![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Обработка на компьютере
Для обработки воспользуемся данными примера 18.1. Исходные данные (Data Editor) представляют собой нижний треугольник матрицы попарных различий между 5 объектами (табл. 18.4). 1. Выбираем Analyze > Scale > Multidimensional Scaling (ALSCAL)... Примечание. В последних версиях SPSS наряду с вариантом ALSCAL предлагается более современный вариант многомерного шкалирования PROXSCAL. Этот последний вариант, на наш взгляд, действительно более удобен и совершенен. Но поскольку многие пользуются версиями SPSS, в которых программы PROXSCAL еще нет, мы воспользуемся вариантом ALSCAL. Тем более что результаты обработки хоть и различаются, но не существенно. Для тех, кому доступна программа PROXSCAL, не составит большого труда перейти к ней после знакомства с программой ALSCAL. 2. В открывшемся окне диалога переносим из левого в правое верхнее окно (Variables) переменные, необходимые для шкалирования (mra, da, ka, fa, mds). Убеждаемся, что в поле Distances (Расстояния) точкой отмечено Data are distances (Данные — расстояния), а нажав кнопку Shape... (Уточнить) убеждаемся, что матрица данных Square symmetric (Симметричная квадратная). Нажимаем Continue. Примечание. Если бы исходные данные были типа «объект-признак», то необходимо было бы воспользоваться опцией Create distances from data (Создать расстояния поданным), нажать кнопку Measure... (Мера...), задать меру различий и уточнить: между объектами (Between objects) или признаками (Between variables) вычислять различия. Иногда в качестве исходных данных применяется несимметричная квадратная матрица различий, например, как результат социометрии. В этом случае указывается соответствующая опция: Shape... Square asymmetric. 3. Нажимаем кнопку Model... (Модель...) и задаем параметры модели шкалирования. Главным параметром здесь является количество шкал. Обычно следует получить результаты для нескольких шкал и выбрать наилучшее из них — по величинам стресса и по отчетливости интерпретации. В данном случае у нас всего 5 объектов, поэтому вряд ли потребуется более двух шкал. Задаем Dimensions (Шкалы) Minimum: 2, Maximum: 2. Параметры Level of measurement (Уровень измерения) можно не менять и оставить принятые по умолчанию Ordinal: (Порядковый:) их изменение практически не меняет результаты. Разве что можно поставить флажок Untie tied observation (Корректировать связанные наблюдения) — для устранения влияния связей (повторов) в рангах. Убеждаемся, что установлено Conditionality: Matrix (Условие подгонки: вся матрица). После задания всех параметров модели нажимаем Continue. 4. В основном окне диалога нажимаем Options (Опции) для задания параметров обработки и вывода результатов. В появившемся окне диалога внизу в поле Display (Выводить) отмечаем флажком Group plots (Графики для всей группы) — для графического отображения объектов в координатах шкал. В поле Criteria (Критерии) указаны критерии для итераций по подгонке модели: S-stress convergence: 0, 001 (Величина сходимости s-стресса), Minimum s-stress value: 0, 005 (Минимальная величина s-стресса), Maximum iterations: 30 (Максимальное количество итераций). Эти величины можно не менять. Примечание. В поле Criteria (Критерии) минимальная величина стресса явно занижена: вполне достаточна величина 0, 1. Для увеличения точности решения можно увеличить количество итераций и уменьшить величину сходимости стресса (разности стресса на последней и предыдущей итерациях). Но при этом следует внимательно просмотреть по результатам «историю» итераций, так как там могут быть локальные минимумы величины стресса.
После задания всех параметров обработки и вывода результатов нажимаем Continue. Нажимаем ОК и получаем результаты. 5. Основные результаты МШ. А) «История» итераций, величины стресса и RSQ: Iteration history for the 2 dimensional solution (История итераций для 2-шкального решения.) Young's S-stress formula 1 is use (Применена формула s-стресса Юнга) Iteration S-stress Improvement (Итерация) (s-стресс) (Улучшение) 1.00000
Iterations stopped because S-stress is less than.005000 (Итерации остановлены, поскольку s-стресс меньше, чем 0, 005.) Stress values are Kruskal's stress formula 1. (Величина стресса вычислена по формуле 1 Краскала.) For matrix (Для всей матрицы) Stress =.00000 RSQ = 1.00000.
История итераций показывает, что минимальная величина достигнута уже на первом шаге, что на самом деле встречается очень редко. Обычно при большем количестве объектов проблемой является слишком большая величина стресса. Окончательная величина стресса (по формуле 1 Краскала) и величина RSQ свидетельствуют о полном соответствии решения исходным данным. В) Координаты объектов в осях шкал: Stimulus Coordinates
С) График конфигурации стимулов в осях шкал
Величина стресса и RSQ свидетельствуют о достаточно точной подгонке конечной конфигурации к исходным данным (расстояния между объектами в итоговом пространстве соответствуют исходным различиям). Следовательно, можно приступать к содержательной интерпретации результатов. На положительном полюсе первой шкалы располагаются МРА и ФА, на отрицательном — КА и МШ. Промежуточное положение занимает ДА. Таким образом, эта шкала отражает наличие знаний у студента о различии методов по исходным предположениям о структуре данных: ФА, МРА и отчасти ДА исходят из согласованности изменчивости признаков (корреляций), а КА и МШ — из дистантной модели (мер сходства или различия). На положительном полюсе второй шкалы располагаются ДА и КА — методы классификации, на отрицательном полюсе — ФА и МШ, структурные методы. Следовательно, наличие этой шкалы свидетельствует о сформированное™ у студента адекватных знаний о назначении многомерных методов. Наглядное представление о субъективной структуре знаний студента дает график координат сравниваемых объектов в пространстве двух шкал.
|