《出版社多元统计分析》课件_第14章-多维标度分析.pptxVIP

;第14章多维标度分析;在实际中我们会经常遇到这些的问题，给你一组城市，你总能从地图上测出任何一对城市之间的距离。;多维标度法（MultidimensionalScaling）就是解决这类问题的一种方法，它是一种在低维空间展示“距离”数据结构的多元数据分析技术，简称MDS。

多维标度法起源于心理测度学，用于理解人们判断的相似性。Torgerson拓展了Richardson及Klingberg等人在三、四十年代的研究，具有突破性地提出了多维标度法，后经Shepard和Kruskal等人进一步加以发展完善。

;多维标度法解决的问题是：当n个对象（object）中各对对象之间的相似性（或距离）给定时，确定这些对象在低维空间中的表示（感知图PerceptualMapping），并使其尽可能与原先的相似性（或距离）“大体匹配”，使得由降维所引起的任何变形达到最小。;多维标度法内容丰富、方法较多。

按相似性（距离）数据测量尺度的不同MDS可分为：度量MDS和非度量MDS。

当利用原始相似性（距离）的实际数值为间隔尺度和比率尺度时称为度量MDS(metricMDS)，当利用原始相似性（距离）的等级顺序（即有序尺度）而非实际数值时称为非度量MDS(nonmetricMDS)。

按相似性（距离）矩阵的个数和MDS模型的性质MDS可分为：古典多维标度CMDS（一个矩阵，无权重模型）、重复多维标度ReplicatedMDS（几个矩阵，无权重模型）、权重多维标度WMDS（几个矩阵，权重模型）。

本章仅介绍常用的古典多维标度法和非度量多维标度法。;14.2古典多维标度分析;在解决上述问题之前，首先明确相关的概念。;如果数据是广义距离阵，则使用下面给出的基于距离矩阵的CMDS法；

如果数据不是广义距离阵，要通过一定的方法将其转换成广义距离阵，才能进行多维标度分析；

如果数据是多个分析变量的原始数据，则要根据聚类分析中介绍的方法，计算分析对象间的相似测度，再将其转换成广义距离阵，进行多维标度分析。

下面介绍已知距离矩阵时CMDS解。为了叙述方便，给出下面定义：

;;14.2.1已知距离矩阵时CMDS解;定理14.2.1;于是有;从定理的证明过程中，我们得到一些有用的结论：;;;;;续例14.1用前述例14.1美国10城市间的飞行距离数据，说明古典度量多维??度法的计算过程。表14.2.1中飞行距离，数值越大表明距离越远，数值越小表明距离越短，符合广义距离阵的定义，又只涉及一个距离阵，因此可采用度量CMDS方法进行分析。;由表14.2.3的第3、4列，得到10个城市的坐标分别为：

（-718.759，142.9942）,（-382.056，-340.84）,

（481.602，-25.285）,（-161.466，572.77）,

（1203.738，390.100）,（-1133.53，581.907）,

（1072.24，-519.024）,（1420.603，112.589）,

（1341.723，-579.739）,（-979.622，-335.473）。;

将10个城市的2维坐标画在平面图上，可以看到由古典解确定的12个城市的位置。图14.2.1给出了MDS反映美国10座城市相对位置的感知图。图中的10个点，每个点代表一个城市，相近的点代表飞行距离短的城市，相距较远的点代表飞行距离远的城市。

;例14.3已知在中国的四个城市：楚雄（云南）、重庆

（四川）、兰州（甘肃）、福州（福建）的某距离矩阵

（表14.2.4）：;由此，得到四个城市的相对位置分布，如图14.2.2所示。;14.2.2已知相似系数矩阵时CMDS解;;由表14.2.8的第3、4列给出坐标，绘出六门课程的感知图14.2.4，大体反映了这六门课程的基本结构，可以看出，算术、代数、几何较为相近，英语和盖尔语较为相近，而历史课程与其他课程的差异性较大。;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，按照古典解的方法，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。有Carroll和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），也称权重个体差异欧氏距离模型。;14.3非度量多维标度法;;14.3.2非度量方法的做法;例14.5假设消费者对A，B，C三种品