但最终的空间图可能会是高度不稳定的excellent0.02good0.05fair0.1.pptVIP

Ch7 Multidimensional scaling 7.1前言 前述四、五、六章中，我們談論到主成分分析與因素分析，聚焦於變數之間的關聯性。接下來兩張的焦點將轉移至試著去了解觀察值之間的相似性型態。 Multidimensional scaling (MDS)一組方法用來獲得個體(entities)間的相似性的空間表達。 主成分分析與因素分析也是一種scaling的方法，將觀察值以較少構面表達於空間圖。 MDS所使用的資料與主成分分析(或因素分析)不同，它所利用的資訊是成對個體間的相對接近性或相似性，它的目的是利用此種資訊去建構合適的低次元空間，使得個體間在此空間的距離與其相似性盡可能保持一致。 7.1前言(續) 當相似性資料的性質具度量性(metric)時，(即它們代表個體間的真實距離)，我們所使用的方法為 metric MDS 去還原資料空間。本章所要介紹的metric MDS 方法是Torgerson(1958)所提出的古典MDS。 就大部分的應用問題而言，其相似性資料並不具有metric scale的性質，(例如ordinal)，此時我們使用nonmetric MDS。在nonmetric MDS方法中，排序資料是由單一個人提供，或由多人提供但整合為一個排序(假設這些人在評估個體間相似性時，所使用的標準及權重都是一樣的，homogeneous) 但若承認不同個人使用的標準及權重有差異時，我們需使用另一種方法：Individual differences scaling；此法所建立的空間圖，允許不同個人對在評估的個體間相似性時，使用不同的特徵及不同權重。 7.1前言(續) 有時資料涉及兩個不同組的個體間的相似性資料，例如一組包含若干消費者，另一組為三種品牌手機，每一個消費者表達他對三種手機的偏好順序，因此我們就有每個消費者與三種手機的相對相似性，本章將介紹MDPREF (multidimensional analysis of preference)的方法來解決此種資料的尺度還原問題。 7.1.1 Potential Applications -- Perceptual Mapping Perceptual Mapping 是MDS最廣泛的應用之一。Nonmetric MDS的一個優點是它能提供心理距離的尺度以描繪個人心中的心理地圖。 Perceptual Mapping最經典的範例是Roger.N. Shepard探討個別居民關於美國本土各州間相對接近性的主觀判斷。他用的是nonmetric MDS。 以圖7.1為例，此為波士頓居民對於美國本土各州相對接近性的主觀判斷所繪成之美國地圖。雖然結構上與實際的美國地圖相似，但東半部各州的相對距離似乎被誇大。 --Market Segmentation and Product Positioning 當做產品定位時，我們除了要確定我們的產品與目標顧客心中的其他品牌產品能有所區別外，也希望我們的產品能在顧客的知覺空間中佔有一個有吸引力的地位。 為了要解決這樣的問題，我們可以使用MDS來同時決定產品空間圖及個別顧客每個產品偏好的分佈圖。 圖7.2是根據32位學生以1到10分來表示每個人對10種不同廠牌啤酒喜好，使用MDPREF分析所獲得的空間知覺圖。 這樣的圖可以告訴我們這32位學生對於不同廠牌啤酒喜好的分佈形態及不同啤酒的空間知覺分布。因此，我們可以根據這樣的資料來作為新啤酒品牌投入市場時其產品定位及市場區隔。 7.2 Classical Metric MDS： How it works--Intuition 以表7.1為例，其顯示出歐洲10個城市之間的直線距離，我們將以此為資料來重建此10個城市的相對位置圖 若我們以手製圖(程序為何?)，所描繪出的地圖(圖7.3)與實際地圖之間可能會產生以下問題： 會失去個別城市的絕對位址(absolute location) 地圖有可能是實際地圖的鏡像 地圖可能被旋轉而與實際不同 我們可以利用Metric MDS來解決上述問題 7.2.2 Classical Metric MDS： How it works--Mechanics 首先列出不同受估個體(object)間的相似性或不相似性矩陣，而這些矩陣內的數字與個體之間的距離是線性相關(透過一個線性函數)的，其斜率可為正向(不相似性)或負向(相似性) 若資料是屬於相似性資料，我們先將資料中每一個資料值減去資料中的最大值，以轉換為不相似性資料，隨後在上述的線性函數中求出常數項，函數的斜率可設為1，因為圖是任意的，如此只剩下截距項(常數項)需設法求出 另外，在Torgerson(1958)中指出，有許多方法可以求出上述的常數項，但最