Please enable JavaScript.
Coggle requires JavaScript to display documents.
Методи багатомірної статистики - Coggle Diagram
Методи багатомірної статистики
Класифікація методів за призначенням
1) Методи передбачення (екстраполяції)
Множинний регресійний аналіз
передбачає значення метричної «залежної» змінної за множиною відомих значень «незалежних» змінних, виміряних у великої кількості об’єктів (досліджуваних).
Дискримінантний аналіз
прогнозує приналежність об’єктів (досліджуваних) до одного із відомих класів (номінативної шкали) за виміряними метричними (дискримінантними) змінними.
2) Методи класифікації
Кластерний аналіз
за виміряними характеристиками у великої кількості об’єктів (досліджуваних) або за даними про їх попарну схожість (відмінність) розбиває цю множину об’єктів на групи, в кожній із яких містяться об’єкти, більше схожі одне на одного, ніж на об’єкти з інших груп.
Дискримінантний аналіз
дозволяє класифікувати об’єкти за відомими класами, виходячи із виміряних у них ознак, користуючись певними правилами, виробленими попередньо на вибірці ідентичних об’єктів, у яких були виміряні ті ж ознаки.
3) Структурні методи
Факторний аналіз
спрямований на виявлення структури змінних як сукупності факторів, кожен з яких – це прихована, узагальнююча причина взаємозв’язку групи змінних.
Багатомірне шкалювання
виявляє шкали як критерії, за якими поляризуються об’єкти при їх суб’єктивному попарному порівнянні.
Класифікація методів за вихідним припущенням про структуру даних
1) Методи, які виходять з припущення про узгодженість мінливості ознак, виміряних у великої кількості об’єктів:
множинний регресійний аналіз
дискримінантний аналіз
факторний аналіз
2) Методи, які виходять з припущення про те, що відмінності між об’єктами можна описати як відстань між ними
Багатомірне шкалювання і дискримінантний аналіз додають припущення про те, що вихідні відмінності між об’єктами можна представити як відстань між ними в просторі невеликої кількості шкал (функцій).
Класифікація методів за видом вихідних даних
1) Методи, які використовують в якості вихідних даних лише ознаки, виміряні у групи об’єктів.
регресійний аналіз
дискримінантний аналіз
факторний аналіз
2) Методи, вихідними даними для яких можуть бути попарні схожості (відмінності) між об’єктами
Кластерний аналіз
задача розбиття заданої вибірки об'єктів (ситуацій) на підмножини, які називаються кластерами, так, щоб кожен кластер складався з схожих об'єктів, а об'єкти різних кластерів істотно відрізнялися.
Багатомірне шкалювання
може аналізувати дані про попарну схожість між сукупністю об’єктів оцінених групою експертів. При цьому спільно аналізуються як відмінності між об’єктами, так і індивідуальні відмінності між експертами.