© Copyright StatSoft, Inc., 1984-2011
Rozwiązanie: Poszukiwanie czynników lub wymiarów
Można użyć: ANALIZĘ CZYNNIKOWĄ, ANALIZĘ KORESPONDENCJI LUB SKALOWANIE WIELOWYMIAROWE:
ANALIZA CZYNNIKOWA: Rozdział ten opisuje techniki służące do przeprowadzania analizy czynnikowej i analizy składowych głównych. W ogólności celem takich analiz jest wyodrębnienie istniejących obiektywnie (ale ukrytych) wymiarów w zbiorze wielu zmiennych. Na przykład, jeśli przeprowadzimy analizę czynnikową dla czterech rozmiarów charakteryzujących wielkość człowieka (np. wzrost, ciężar, rozmiar obuwia, długość ramienia) dla próby liczącej 100 osobników to najbardziej prawdopodobnym wynikiem będzie odnalezienie jednego wymiaru. Można go na przykład nazwać rozmiar. Rachunkowo analiza czynnikowa opiera się na macierzy korelacji. Program próbuje znaleźć najmniejszą liczbę czynników, które byłyby w stanie zreprodukować (odtworzyć) obserwowane korelacje.
ANALIZA KORESPONDENCJI: Analiza korespondencji to opisowa i eksploracyjna technika analizy tablic dwudzielczych i wielodzielczych, zawierających pewne miary charakteryzujące związek pomiędzy kolumnami i wierszami. Otrzymywane wyniki dostarczają informacji podobnych w swej naturze do wyników analizy czynnikowej i pozwalają na analizę struktury zmiennych jakościowych. Najczęściej spotykaną tablicą tego typu jest dwuwymiarowa tablica kontyngencji (patrz rozdział Statystyki podstawowe i tabele lub Analiza log-liniowa).
SKALOWANIE WIELOWYMIAROWE: Rozdział ten zawiera opis procedur pozwalających na przeprowadzanie niemetrycznych skalowań wielowymiarowych opartych na podobieństwach lub różnicach. Podobnie jak w analizie czynnikowej, celem jest tu wykrycie wymiarowości w istniejącym zbiorze danych wielowymiarowych. Jednakże w odróżnieniu od tej ostatniej, nie opieramy się na macierzy korelacji lecz na macierzy podobieństwa lub macierzy różnic (odległości). Te podobieństwa/różnice to mogą być rangi zmierzone lub otrzymane jakimś innym sposobem (np. odległości geograficzne). Nie muszą to być precyzyjne pomiary lecz mogą być oparte na informacji jakościowej odpowiednio uszeregowanej (np. większe podobieństwo wymaga większej wartości miary podobieństwa).
MODELE CZĄSTKOWYCH NAJMNIEJSZYCH KWADRATÓW (PLS): Ten rozdział zawiera omówienie implementacji metody cząstkowych najmniejszych kwadratów (PLS). PLS umożliwia wyodrębnianie czynników (składników) w zbiorach danych zawierających jedną lub wiele zmiennych objaśniających i jedną lub wiele zmiennych objaśnianych.
STATISTICA is a trademark of StatSoft, Inc.