STATISTICA的多维尺度分析Multi-dimensionalScaling.PPT

STATISTICA的多維尺度分析(Multi-dimensional Scaling) 南台科技大學企管系 呂金河 多維尺度分析(Multi-dimensional Scaling) 目的: MDS是一種縮減資料的分析方法，可以將一個P維度的資料表示在R (R≦P) 維度的空間中；來建造這N個刺激體(資料點)的「結構圖形」 (configuration)，使其點間在P維的距離結構與R維的距離結構相近。以便由構面圖作個體的群集或現象之解釋。 MDS有計量(metric)MDS和非計量(non-metric)MDS兩種，計量MDS以相對距離實際數值為投入資料，非計量的MDS則是以順序尺度的資料作為資料的投入 。 例如: 利用人類的信仰語言日常用具，以MDS研究不同民族的文化差異或相似性 利用地理環境政治競技 財務等資料，以MDS研究不同城市的差異或相似 利用產品的特性，以MDS研究消費者對不同品牌認知的差異或相似性 方法 MDS 是嘗試在維度空間構面圖中，使點間距離或排 序與原距離越一致越好，而通常量測配合度的指標 我們稱為壓力係數(stress)。壓力係數是由Kruskal(1964)所提出，其計算公式如下： 方法 根據Kruskal (1964)的解釋，不同的壓力係數水準，有其代表的配適程度 。 方法 多元尺度法的分析步驟 1.將輸入資料轉換成距離的量度資料。 2.決定這n個資料在r次維度內的位置，亦即，對於各資料假設其在r次維度中的座標。 3.計算r次維度構形Xn×r中，點與點之間的距離dij。 4.利用最小平方單調迴歸 (the least squares montone regression) 方法，使得X的壓力係數 (Stress) 為最小 5.計算r次維度之壓力係數。 6.調整n個資料的座標，使得壓力係數縮小。 7.重覆步驟三至六，直到壓力係數達到預設的水準為止，此時決定最佳的維度並且畫出散布圖。 8.由構面圖作個體的群集或現象之解釋。 舉例 資料來源: statistica所提供的nations.sta 資料是由對來自12個國家的18名學生的相似性評級平均得分構成的，這12個國家是巴西、剛果、古巴、埃及、法國、印度、以色列、日本、中國大陸、俄羅斯、美國和南斯拉夫。多維標度的目的是要知道哪些國家的學生比較相似，哪些國家的學生區別較大並試圖分析潛在的原因 STATISTICA操作 點選多變量探索技巧 ?多元尺度化 ?在快速欄 按變數?選取要分析的變數(或按選擇全部)?確定?在維度數目 輸入2 (或1，3) ?確定?確定?在快速欄或在進階欄?按 摘要:最終結構，最終結構圖，Shepard圖表 九、區別(判別)分析(Discriminant Analysis) 目的： (1)指出能最佳分辨出二群或多群的變數。 (2)利用這些有分辨力的變數，導出一個方程式或函數，以形成一個新變數或指標，用來簡約的呈現群間的差別。 (3)利用這些有分辨力的變數或新指標，導出一種規則，用來判別一個新觀察點應歸屬那一群。 例如： (1)國稅局（IRS）想找出在查稅時，能分辨出逃稅與未逃稅的兩群人的重要變數，再將此類變數合成一個指標，以此簡約的方法，呈現二群間的差別。然後用此指標，預測某人報稅時是否逃稅。 (2)醫藥研究員想對有心臟病的兩群人，找出二者顯著不同的決定性變數，然後用這些變數的值，來預測某一病人是否會得心臟病。 (3)行銷經理想找出能成功顯示品牌購買者與未購買者二者不同的突出特質，再利用這些資訊，以預測潛在顧客購買的意向 方法 1.利用單因子因素分析指出哪些自變數，具有區別能力(i.e.各群的均值應不等)，可用逐次區別分析 (常用Wilks法)，指出具較佳分辨力的變數 2.利用Wilk’s Λ 檢定各群的均值向量是否不等，(此表示自變數向量具有總體區別能力) 3.利用Box’s M檢定各群的變異數矩陣是否相等 4.計算典型區別函數 (Canonical discriminant functions) (求群間變異數矩陣B，與群內變異數矩陣W相除的 矩陣的特徵值λi所對應的特徵向量γi，即為第i個典型區別函數的係數向量) 由特徵值的Wilks’ Lambda檢定，判定要選幾個區別函數 標準化係數常用來評估自變數在該區別函數的重要性 (但自變數間共線性強時， 應避用之) 用loading（結構矩陣係數）來解釋區別函數的意義 (取值＞0.3者)或命名。 方法 用區別函數的值 (區別計分) ，判定觀察值應歸屬哪一群 (分兩群時，切割點C常取兩群區別計分平均值 、 的加權平均 ) 5.計算分類函