ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 17.11.2021
Просмотров: 3487
Скачиваний: 4
317
Анализ пригодности
Как запустить анализ пригодности
E
Выберите в меню
:
Анализ > Ось > Анализ пригодности...
Рисунок 30-1
Диалоговое окно Анализ пригодности
E
Выберите две или более переменных в качестве потенциальных компонентов аддитивной
шкалы
.
E
Выберите модель из выпадающего списка Модель
.
Статистики процедуры Анализ пригодности
Рисунок 30-2
Диалоговое окно Анализ пригодности: Статистики
318
Глава 30
Вы можете выбрать различные статистики
,
описывающие вашу шкалу и пункты
.
Статистики
,
выводимые по умолчанию
,
включают число наблюдений
,
число пунктов и
следующие оценки пригодности
:
Альфа модели.
Для дихотомических данных он эквивалентен коэффициенту
Кьюдера
-
Ричардсона
20 (KR20).
Модели расщепления пополам:
Корреляция между формами
,
пригодность при
расщеплении пополам Гуттмана
,
пригодность по Спирману
-
Брауну
(
равная и неравная
длина
)
и коэффициент альфа для каждой половины
.
Модели Гуттмана:
Коэффициенты пригодности от лямбда
1
до лямбда
6.
Параллельная и Строго параллельная модели:
Тест на согласие модели
,
оценки
дисперсии ошибки
,
общая дисперсия и истинная дисперсия
,
оцененная общая
межпунктовая корреляция
,
оцененная пригодность и несмещенная оценка пригодности
.
Описательные для.
Выдает описательные статистики для шкал или пунктов по
наблюдениям
.
Пункта.
Выдает описательные статистики для пунктов по наблюдениям
.
Шкалы.
Выдает описательные статистики для шкал
.
Шкалы, если пункт удален.
Выводит итожащие статистики
,
сравнивающие каждый
пункт со шкалой
,
построенной по другим пунктам
.
Статистики включают среднее
и дисперсию шкалы
,
когда из нее удален этот пункт
,
корреляцию между пунктом и
шкалой
,
построенной по другим пунктам и значение альфа Кронбаха
,
если пункт
удален из шкалы
.
Итожащие статистики.
Выводит описательные статистики распределений пунктов по
всем пунктам шкалы
.
Средние.
Итожащие статистики для средних пунктов
.
Выводятся наименьшее
,
наибольшее и среднее средних пунктов
,
диапазон и дисперсия средних для пунктов
,
а
также отношение наибольшего среднего к наименьшему
.
Дисперсии.
Итожащие статистики для дисперсий пунктов
.
Выводятся максимальная
,
минимальная и средняя дисперсии пунктов
,
размах и дисперсия для дисперсий пунктов
,
а также отношение максимальной дисперсии пунктов к минимальной
.
Ковариации.
Итожащие статистики для межпунктовых корреляций
.
Выводятся
наименьшее
,
наибольшее и среднее значения межпунктовых ковариаций
,
их диапазон и
дисперсия
,
а также отношение наибольшей ковариации к наименьшей
.
Корреляции.
Итожащие статистики для межпунктовых корреляций
.
Выводятся
наименьшее
,
наибольшее и среднее значения межпунктовых корреляций
,
их диапазон и
дисперсия
,
а также отношение наибольшей корреляции к наименьшей
.
Межпунктовые.
Выводит матрицы корреляций или ковариаций между пунктами
.
Таблица дисперсионного анализа.
Выводит результаты тестов на равенство средних
.
F критерий.
Выводит таблицу дисперсионного анализа для повторных измерений
.
319
Анализ пригодности
Хи-квадрат Фридмана.
Выводит хи
-
квадрат Фридмана и коэффициент конкордации
Кендалла
.
Этот параметр подходит для ранговых данных
.
Критерий хи
-
квадрат
заменяет обычный
F-
критерий в таблице ДА
(ANOVA).
Хи-квадрат Кокрена.
Выводится
Q
Кокрена
.
Этот параметр подходит для
дихотомических данных
. Q
статистика выдается в таблице ДА
(ANOVA)
вместо
F-
статистики
.
Т-квадрат Хотеллинга.
Выводит результаты многомерного теста для проверки нулевой
гипотезы о том
,
что все пункты шкалы имеют одинаковые средние
.
Критерий аддитивности Тьюки.
Выводит результаты теста для проверки предположения
об отсутствии мультипликативных взаимодействий между пунктами
.
Внутриклассовые коэффициенты корреляции.
Выводит меры согласованности значений
внутри наблюдений
.
Модель.
Выберите модель для вычисления внутриклассового коэффициента
корреляции
.
Доступными моделями являются Двухфакторная смешанная
,
Двухфакторная случайная и Однофакторная случайная
.
Выбирайте
Двухфакторная
смешанная
,
если эффекты индивидуумов случайны
,
а эффекты пунктов фиксированы
;
Двухфакторная случайная
,
если эффекты индивидуумов и пунктов случайны
,
или
Однофакторная случайная
,
если эффекты индивидуумов случайны
.
Тип.
Выберите тип индекса
.
Доступными типами являются Согласованность и
Абсолютное согласие
.
Доверительный интервал.
Задайте уровень для доверительного интервала
.
Значение
по умолчанию равно
95%.
Проверяемое значение.
Задайте предполагаемое значение коэффициента для проверки
гипотезы
.
Это значение
,
с которым сравнивается наблюденное значение
.
Значение
по умолчанию равно
0.
Команда RELIABILITY: дополнительные возможности
Язык синтаксиса команд также позволяет
:
Считывать и анализировать корреляционную матрицу
.
Сохранять корреляционную матрицу для дальнейшего анализа
.
Для метода расщепления пополам задать расщепление на неравные части
.
Полную информацию о синтаксисе языка команд можно найти в
Руководстве по
синтаксису
.
Глава
31
Многомерное шкалирование
Целью Многомерного шкалирования
(
МШ
)
является обнаружение структуры в наборе
значений некоторой меры расстояния между объектами или наблюдениями
.
Это
осуществляется путем приписывания наблюдениям положения в некотором многомерном
пространстве
(
обычно размерности два или три
)
таким образом
,
чтобы расстояния между
полученными точками в этом пространстве как можно более точно аппроксимировали
исходные различия
.
Во многих случаях размерности
(
измерения
)
этого пространства могут
быть интерпретированы и использованы для дальнейшего осмысления ваших данных
.
Если Вы имеете переменные
,
полученные в результате реальных измерений
,
Вы можете
использовать многомерное шкалирование для снижения размерности данных
(
если
необходимо
,
процедура Многомерного шкалирования может вычислить расстояния по
многомерным данным
).
Многомерное шкалирование может также применяться к данным
,
представляющим собой субъективные оценки различий между объектами или понятиями
.
Дополнительно процедура Многомерного шкалирования может манипулировать данными
типа различий из нескольких источников
,
которые могут появиться в случае наличия
нескольких индивидуумов
,
производящих оценку
,
или респондентов
,
отвечающих на
вопросы анкеты
.
Пример.
Как люди воспринимают сходство между различными марками и моделями
автомобилей
?
Если у вас есть данные от респондентов
,
представляющие рейтинги сходства
между различными марками и моделями автомобилей
,
то многомерное шкалирование
может быть использовано для идентификации размерностей
(
измерений
),
описывающих
восприятие потребителей
.
Например
,
вам
,
возможно
,
удастся показать
,
что цена и
размер автомобиля определяют двумерное пространство
,
которое объясняет сходства
,
определенные вашими респондентами
.
Статистики.
Для каждой модели
:
матрица данных
,
матрица данных
,
полученная в
результате оптимального шкалирования
, S –
стресс
(
Юнга
),
стресс
(
Краскала
), RSQ,
координаты стимулов
,
средний стресс и
RSQ
для каждого стимула в модели Повторяемого
МШ
(Replicated MDS).
Для моделей индивидуальных различий
(INDSCAL):
веса субъекта и
индекс отклонения направления вектора весов от средней тенденции
(weirdness index).
Для
каждой матрицы в моделях повторяемого многомерного шкалирования
:
стресс и
RSQ
для
каждого стимула
.
Графики
:
координаты стимулов
(
двумерные или трехмерные
),
диаграммы
рассеяния преобразованных исходных близостей
(disparities)
против расстояний
.
Данные.
Если ваши данные
-
различия
,
то все они должны быть количественными и
измеренными в одной и той же метрике
.
Если у вас многомерные данные
,
то переменные
могут быть количественными
,
бинарными или частотами
.
Масштаб переменных является
важным моментом
–
различия в масштабах могут повлиять на решение
.
Если ваши данные
имеют существенные различия в масштабах
(
например
,
одна переменная измерена в
долларах
,
а другая в годах
),
то вам следует подумать об их стандартизации
(
это может быть
выполнено автоматически процедурой Многомерного шкалирования
).
© Copyright IBM Corporation 1989, 2011.
320
321
Многомерное шкалирование
Предположения.
Процедура Многомерного шкалирования не накладывает жестких
ограничений на распределение вероятностей
.
Не забудьте выбрать подходящий уровень
измерений
(
порядковый
,
интервальный или отношения
)
в диалоговом окне Многомерное
шкалирование
:
Параметры
,
чтобы получить корректные результаты
.
Родственные процедуры.
Если вашей целью является снижение размерности
,
то
альтернативным методом может быть факторный анализ
,
особенно в случае
,
когда ваши
данные количественные
.
Если Вы хотите идентифицировать группы сходных наблюдений
,
то дополните многомерное шкалирование применением одного из методов кластерного
анализа
:
иерархического или
k
-
средних
.
Как запустить процедуру многомерного шкалирования
E
Выберите в меню
:
Анализ > Шкалирование > Многомерное шкалирование...
Рисунок 31-1
Диалоговое окно Многомерное шкалирование
E
Для анализа выберите по крайней мере четыре числовых значения
.
E
В группе Расстояния выберите пункты
Данные содержат расстояния
или
Вычислить
расстояния по данным
.
E
Если выбран пункт
Вычислить расстояния по данным
,
можно также выбрать группирующую
переменную для индивидуальных метрик
.
Группирующая переменная может быть как
числовой
,
так и строковой
.
Дополнительно можно выполнить следующие действия
.
Указать форму матрицы расстояния
,
если даты являются расстояниями
.
Укажите меру расстояния для использования при создании расстояний из данных
.