replicated Multidimensional Scaling (RMDS) în engleză. Diferența principală față de scalarea multidimensională simplă, cunoscută în engleză drept Classic Multidimensional Scaling (CMDS), este faptul că permite analiza mai multor matrice de similaritate simultan. Presupunerea de bază este următoarea: configurația de puncte se aplică tuturor matricelor de date cu aceeași validitate - exceptând eroarea

[Corola-publishinghouse/Science/2075_a_3400]
aplică tuturor matricelor de date cu aceeași validitate - exceptând eroarea datorată diferențelor individuale, toate matricele de date trebuie să fie aceleași. Ele sunt, fiecare, un duplicat, o copie a celorlalte, între ele neexistând diferență sistematică. Distanțele se vor calcula similar scalării multidimensionale simple, singura diferență apărând în faptul că datele sunt constituite din mai multe matrice de proximități. Matricea de distanțe D este aceeași și se urmărește aproximarea tuturor matricelor de proximități cu matricea de distanțe D. În acest caz, ecuația

[Corola-publishinghouse/Science/2075_a_3400]
singura diferență apărând în faptul că datele sunt constituite din mai multe matrice de proximități. Matricea de distanțe D este aceeași și se urmărește aproximarea tuturor matricelor de proximități cu matricea de distanțe D. În acest caz, ecuația fundamentală a scalării dimensionale poate fi exprimată sintetic astfel: Δk=fk(Δk)=D+E k=1, ..., m, unde m este numărul de matrice de proximități. O altă dezvoltare a acestei metode este scalarea multidimensională ponderată sau Weighted Multidimensional Scaling (WMDS) în engleză. Această

[Corola-publishinghouse/Science/2075_a_3400]
matricea de distanțe D. În acest caz, ecuația fundamentală a scalării dimensionale poate fi exprimată sintetic astfel: Δk=fk(Δk)=D+E k=1, ..., m, unde m este numărul de matrice de proximități. O altă dezvoltare a acestei metode este scalarea multidimensională ponderată sau Weighted Multidimensional Scaling (WMDS) în engleză. Această variantă folosește, de asemenea, mai multe matrice de disimilaritate, Δk, k=1, ..., m, dar se acceptă că ele pot fidiferite una față de cealaltă, în moduri sistematice monotone sau non-monotone. În

[Corola-publishinghouse/Science/2075_a_3400]
din eșantion 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

[Corola-publishinghouse/Science/2075_a_3400]
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 comercializate pe o piață, posturi de

[Corola-publishinghouse/Science/2075_a_3400]
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 comercializate pe o piață, posturi de radio, țările lumii, partide), persoane (elevii care alcătuiesc o clasă

[Corola-publishinghouse/Science/2075_a_3400]
lumii, partide), persoane (elevii care alcătuiesc o clasă, candidații la președinția țării, scriitorii prezenți într-un spațiu publicistic), acțiuni (anumite servicii, diferite luări de poziție politice, emisiuni de televiziune), percepții senzoriale (gust, miros, aspect), obiecte intelectuale (sloganuri, idei, ideologii) etc. Scalarea multidimensională face posibilă reprezentarea acestor obiecte într-un spațiu perceptual (subiectiv), constituit pe baza judecăților despre obiecte pe care le fac subiecții. Cel mai important lucru în alegerea mulțimii de obiecte este comparabilitatea obiectelor. Realizarea hărților perceptuale presupune faptul că

[Corola-publishinghouse/Science/2075_a_3400]
matematic și este avantajos din mai multe puncte de vedere. Soluțiile metrice 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

[Corola-publishinghouse/Science/2075_a_3400]
magnitudinea 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

[Corola-publishinghouse/Science/2075_a_3400]
Realizarea 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

[Corola-publishinghouse/Science/2075_a_3400]
mai 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

[Corola-publishinghouse/Science/2075_a_3400]
însă, 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

[Corola-publishinghouse/Science/2075_a_3400]
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 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

[Corola-publishinghouse/Science/2075_a_3400]
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 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

[Corola-publishinghouse/Science/2075_a_3400]
să 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

[Corola-publishinghouse/Science/2075_a_3400]
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 și care a rămas încorporată și în versiunea 10.1. Cea de-a doua, conținută în pachetul

[Corola-publishinghouse/Science/2075_a_3400]
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 performantă a aceleiași proceduri. Proxscal oferă

[Corola-publishinghouse/Science/2075_a_3400]
fi specificate atributele modelului ales (aici alegem între o analiză RMDS sau una WMDS). Nivelul de măsurare (Level of measurement) permite selectarea unui model metric sau non-metric) - evident, alegerea modelului depinde de nivelul de măsurare pentru proximități. La opțiunea de scalare Scaling model se va selecta varianta Individual differences Euclidian distances în cazul în care avem mai multe matrice de disimilaritate și dorim un model WMDS. În toate celelalte cazuri se va alege Euclidian distance. Secțiunea Conditionality ne permite să specificăm

[Corola-publishinghouse/Science/2075_a_3400]
program. 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

[Corola-publishinghouse/Science/2075_a_3400]