精华内容
下载资源
问答
  • 分析】-【降维】-【最优尺度】-【定义】 全部选入“分析变量” 【变量】-把所有变量选入“联合类别图” 看区分测量表,维1和维2的值不能太大也不能太小,也不能一样,竖着也要算一个平均值。 最大的就是解释最好的...

    预分析:
    先对变量间的两两关联性进行卡方检验,除了性别和大多变量没有相关性,其他变量间基本都有相关性,尝试保留性别。

    【分析】-【降维】-【最优尺度】-【定义】
    全部选入“分析变量”
    【变量】-把所有变量选入“联合类别图”

    看区分测量表,维1和维2的值不能太大也不能太小,也不能一样,竖着也要算一个平均值。
    最大的就是解释最好的

    在这里插入图片描述
    性别离远点太近了,区分度小,就把性别删掉。
    剔除性别后再做一遍,看类别的联合图。

    如果未婚有孩子和已婚有孩子,区分不开,黏在一起,也要剔除,或者把这两个合并。

    注意如上所述:最优尺度分析除了看图以外,要观察各行变量和列变量在生产的因子上的判别度,以及还要分析各个变量的分类是否合理,是否需要合并某些分类。

    展开全文
  • 10、spss做最优尺度分析

    千次阅读 2015-04-15 15:37:52
    这一节我们就来讨论要怎么通过最优尺度分析来解决多组分类变量之间的关联分析。 我们首先选择菜单分析——降维——最优尺度,打开最优尺度面板,我们看到,这是个很小的面板。 首先最佳度量水平里有两个选项,...

    上一节我们讨论了对于两组分类变量,如何通过主成分分析法进行降维,从而在一个二维的平面上直观的表现出两组变量的类别之间有什么关联。这一节我们就来讨论要怎么通过最优尺度分析来解决多组分类变量之间的关联分析。

    我们首先选择菜单分析——降维——最优尺度,打开最优尺度面板,我们看到,这是个很小的面板。

    111

    首先最佳度量水平里有两个选项,所有变量均为多重标称,或某些变量并非多重标称。那么什么叫多重标称呢?多重标称的意思可以理解为就是分类变量。也就是说你的变量都是分类变量的话,那你就选第一个,如果不是的话,那就是选第二个。然后变量集的数目又有两个选项,一个集合,或两个集合。这个意思是在问你你的变量是全都放到一个集合里呢还是分开放到好几分集合里。如果放在一个集合里,那就是对应分析的简单扩展,用来分析多个分类变量的关系。如果是放在多个集合里,那就是用来分析放在不同集合的变量之间的相关性(就是在做集合与集合之间的相关分析)

    最下边的选定分析里有三种分析方法。也就是最优尺度对应的三种分析方法。

    多重对应分析:

    如果选择所有变量为多重标称,一个集合,那么系统会自动选定为多重对应分析。

    打开定义。我们想要分析员工规模(四分类),高新(二分类),年销售量(七分类),资产总额(七分类)选入到了分析变量。此外,如果有变量被选入补充变量和标记变量,(可以为数值变量哦)。那最后的分析图里并不会显示出这些变量(计算的时候也不会考虑它的影响),但是计算辨别度量的时候会有它。建议使用几个变量来回操作实验,观察生成的图表的不同,相信可以更好的掌握这种方法(不过一般就不使用它俩啦嘿嘿)。

    222

    在分析变量下边还有一个定义变量权重。一般默认为1。有需要可以自己设定。离散值选项卡是用来离散原来的数值变量的,这个一般我们也用不到,通常我们输入数据的时候已经是分好类了对吧。如果是需要离散的,那就默认离散就可以了。然后我们看缺失选项卡。 缺失选项卡里一共给出了三大类方案,默认的是排除缺失值,量化后为相关性规因(也就是估算),众数。也就是把含缺失值得个案视为补充对象,并给他们估算值。选项对话框和输出对话框也不用管,然后看下边图里边的变量,把这四个变量全选到联合类别图的框框里就可以了。(总算出来一个不是默认的。)

    输出结果里迭代历史记录不重要,略过。看模型汇总表。

    我们的两个惯量相加等于总计,说明我们的所有变量和维数的关系十分亲近。我们的多重对应还是比较合理的(多重对应分析没有p值可以看的)。

    类别

    333

    点联合图就蛮重要的了。我没有在这张图上加辅助线,但是可以大概看出来那些点比较接近,那些点又比较疏远,这个和简单对应分析是类似的,也就不多说了。(双击散点图,在图形编辑里边调整坐标的初始值,在行和列的0.0处加辅助线。然后这张图就会别分成四大块了。中心点就是(0,0)。那么在这张图上边就会有两类不同图形的点点,比如圆形表示年龄段的分类,三角表示喜爱程度。在小图形附近还会标注清楚每个小图形对应那个程度。那么这个图怎么看呢?

    首先四个大块就直观的告诉我们那些点和那些点距离比较近了。比如代表20岁到40岁的点和非常喜爱的点靠的很近,那么就可以认为20岁到40岁的人会非常喜爱这个产品。这是最基本的一个信息。此外我们可以通过辅助线来进一步解释这张图。比如,我们找到代表非常喜爱的这个三角形,然后把这个点和(0,0)的中心点连线,连出一条直线来。然后把所有的小圆点向这条线做垂线。就是代表每个年龄段的小圆点都引一条垂线出来,垂点落到原来的那条直线上。假如我们分四个年龄段的话,那我们现在就有四个垂点啦。然后我们比较这四个垂点离代表非常喜爱的那个三角形的距离。注意,比较的是垂点哦。垂点离三角形越近,也就是说该年龄段的人越容易表达出非常喜爱哦。因为是垂点,所以从图上看离得比较远的两个点未必就关联程度比较低哦。

    同样的道理,我们也可以做出同一年龄段的人更容易喜爱还是不喜爱这个产品的直线图。总之散点图可以很直观的解释信息哦。

    444

    辨别度量表则是一个新的表。这个表和类别点联合图相似,夹角越小则这两个变量越相关。离得越近表示越相似。

    分类主成分分析:

    选择并非所有的变量为多重标称,一个集合,点击定义,打开分类主成分分析主面板。我们选择了四个连续变量在分析变量里。点开定义度量和权重面板。默认的是有序样条,2,2,如果是分类变量的话,也是默认的这样,也就是说连续变量和分类变量系统是不区分的。好吧,我真的不知道什么叫样条,不过姑且就默认着吧!其他一切默认。

    555结果图主要就是模型汇总图和成分负荷图。

    这张图告诉我们两个维数可以累积解释变量的78.813%,相当的不少了。

    666

    这个图则告诉我们主成分和变量之间的关系。两个维数就是两个主成分。告诉我们每个变量在每个主成分里的相关性,又告诉我们变量之间的相关性。由于涉及到连续变量,所以主成分分析和因子分析是非常相似的。

    非线性典型相关分析:

    选择多个集合(不管有没有变量不是多重标称的),点定义,就会打开非线性典型相关分析主面板了。

    我们的第一张里边选入员工规模和年销售额,第二张选入r01和r02。这个每个变量都需要手动设定范围和类型,范围就是设定你的变量的最大值。注意,这里最小值已经默认为了1,而且不可更改,也就是说你的变量里的分类值不能有0。我们通常喜欢用0,1来标记二分类变量,但是注意在这里是不行的。另外类型的话序数就是带有实际递进性质的数值,比如员工规模小,中,大啊。单标定就是简单名义尺度,多标定就是多重名义尺度。而离散数就是有序等距数值,比如年龄。注意在非线性典型相关里至少要设定两个块(block)才可以做分析的。

    777继续,选项里勾选类别坐标。确定。输出结果主要看类别坐标图。

    888注意看这张图可以分析出r01与员工规模的相关关系,r02与员工规模的相关关系,r01与年销售额的相关关系,r02与年销售额的相关关系。但是,不能分析r01与r02之间的关系,也不能分析员工规模和年销售额的关系。也就是说他只能分析两个集合之间的元素的关系,不能比较同一集合里的变量。另外如果有数值型变量的话,非线性典型相关也提供了成分负荷图可以用来观察两个集合里的变量的关系。

    展开全文
  • 基于对应分析和最优尺度分析的智能手机用户需求挖掘,张念照,吕廷杰,随着智能终端的普及和3G时代的来临,智能手机用户的需求呈现多样化趋势,不同的用户群所偏好的手机功能不尽相同。为了满足用户的�
  • 采用多分辨率图像分割方法得到图像对象, 提出非监督的最优尺度判定方法解决单尺度分割造成的欠分割和过分割问题。在对象分类提取过程中, 结合LiDAR数据的地形表面高程信息和光谱信息对建筑物进行提取, 并利用尺寸、...
  • 在限带数字通信系统的一般模型框架下, 提出了一种基于最优尺度小波变换的符号率估计算 法. 首先深入分析了经典Haar 小波符号率估计方法的基本原理及其性能缺陷, 然后从奇异性和消 失矩的角度, 从理论上证明了小波基...
  • 针对利用现有深度学习方法进行植被提取时出现的相邻地物处于同一窗口、分类结果出现一些无用破碎图斑和“椒盐现象”等问题, 提出最优分割尺度与深度置信网络相结合的方法进行植被提取研究, 并利用光谱-纹理特征等...
  • 面向对象的最优尺度选择是高分辨率遥感图像多尺度分割技术中的关键问题。最优分割尺度的确定直接影响到后续的图像信息提取与分析。在模型计算法的基础上,改进并实现了一种全局最优尺度计算模型。该最优尺度计算模型...
  • 采用分形网络演化多尺度分割算法对高分辨率遥感影像进行分割,通过Robert算子的边缘提取结果计算分割参数获取分割尺度,并在此基础上设置不同分割尺度对影像进行分割,对比分析分割结果表明,沉淀池的最优分割尺度为35。...
  • 针对工程设计实践,应用凸轮机构设计的基本理论,分析设计参数的内在联系,研究出摩托车CG系列发动机配气凸轮机构最优结构尺度综合的计算方法,揭示出配气机构的各设计参数的匹配内涵和设计机理,所导出设计计算方法...
  • 面向对象的影像分析方法适合高分辨率遥感影像信息提取, 其核心问题...提出了一种针对面向对象分析法中多尺度分割的最优分割尺度计算模型, 并进行了影像分割实验。结果表明, 此模型能快速地获取可靠的最优分割尺度
  • SPSS数据分析—多维尺度分析 在市场研究中,有一种分析是研究消费者态度或偏好,收集的数据是某些对象的评分数据,这些评分数据可以看做是对象间相似性或差异性的表现,也就是一种距离,距离近的差异性小,距离远的...

    SPSS数据分析—多维尺度分析

    在市场研究中,有一种分析是研究消费者态度或偏好,收集的数据是某些对象的评分数据,这些评分数据可以看做是对象间相似性或差异性的表现,也就是一种距离,距离近的差异性小,距离远的差异性大。而我们的分析目的也是想查看这些对象间的差异性或相似性情况,此时由于数据的组成形式不一样,因此不能使用对应分析,而需要使用一种专门分析此问题的方法——多维尺度分析(MDS模型)。多维尺度分析和对应分析类似,也是通过可视化的图形阐述结果,并且也是一种描述性、探索性数据分析方法。

    基于以上,我们可以得知,多维尺度分析经常使用在市场研究中:

    ① 可以确定空间的维数(变量、指标),以反映消费者对不同品牌的认知,并且在由这些维构筑的空间中,标明某关注品牌和消费者心目中理想品牌的位置,选择的品牌不宜过少也不宜过多,一般7-9个。

    ② 可以比较消费者和非消费者对企业形象的感觉。

    ③ 在进行市场细分时,可以在同一空间对品牌和消费者定位,然后把具有相似感觉的消费者分组、归类。

    ④ 在新产品开发方面,通过在空间图上寻找间隙,可以发现由这些间隙为企业带来的潜在契机。

    ⑤ 在广告效果的评估方面,可以用空间图去判定一个广告是否成功地实现了期望的品牌定位。

    ⑥ 在价格策略方面,通过比较加入与不加入价格轴的空间图,可以推断价格的影响强度。

    ⑦ 在分销渠道策略方面,利用空间图可以判断品牌对不同零售渠道的适应性,从而为制定有效的分销渠道提供依据。

    在市场研究中,我们要注意的是选择的品牌数量要适中,并且分析的问题要明确,每组数据只能分析一个问题,比如对一组饮料产品收集的数据不能既反映口感又反映价格。

    多维尺度分析收集的数据值大小必须能够反应两个研究对象的相似性或差异性程度。这种数据叫做邻近数据,所有研究对象的邻近数据可以用一个邻近矩阵表示。反映邻近的测量方式有:

    相似性-数值越大对应着研究对象越相似。 差异性-数值越大对应着研究对象越不相似。

    测量邻近性数据的类型有:

    ①两个地点(位置)之间的实际距离。(测量差异性)

    ②两个产品之间相似性或差异性的消费者心理测量。(差异性或相似性)

    ③两个变量的相关性测量。(相关系数测量相似性)

    ④从一个对象过渡到另一个对象的转换概率。例如概率反应了消费者对品牌或产品偏好的变化。(测量相似性)

    ⑤反映两种事物在一起的程度。例如:用早餐时人们经常将哪两种食品搭配在一起。(测量相似性)

    ⑥谁喜欢谁,谁是谁的领导,谁传递给谁信息,谁是谁的上游或下游等等社会网络数据等(测量相似性)

    邻近数据即可以直接测量(距离),也可以通过计算得到(变量间的相关系数)。

    多维尺度模型根据测量的尺度不同可以分为:

    ①古典MDS模型,针对收集的数据为比率和区间,也就是直接可以测量距离的情况

    ②非度量MDS模型,收集的数据为有序数据,针对无法直接测量距离,只能通过评分测量的情况

    根据测量的个体数量不同,可以分为

    ①不考虑个体差异的MDS模型(ALSCAL),即单个测量个体

    ②考虑个体差异的MDS模型(INDSCAL),即多个测量个体

    这里说的测量个体并不是选取的测量指标,而是实际测量的个体,相当于样本。

    由于多维尺度分析是用来分析差异性或相似性的,也带有度量的含义,因此在SPSS中也将其归在了度量过程中。共有三个过程,下面我们来分别介绍

    一、不考虑个体差异的MDS模型

    本案例进行的是最基本的多维尺度分析,目的是分析每个城市的距离情况,只有一个个体,并且收集的数据直接是距离数据,因此采用古典MDS模型,数据组成如下

    分析—度量—多维尺度(ALSCAL)

    二、考虑个体差异的MDS模型

    实际分析中,我们往往不会只选取一个样本,比如受访者肯定不止一个,那么收集上来的数据会变成多个矩阵,如果将其浓缩为一个矩阵会损失大量数据信息,而直接使用重复多维尺度模型当然也是可以的,但是该方法没有考虑个体间差异,因此并非最佳选择。而考虑个体差异的MDS模型不仅分析对象间的结构,而且会进一步分析对象间的差异。

    本例中识10位受访者对10种饮料的口感差异性评分,分值越大差异越大,10位受访者的数据形成了10个数据阵,数据如下

    下面我们选用考虑个体差异的MDS模型进行分析

    三、基于最优尺度变换的MDS模型

    将最优尺度变换引入MDS模型式对传统MDS模型的拓展,我们来看使用最优尺度变换的MDS模型再来分析一下饮料的数据

    分析—度量—多维尺度(PROXSCAL)

    四、多维展开模型
    以上的MDS模型不管是传统MDS还是非度量MDS,都是要求各对象间不存在分组,分析时是直接考虑各对象两两间的距离远近。但是实际问题中,可能会遇到对象被分为两组,我们是想考察这多个组之间的相似性或差异性,而对组内对象间的距离远近并不关心,这时传统的MDS模型就不再适合,而需要采用多维展开模型进行分析。

    看一个例子,现在收集了两组变量,一组是场景,共15个水平,另一组是行为,共15个水平。现在想分析这两组变量间的差异性或相似性,数据如下

    我们用多维展开模型进行分析
    分析—度量—多维展开(PREFSCAL)

    接下来会分别输出行列变量的坐标,以及行列变量在二维分布图,但是我们实际上更关心的是行列变量的联合分布图

    转载于:https://www.cnblogs.com/amengduo/p/9586842.html

    展开全文
  • SPSS(十四)SPSS之多维尺度分析(图文+数据集)

    万次阅读 多人点赞 2019-06-07 16:32:32
    SPSS(十三)SPSS之多维尺度分析(图文+数据集) 多维尺度分析简介 多维尺度(Multidimensional scaling,缩写MDS,又译“多维标度”)也称作“相似度结构分析”(Similarity structure analysis),属于多重变量...

    SPSS(十三)SPSS之多维尺度分析(图文+数据集)

    多维尺度分析简介

    多维尺度(Multidimensional scaling,缩写MDS,又译“多维标度”)也称作“相似度结构分析”(Similarity structure analysis),属于多重变量分析的方法之一,是社会学、数量心理学、市场营销等统计实证分析的常用方法。

    根据研究对象间的相似性或相异性矩阵,找到一个R维空间,用R维空间中的散点表示所有的研究对象,并保持研究对象之间的相似性或相异性关系。这就是多维尺度分析。

    比如:可乐和雪碧像吗?可乐和宝马像吗?

    • 用于反映多个研究事物间的相似(不相似)程度
    • 通过询问消费者对各种品牌(或者概念)的相似程度评分,我们可以评价那些品牌在消费者的心目中比较类似,而这些类似的品牌往往意味着市场定位重叠,即存在竞争关系。
    • 但是,直接采用原始数据加以考察非常麻烦,数据太多,不容易得出一个综合、全面的结论
    • 同时所需的解释空间维度太高,不容易阅读
    • 通过适当的降维方法,将这种相似(不相似)程度在低维度空间中用点与点之间的距离表示出来,并有可能帮助识别那些影响事物间相似性的潜在因素
    • 最常见情况是在二维空间中将结果表现出来

     

    为了更加深入了解多维尺度分析的原理,我们用城市航空距离案例来说明一下

    案例:城市航空距离

    数据反映的是中国12个城市间航空距离的数据,请就此进行MDS分析。

    数据集如下

    北京	0											
    合肥	959	0										
    长沙	1446	641	0									
    杭州	1200	476	805	0								
    南昌	1398	450	331	468	0							
    南京	981	145	799	240	583	0						
    上海	1178	412	964	176	644	273	0					
    武汉	1133	345	332	656	343	504	761	0				
    广州	1967	1105	620	1099	665	1255	1308	873	0			
    成都	1697	1392	940	1699	1240	1618	1782	1047	1390	0		
    福州	1681	730	743	519	437	747	678	780	763	1771	0	
    昆明	2266	1795	1116	2089	1457	1870	2042	1364	1357	711	1959	0

    分析--度量--多维尺度 

    度量水平:

    序数:有序变量

    区间:连续变量

    比率:连续变量(有绝对0的概念) 

    在spss中,多维尺度唯一把连续型变量分开考虑的模型,因为我们的数据集为两地的实际距离,有绝对0的概念

    一般维度都不用调,在2维观察即可,高纬度观察起来会比较困难

    在距离选项中,由于我们的数据就为距离,数据形状为下三角矩阵,两地往返距离是一致的,所以选择正对称

    结果解释:

    前面一大堆文本不用看多少,就看他是否收敛即可

    Stress=0.03678, Stress是0到1之间的,近似可以理解成模型剩余的残差,就是不能够被模型解释的部分,越接近0越好

    Stress<0.1证明模型效果都蛮好的

    RSQ决定系数,也是0到1之间的,越接近1证明模型的解释度越好

    下面就是城市在二维空间中的坐标

    上面用图形展示出来(多维尺度分析主要看这幅图

    空间图(刺激匹配图)

    • 哪些散点比较接近(相似),所有的散点大致被分为了几类
    • 如果有可能,为每个维度找到一个合理的解释
    • 寻找图形散点间相关性的合理解释

    线性拟合散点图:实测值与预测值的分布,,在一条直线上证明拟合度很高

     

    为了大家能更深了解,再看一个例子

    案例:大学差异性评价

    在2004年的一次调查中,我们收集了华东师范大学社会学系某个班的40位大学生对中国九所大学差异性的评分。0分为差异最小,9分为差异最大,从0分到9分差异程度逐渐增加请分析各学校的空间定位关系,以及学生的评价倾向。
    分析各学校的空间定位关系以及学生评价倾向

    数据集如下

    1	2	北京师大	7	0							
    1	2	南京大学	4	7	0						
    1	2	中国科大	5	7	6	0					
    1	2	复旦大学	3	6	4	5	0				
    1	2	华东师大	6	2	7	7	6	0			
    1	2	清华大学	4	6	6	5	4	6	0		
    1	2	上海交大	6	7	6	3	5	6	4	0	
    1	2	东北师大	7	3	8	8	6	2	8	7	0
    2	2	北京大学	0								
    2	2	北京师大	8	0							
    2	2	南京大学	2	7	0						
    2	2	中国科大	3	8	3	0					
    2	2	复旦大学	1	8	1	3	0				
    2	2	华东师大	8	1	5	6	5	0			
    2	2	清华大学	0	7	2	3	2	8	0		
    2	2	上海交大	2	8	1	2	1	7	2	0	
    2	2	东北师大	7	1	6	5	6	1	7	7	0
    3	2	北京大学	0								
    3	2	北京师大	2	0							
    3	2	南京大学	3	4	0						
    3	2	中国科大	7	6	7	0					
    3	2	复旦大学	2	4	5	7	0				
    3	2	华东师大	6	4	5	8	6	0			
    3	2	清华大学	1	3	4	4	3	8	0		
    3	2	上海交大	3	4	3	5	2	6	3	0	
    3	2	东北师大	4	3	5	5	6	5	7	7	0
    4	2	北京大学	0								
    4	2	北京师大	2	0							
    4	2	南京大学	4	3	0						
    4	2	中国科大	5	7	6	0					
    4	2	复旦大学	1	6	5	8	0				
    4	2	华东师大	6	2	5	9	2	0			
    4	2	清华大学	7	5	7	7	3	6	0		
    4	2	上海交大	8	9	8	7	3	5	1	0	
    4	2	东北师大	3	1	7	9	5	2	5	8	0
    5	1	北京大学	0								
    5	1	北京师大	1	0							
    5	1	南京大学	2	1	0						
    5	1	中国科大	5	4	1	0					
    5	1	复旦大学	1	1	1	2	0				
    5	1	华东师大	3	1	2	4	1	0			
    5	1	清华大学	5	5	3	1	4	5	0		
    5	1	上海交大	5	5	3	1	3	4	1	0	
    5	1	东北师大	4	2	4	5	5	2	6	4	0
    6	1	北京大学	0								
    6	1	北京师大	4	0							
    6	1	南京大学	2	7	0						
    6	1	中国科大	5	5	3	0					
    6	1	复旦大学	4	1	0	4	0				
    6	1	华东师大	6	5	4	5	4	0			
    6	1	清华大学	3	4	2	1	3	5	0		
    6	1	上海交大	3	7	2	2	1	6	2	0	
    6	1	东北师大	7	4	7	8	7	2	8	6	0
    7	1	北京大学	0								
    7	1	北京师大	2	0							
    7	1	南京大学	1	6	0						
    7	1	中国科大	3	6	2	0					
    7	1	复旦大学	1	6	1	2	0				
    7	1	华东师大	7	1	6	6	1	0			
    7	1	清华大学	0	3	1	2	1	6	0		
    7	1	上海交大	2	6	2	1	1	9	2	0	
    7	1	东北师大	8	2	9	9	9	2	6	9	0
    8	2	北京大学	0								
    8	2	北京师大	1	0							
    8	2	南京大学	2	3	0						
    8	2	中国科大	1	5	3	0					
    8	2	复旦大学	2	6	2	2	0				
    8	2	华东师大	4	1	3	5	4	0			
    8	2	清华大学	1	8	2	1	1	6	0		
    8	2	上海交大	1	9	3	3	1	3	2	0	
    8	2	东北师大	9	2	8	9	8	3	9	9	0
    9	2	北京大学	0								
    9	2	北京师大	2	0							
    9	2	南京大学	4	2	0						
    9	2	中国科大	3	1	2	0					
    9	2	复旦大学	1	2	5	2	0				
    9	2	华东师大	4	1	4	4	3	0			
    9	2	清华大学	1	2	6	2	1	5	0		
    9	2	上海交大	1	3	4	2	1	4	1	0	
    9	2	东北师大	4	4	4	5	5	2	4	4	0
    10	1	北京大学	0								
    10	1	北京师大	3	0							
    10	1	南京大学	1	2	0						
    10	1	中国科大	1	2	0	0					
    10	1	复旦大学	1	3	0	0	0				
    10	1	华东师大	7	1	4	3	5	0			
    10	1	清华大学	0	3	2	1	2	7	0		
    10	1	上海交大	2	2	1	2	2	3	3	0	
    10	1	东北师大	9	5	7	6	7	5	9	4	0
    11	2	北京大学	0								
    11	2	北京师大	2	0							
    11	2	南京大学	3	0	0						
    11	2	中国科大	4	2	7	0					
    11	2	复旦大学	3	0	0	5	0				
    11	2	华东师大	5	1	2	1	1	0			
    11	2	清华大学	1	5	1	7	1	5	0		
    11	2	上海交大	4	7	1	7	0	1	1	0	
    11	2	东北师大	5	2	3	0	7	5	5	7	0
    12		北京大学	0								
    12		北京师大	2	0							
    12		南京大学	1	3	0						
    12		中国科大	7	4	5	0					
    12		复旦大学	2	3	2	6	0				
    12		华东师大	4	4	4	8	4	0			
    12		清华大学	3	5	3	4	3	5	0		
    12		上海交大	4	6	4	4	4	6	3	0	
    12		东北师大	4	4	5	8	4	2	5	8	0
    13		北京大学	0								
    13		北京师大	3	0							
    13		南京大学	2	3	0						
    13		中国科大	3	3	1	0					
    13		复旦大学	3	2	2	2	0				
    13		华东师大	4	2	3	3	2	0			
    13		清华大学	2	3	1	2	2	4	0		
    13		上海交大	3	4	1	2	2	2	1	0	
    13		东北师大	4	3	4	3	3	1	4	4	0
    14	2	北京大学	0								
    14	2	北京师大	4	0							
    14	2	南京大学	4	5	0						
    14	2	中国科大	3	6	2	0					
    14	2	复旦大学	2	4	3	5	0				
    14	2	华东师大	3	3	4	5	3	0			
    14	2	清华大学	1	7	6	4	1	3	0		
    14	2	上海交大	4	6	8	3	1	3	3	0	
    14	2	东北师大	5	2	7	6	8	2	8	7	0
    15	2	北京大学	0								
    15	2	北京师大	5	0							
    15	2	南京大学	6	6	0						
    15	2	中国科大	7	8	6	0					
    15	2	复旦大学	8	8	7	7	0				
    15	2	华东师大	9	3	6	7	5	0			
    15	2	清华大学	4	4	7	7	6	6	0		
    15	2	上海交大	9	8	8	5	6	5	3	0	
    15	2	东北师大	7	5	7	3	7	5	5	6	0
    16		北京大学	0								
    16		北京师大	6	0							
    16		南京大学	2	5	0						
    16		中国科大	3	4	1	0					
    16		复旦大学	2	4	1	2	0				
    16		华东师大	8	1	4	4	4	0			
    16		清华大学	1	6	3	4	3	8	0		
    16		上海交大	3	4	1	2	1	5	2	0	
    16		东北师大	9	3	5	5	5	5	5	4	0
    17	2	北京大学	0								
    17	2	北京师大	1	0							
    17	2	南京大学	4	3	0						
    17	2	中国科大	2	3	4	0					
    17	2	复旦大学	3	2	2	2	0				
    17	2	华东师大	7	1	2	5	3	0			
    17	2	清华大学	1	1	5	3	2	7	0		
    17	2	上海交大	3	5	3	2	1	4	2	0	
    17	2	东北师大	8	2	5	3	5	1	7	7	0
    18	2	北京大学	0								
    18	2	北京师大	3	0							
    18	2	南京大学	4	2	0						
    18	2	中国科大	6	5	2	0					
    18	2	复旦大学	2	3	1	4	0				
    18	2	华东师大	5	3	5	7	3	0			
    18	2	清华大学	1	6	5	1	2	7	0		
    18	2	上海交大	7	8	6	2	4	5	2	0	
    18	2	东北师大	8	4	8	8	7	9	5	8	0
    19	1	北京大学	0								
    19	1	北京师大	3	0							
    19	1	南京大学	2	1	0						
    19	1	中国科大	7	5	7	0					
    19	1	复旦大学	3	3	1	7	0				
    19	1	华东师大	4	1	3	9	5	0			
    19	1	清华大学	7	7	7	1	7	7	0		
    19	1	上海交大	7	7	7	1	1	7	1	0	
    19	1	东北师大	4	1	3	7	4	1	7	7	0
    20	1	北京大学	0								
    20	1	北京师大	8	0							
    20	1	南京大学	0	8	0						
    20	1	中国科大	5	8	5	0					
    20	1	复旦大学	0	8	0	3	0				
    20	1	华东师大	6	1	5	6	7	0			
    20	1	清华大学	4	7	5	1	4	9	0		
    20	1	上海交大	5	8	5	1	5	9	1	0	
    20	1	东北师大	9	2	6	7	6	2	8	8	0
    21	2	北京大学	0								
    21	2	北京师大	5	0							
    21	2	南京大学	2	4	0						
    21	2	中国科大	7	8	5	0					
    21	2	复旦大学	1	5	1	3	0				
    21	2	华东师大	6	1	7	7	7	0			
    21	2	清华大学	3	6	3	2	1	6	0		
    21	2	上海交大	4	7	4	1	2	7	2	0	
    21	2	东北师大	8	2	8	8	8	2	8	8	0
    22	1	北京大学	0								
    22	1	北京师大	8	0							
    22	1	南京大学	5	3	0						
    22	1	中国科大	9	8	8	0					
    22	1	复旦大学	2	5	3	9	0				
    22	1	华东师大	9	3	4	6	7	0			
    22	1	清华大学	1	9	8	9	2	9	0		
    22	1	上海交大	3	7	6	8	1	8	3	0	
    22	1	东北师大	7	4	5	6	8	2	9	7	0
    23		北京大学	0								
    23		北京师大	2	0							
    23		南京大学	1	1	0						
    23		中国科大	2	0	1	0					
    23		复旦大学	1	1	0	1	0				
    23		华东师大	3	1	2	1	2	0			
    23		清华大学	0	3	1	2	1	3	0		
    23		上海交大	1	1	0	1	0	2	1	0	
    23		东北师大	4	2	3	2	3	1	3	3	0
    24	2	北京大学	0								
    24	2	北京师大	5	0							
    24	2	南京大学	4	6	0						
    24	2	中国科大	6	7	8	0					
    24	2	复旦大学	3	5	3	5	0				
    24	2	华东师大	7	4	4	6	6	0			
    24	2	清华大学	2	6	4	6	3	5	0		
    24	2	上海交大	4	6	5	7	4	6	6	0	
    24	2	东北师大	6	3	6	8	7	4	7	8	0
    25		北京大学	0								
    25		北京师大	7	0							
    25		南京大学	3	5	0						
    25		中国科大	5	5	5	0					
    25		复旦大学	2	7	2	6	0				
    25		华东师大	7	5	4	5	5	0			
    25		清华大学	1	8	6	6	6	6	0		
    25		上海交大	3	6	5	5	2	4	5	0	
    25		东北师大	7	4	6	6	8	6	6	6	0
    26		北京大学	0								
    26		北京师大	4	0							
    26		南京大学	2	3	0						
    26		中国科大	3	3	2	0					
    26		复旦大学	2	3	1	2	0				
    26		华东师大	4	2	3	3	3	0			
    26		清华大学	1	3	2	2	2	3	0		
    26		上海交大	2	3	2	3	2	3	2	0	
    26		东北师大	5	2	4	4	3	1	4	4	0
    27	2	北京大学	0								
    27	2	北京师大	3	0							
    27	2	南京大学	7	6	0						
    27	2	中国科大	5	7	7	0					
    27	2	复旦大学	5	4	4	8	0				
    27	2	华东师大	6	3	5	8	4	0			
    27	2	清华大学	4	5	6	5	5	6	0		
    27	2	上海交大	6	7	8	8	6	6	5	0	
    27	2	东北师大	4	4	6	7	7	5	8	8	0
    28	2	北京大学	0								
    28	2	北京师大	6	0							
    28	2	南京大学	3	7	0						
    28	2	中国科大	5	7	4	0					
    28	2	复旦大学	2	7	3	4	0				
    28	2	华东师大	7	2	5	6	4	0			
    28	2	清华大学	2	7	3	3	3	5	0		
    28	2	上海交大	7	8	5	3	6	6	3	0	
    28	2	东北师大	9	4	6	7	5	3	7	9	0
    29	2	北京大学	0								
    29	2	北京师大	3	0							
    29	2	南京大学	1	5	0						
    29	2	中国科大	2	4	3	0					
    29	2	复旦大学	3	5	1	3	0				
    29	2	华东师大	4	2	3	4	3	0			
    29	2	清华大学	2	3	3	2	2	3	0		
    29	2	上海交大	3	4	4	2	2	4	2	0	
    29	2	东北师大	6	4	7	7	6	4	7	8	0
    30	2	北京大学	0								
    30	2	北京师大	6	0							
    30	2	南京大学	4	7	0						
    30	2	中国科大	8	8	8	0					
    30	2	复旦大学	3	8	4	7	0				
    30	2	华东师大	8	4	5	7	6	0			
    30	2	清华大学	1	7	4	7	2	7	0		
    30	2	上海交大	5	7	4	6	1	5	3	0	
    30	2	东北师大	8	4	6	7	7	3	7	8	0
    31	2	北京大学	0								
    31	2	北京师大	2	0							
    31	2	南京大学	9	9	0						
    31	2	中国科大	9	9	9	0					
    31	2	复旦大学	2	9	9	9	0				
    31	2	华东师大	9	1	9	9	9	0			
    31	2	清华大学	0	9	9	9	1	9	0		
    31	2	上海交大	2	9	9	6	1	9	2	0	
    31	2	东北师大	9	1	9	9	9	2	7	9	0
    32	2	北京大学	0								
    32	2	北京师大	5	0							
    32	2	南京大学	2	5	0						
    32	2	中国科大	6	6	3	0					
    32	2	复旦大学	2	5	2	3	0				
    32	2	华东师大	5	2	5	5	5	0			
    32	2	清华大学	6	6	3	3	6	6	0		
    32	2	上海交大	6	6	3	3	6	6	2	0	
    32	2	东北师大	5	2	5	5	5	2	6	6	0
    33	2	北京大学	0								
    33	2	北京师大	2	0							
    33	2	南京大学	3	5	0						
    33	2	中国科大	6	7	6	0					
    33	2	复旦大学	2	5	3	4	0				
    33	2	华东师大	4	1	4	7	3	0			
    33	2	清华大学	3	4	6	1	2	6	0		
    33	2	上海交大	7	6	6	2	2	4	3	0	
    33	2	东北师大	3	1	4	6	4	1	5	6	0
    34	1	北京大学	0								
    34	1	北京师大	3	0							
    34	1	南京大学	4	5	0						
    34	1	中国科大	5	5	4	0					
    34	1	复旦大学	4	4	4	5	0				
    34	1	华东师大	7	3	5	6	4	0			
    34	1	清华大学	2	4	5	2	5	7	0		
    34	1	上海交大	5	5	4	4	3	5	3	0	
    34	1	东北师大	4	2	5	6	6	3	4	6	0
    35	2	北京大学	0								
    35	2	北京师大	4	0							
    35	2	南京大学	3	6	0						
    35	2	中国科大	4	7	4	0					
    35	2	复旦大学	4	6	2	3	0				
    35	2	华东师大	5	2	4	5	3	0			
    35	2	清华大学	2	7	3	3	3	4	0		
    35	2	上海交大	4	5	3	3	2	4	2	0	
    35	2	东北师大	5	3	4	5	4	2	3	4	0
    36	1	北京大学	0								
    36	1	北京师大	4	0							
    36	1	南京大学	5	5	0						
    36	1	中国科大	7	7	7	0					
    36	1	复旦大学	5	5	4	5	0				
    36	1	华东师大	6	3	5	6	4	0			
    36	1	清华大学	4	6	5	5	5	5	0		
    36	1	上海交大	6	7	6	4	5	4	4	0	
    36	1	东北师大	6	3	6	7	6	3	7	7	0
    37	2	北京大学	0								
    37	2	北京师大	5	0							
    37	2	南京大学	4	4	0						
    37	2	中国科大	9	7	4	0					
    37	2	复旦大学	2	7	2	4	0				
    37	2	华东师大	5	1	3	5	4	0			
    37	2	清华大学	9	4	2	3	5	5	0		
    37	2	上海交大	9	5	2	2	4	4	2	0	
    37	2	东北师大	5	1	3	5	5	1	5	5	0
    38	2	北京大学	0								
    38	2	北京师大	7	0							
    38	2	南京大学	3	2	0						
    38	2	中国科大	3	4	2	0					
    38	2	复旦大学	2	4	1	3	0				
    38	2	华东师大	4	1	3	5	3	0			
    38	2	清华大学	1	6	4	3	3	4	0		
    38	2	上海交大	3	6	2	2	2	3	2	0	
    38	2	东北师大	9	2	5	5	4	4	5	5	0
    39	2	北京大学	0								
    39	2	北京师大	5	0							
    39	2	南京大学	3	7	0						
    39	2	中国科大	4	7	4	0					
    39	2	复旦大学	4	5	3	5	0				
    39	2	华东师大	6	3	4	5	3	0			
    39	2	清华大学	2	6	2	4	4	6	0		
    39	2	上海交大	3	7	2	3	3	5	2	0	
    39	2	东北师大	9	4	8	7	7	4	8	8	0
    40	2	北京大学	0								
    40	2	北京师大	6	0							
    40	2	南京大学	3	9	0						
    40	2	中国科大	9	9	9	0					
    40	2	复旦大学	2	9	4	9	0				
    40	2	华东师大	9	0	5	9	4	0			
    40	2	清华大学	3	8	9	5	3	0	0		
    40	2	上海交大	4	9	9	6	2	8	2	0	
    40	2	东北师大	9	2	9	9	9	1	9	9	0

     

    由于打分不是原始距离,而是0到9分,当做有序分类变量分析(模型--度量水平--序数)

    打开结观察值,建模过程中对于相同结果不同的测量值可以在建模中赋予不同的结果,尽可能达到最优化的效果

    度量模型

    个别差异化欧几里得距离:不同的人打分考虑不一样,一些人是专业打分,一些人是主观性比较强的打分不一样

    允许负的主题权重:有些人打分太离谱,剔除出模型或者逆向选入模型,使模型尽可能达到最优化的效果

     

    结果分析:

    每个个体都做了多维尺度分析

    40个模型平均得到了Stress及RSQ

    二维空间各个学校的坐标

    个体如何加权,计算Weird-ness

    最终每一个个体的打分权重,负分证明个体打分太离谱

    刺激匹配图

    散点分类:所有学校散点大致可以被分为三类,即文理综合大学、工科大学和师范类大学。
    维度解释
    第一维度实际上就是反映了学校类型间的差异
    第二个维度应当是反映了学校综合实力的差异。但这种综合实力的对比在不同类间可能不具可比性
    散点定位的合理解释与建议
    复旦的综合实力应当和北大、南大存在一定差距
    中科大出现了受访者心理定位上的偏移

    不同个体偏好哪个维度打分(可以存储为新变量作为聚类或结合其他变量建模,会得到更好的结果)

    线性拟合散点图:预测值与真实值

    平的主题权重:个体权重高低

     

    SPSS-多维尺度PROXSCAL过程

    基于最优尺度的多维尺度分析,先对数据做最优尺度变换

    最优尺度变换的基本思路是分析各级别对因变量影响的强弱变化情况,采用一定的非线性变换方法进行反复迭代,从而为原始分类变量的每一个类别找到最佳的量化评分,随后在相应模型中使用量化评分代替原始变量进行后续分析。

    加权欧几里得:不同个体打分考虑不一样

    结果

    Stress:0.09675结果比之前的好很多,但是注意这是经过最优尺度变换的(不用太在意)

    D.A.F:类似于决定系数RSQ,模型可解释性,越接近1越好

    各个大学的坐标

     

    刺激匹配图

    维数权重:个案更倾向于哪个维度

    维数权重图:维数权重图形展示

    多维尺度分析维度选择

    我们通常都是2维考虑的,怎么知道选多少维度好呢?

     

     

    看碎石图,其实2维已经是最佳,都在陡坡上 

     

    其他维度我们也可以看

     

    展开全文
  • 多维尺度分析之下不同模型的比较

    千次阅读 2017-03-16 23:07:36
    多维尺度分析是解决调查对象指标数量不明确或指标本身含义模糊的一种统计分析方法,其特点可以通过可视化的途径使一系列复杂的概念之间的相似程度得以展现出来以便进行分析。
  • 针对高反光等复杂环境下光学测量中激光光条图像中心提取问题,提出了一种基于多尺度分析的激光光条图像中心高精度定位方法。该方法利用骨骼化图像处理方法确定激光光条图像中心的初值,根据每一个光条中心初值处的光...
  • 图像融合算法(像素级)

    万次阅读 多人点赞 2019-10-25 09:26:06
    1.MCA 图像分离技术是基于对图像进行多尺度分析的方法,在图像的分析、增强、压缩、复原等领域有效的信号和图像分解分离技术起着重要的作用。目前,研究者提出了很多方法来解决这个问题,实验结果并不完全理想。数字...
  • SPSS(五)SPSS之相关分析与线性回归模型(图文+数据集) ... 任意测量尺度的变量都可以测量相关强度,不单单仅可以测连续与连续变量的相关性,连续变量和有序分类变量,连续变量和无序分类变量都可以测量相关性...
  • 采用单因素方差分析、相关分析、重回归分析,逐一分析各层网络之间的相互关系,根据主观满意度求得景观网络的适宜性回归方程,并针对杭州景观规划的实践成果和质化要素进行了最优尺度分析。结果发现:各景观网络具有...
  • 尺度空间理论

    千次阅读 2016-11-01 14:48:08
    1. 特征的不变性 何谓特征?...需要注意的是,图像结构往往是在粗糙的尺度上被检测到,此时位置信息未必是最准确的,因此通常图像的尺度分析包含两个阶段:首先在粗尺度上进行特征(结构)检测...
  • 图像的多尺度几何分析

    千次阅读 2016-10-29 21:25:50
    尺度几何分析的目的:将高维函数用低维函数空间中的函数集合进行表示,得到最优或者“最稀疏”的函数表示方法。例如:二维图像可以由边缘表示。
  • 图像分割综述

    万次阅读 多人点赞 2019-07-09 22:03:48
    图像分割是计算机视觉研究中的一个经典难题,已经成为图像理解领域关注的一个热点,图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,同时也是图像处理中最困难的问题之一。所谓图像分割...
  • 路径规划基本介绍(一)

    万次阅读 多人点赞 2019-04-24 21:30:03
    基于微积分的搜索技术,可分为直接法和间接法,直接法根据目标函数的梯度来确定下一步的搜索方向,如Newton法,共轭梯度法和尺度变换法等。直接法采用的是一种爬山法,即根据最陡的方向爬上一个局部最优解。间接法则...
  • SPSS(十三)SPSS之多重对应分析(图文+数据集)

    万次阅读 多人点赞 2019-05-28 21:12:41
    SPSS(十三)SPSS之多重对应分析(图文+数据集) 前一篇SPSS(十二)SPSS对应分析(图文+数据集)讲的...通过最优尺度分析来解决多组分类变量之间的关联分析。 最优尺度变换 最优尺度变换诞生背景 许多时候我们...
  • 提出采用小波域多尺度信息融合的方法建立数字半色调尺度相关的误差测度函数。...应用改进直接二值搜索方法最小化初始图像和半色调图像的误差,得到最优的数字半色调图像。模拟结果表明了提出算法的有效性。
  • SPSS(六)SPSS之回归分析衍生方法(图文+数据集) 我们知道线性回归是有适用条件的 因变量的独立性 正态性 方差齐性 无极端值 自变量、因变量要有线性趋势 假如不满足以上的条件,还能做回归分析吗?其实有...
  • 浅谈傅里叶变换、小波变换、HHT变换

    千次阅读 多人点赞 2019-08-29 12:18:42
    浅谈傅里叶变换、小波变换、HHT变换一、傅里叶变换1.1傅里叶变换介绍二、小波变换2.1小波变换正反变换公式2.2小波变换适应场景及其优缺点2.3... HHT变换介绍3.2 HHT对信号分析的框图3.3 EMD经验模式分解的基本原理...
  • 分析非线性扩散性质的基础上,结合图像的结构特征和视觉特性,提出了一种最优梯度阈值和最佳扩散时间尺度的估计方法。实验结果表明该方法与最小均方误差准则、信噪比准则和相关系数最小准则相比,具有更好的稳定性...
  • MDS(multidimensional scaling)多维尺度分析

    万次阅读 多人点赞 2016-12-08 15:26:23
    Multidimensional scaling,简称MDS,中文翻译成多维尺度分析(暂时这样翻译吧。。。)。其原理是利用成对样本间的相似性,去构建合适的低维空间,使得样本在此空间的距离和在高维空间中的样本间的相似性尽可能的...
  • 为了解决视频监控系统中信息快速、准确地传输问题,提出一种小波分解与重构的多尺度分析变换编码算法。由于相邻视频背景像素之间存在着很大的相关性,可采用预测匹配思想对运动变化幅度较小或无位移的背景环境进行编码...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,473
精华内容 3,789
关键字:

最优尺度分析