第十章多维量表法.ppt

四、非度量MDS的古典解 (nonmetric MDS) 在实际问题中，我们涉及更多的是不易量化的相似性测度，如两种颜色的相似性，虽然我们可以用1表示颜色非常相似，10表示颜色非常不相似，但是这里的数字只表示颜色之间的相似或不相似程度，并不表示实际的数值大小，因而是定序尺度，这时是由两两颜色间的不相似数据? ij形成“距离”矩阵。对于非度量的不相似性矩阵，我们如何进行多维标度分析呢？假定有一个n个对象的不相似矩阵(? ij)n ?n ，要寻找n个对象的一个r维拟合构造点X。下面介绍Kruskal的非度量MDS分析方法。 为了寻找一个较好的拟合构造点，我们可以从某一个拟合构造点开始，即先将n个对象随意放置在r维空间，形成一个感知图，用Xi =(Xi 1，Xi 2，…，Xir) ′表示i对象在r维空间的坐标，对象i与j在r维空间的距离为 : 也就是说，S应力是将（10.9）式中的dij与 用它们的平方代 表后所得到的量度。S应力的值介于0和1之间。典型的情况是：此值小于0.1意味着感知图是n个对象的一个好的几何表示。 在非度量MDS分析过程中，另一个需要解决的问题是感知图 空间维数r的确定。我们可以制作应力-r图确定感知图的维数 r 。从前述可知，对每一个r ，可以找到使应力达到最小的点 结构。随着r的增加，最小应力将在运算误差的范围内逐渐下 降，且当r =n-1时达到零。从r ＝1开始，可将应力S（ r ）对 r作图。这些点随r的增加而呈下降排列。若找到一个r ，上述 下降趋势到这一点开始接近水平状态，即形成一个“肘”形曲 线，这个r便是“最佳”维数。 非度量MDS虽然是基于非度量尺度数据的分析方法，但是，当定量尺度的距离阵中的数据不可靠，而距离大小的顺序可靠时，采用非度量MDS比度量MDS得到的结果更接近与实际。 第三节 权重多维标度(WMDS) 以上我们的讨论都是以单个“距离”阵数据出发进行的，但在实践中，往往需要确定多个距离阵数据的感知图，比如由10个人分别对5种饮料进行两两相似评测，结果就会得到10个相似性矩阵，那么，我们如何根据这10个人的评测结构得出5种饮料的相似性感知图呢？显然，按照古典多维的方法，我们只能是每一个相似性矩阵确定一个感知图，10个人分别确定10个感知图。但是，往往我们想要得到的是这10个人共同的一个感知图而非10个。这一节将介绍由Carroll与Chang提出的解决这类问题的多维标度方法——权重多维标度法（WMDS）。基础权重多维标度法也称权重个体差异欧氏距离模型。 第四节 实例分析与计算实现 一 多维标度法在SPSS中的实现 二 利用SPSS对本章美国十城市的例子 进行多维标度 一、多维标度法在SPSS中的实现 —— 实例1 以SPSS自带文件World95.sav为例，对亚洲国家与地区的17个国家的人口寿命情况进行分析。 （一）操作步骤： 1. 在Data→Select case对话框的If过滤条件中输入过滤条件 “region=3”。得到17个国家和地区。 2. 主菜单中选择Analyze→Scale→Multidimensional Scaling (ALSCAL) 。就进入多维标度法的主对话框（图10.3）。在左上方是变量列表选择以下变量：urban（城市人口比例），lifeexpf（女性平均寿命），lifeexpm（男性平均寿命），gdp_cap（人均GDP），death_rt（千人死亡率），birth_rt（千人出生率），literacy（受教育人口比例）。由于原始数据不是距离阵，因此需要在下方Distances单选项中选择Create distances from data，这时Measure子对话框被激活，默认计算Euclidean distance，即欧氏距离。 图10.3 多维标度法的主对话框 3. 点击进入Measure子对话框，对距离阵进行设定，（图10.4）。由于我们的变量都是连续数值型的，所以应在Measure单选项中选择Interval。并在其下方的Transform Values栏中选择变量标准化变换的方式，这里我们选择Z scores与By variable，表示对变量进行正态标准化。然后在Create Distance Matrix单选项中选择Between cases，表示计算样品之间的距离阵。设置完毕后，点击Continue回到主对话框。 图10.4 Measure子对话框 4. 在主对话框中点击进入Mod