![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Кластерный анализ и многомерное шкалирование
Многомерное шкалирование (глава 18) и кластерный анализ — это методы, основанные на дистантной модели: непосредственными исходными данными для них является информация о различии объектов. Поэтому представляет интерес сравнение результатов применения этих методов в отношении одних и тех же данных. Напомним, что многомерное шкалирование, как и факторный анализ, направлено на выявление небольшого числа шкал. Эти шкалы трактуются как критерии, лежащие в основе различий объектов, и интерпретируются через объекты, поляризованные по этим шкалам. Особое значение при интерпретации шкал, в отличие от факторов, уделяется визуализации координатных представлений объектов в пространстве шкал, что связано с невозможностью поворота шкал относительно объектов (как факторов относительно признаков в факторном анализе). Поэтому особую ценность при шкалировании имеют двух-, максимум — трехшкальные решения. Так же, как и в факторном анализе, при многомерном шкалировании получение решения с малым числом шкал неизбежно влечет потерю исходной информации о различии объектов. ПРИМЕР19.3 Сравним результаты многомерного шкалирования и кластерного анализа одной и той же матрицы различий (табл. 19.3), полученной путем оцифровки исходной социометрической матрицы (табл. 19.2). Предположим, исследователь решил применить многомерное шкалирование для того, чтобы по его результатам разместить 12 членов группы в аудитории в соответствии с их симпатиями и антипатиями. Графическое изображение 2-шкального решения приведено на рис. 19.7. Для сравнения на рис. 19.8 изображена дендрограмма — результат кластерного анализа методом средней связи для тех же данных.
Двумерная конфигурация объектов оказывается весьма грубым отражением реальных группировок. Так, группы (1, 2, 3) и (10, 11) на плоском изображении практически не разделены, а члены пары (9, 4) оказались в разных областях пространства. Несколько лучше оказывается 3-шкальное решение (рис. 19.9), хотя и оно весьма отдаленно напоминает группировки, выделяемые при помощи кластерного анализа.
По-видимому, наблюдаемые искажения являются следствием того, что симпатии и антипатии в данной группе вряд ли могут быть объяснены небольшим числом общих оснований. Такое единодушие проявляется разве что в отношении очень небольшого числа членов этой группы (5 и 6). Таким образом, наиболее серьезным ограничением многомерного шкалирования является, по-видимому, предположение о том, что в основе всех различий между объектами лежит небольшое число критериев (шкал). Если есть серьезные сомнения на этот счет, то применение многомерного шкалирования вряд ли оправданно. И тогда целесообразнее применять кластерный анализ.
Приложения
ОСНОВНЫЕ СТАТИСТИЧЕСКИЕ ТАБЛИЦЫ
|