بخشی از مقاله
چکیده
همانطور که نام این روش نشان می دهد، تجزیه و تحلیل تناظر تمایز - 1DCA - یک فرمت از آنالیز تمایز - 2DA - و آنالیز تناظر - 3CA - ا ست. مانند آنالیز تمایز ، هدف د سته بندی م شاهدات در گروه از پیش تعریف شده، و مانند تجزیه و تحلیل تناظر ، استفاده از متغیرهای اسمی است. ایده اصلی DCA نشان دادن هر گروه از مجموع مشاهدات و انجام یک آنالیز تناظر ساده بر روی متغیرهای - یک ماتریس - است. مشاهدات اصلی به عنوان عناصر مکمل قرار گرفته و هر مشاهده به نزدیک ترین گروه نسبت داده میشود.
مقایسه بین پیشبینی و پسبینی یک طبقه بندی به ارزیابی تناظر تمایز منجر می شود. با استفاده از نتایج حا صل میتوان از این اطلاعات جهت موردی م شابه برای د سته بندی م شاهدات جدید ا ستفاده کرد و اعتبار سنجی تخمین ها را نیز می توان با ا ستفاده از تکنیک اعتبار متقاطع مانند جک نایف4 یا بوت ا سترپ5 مورد برر سی قرار داد. برای مثال نمونه هایی از منطقه های مختلف برداشته و پس از امتیاز دهی پارامتر ها و آموزش این آنالیز ، نمونه جدید وارد و نسبت به نمونه های قبل تعیین گروه - منطقه - شد.
.1 مقدمه
همانطور که نام این روش نشان می دهد، تجزیه و تحلیل تناظر تمایز یک فرمت از آنالیز تمایز و آنالیز تناظر است. مانند آنالیز تمایز، هدف دسته بندی مشاهدات در گروه از پیش تعریف شده، و مانند تجزیه و تحلیل تناظر ، استفاده از متغیرهای اسمی است. ایده اصلی DCA نشان دادن هر گروه از مجموع مشاهدات و انجام یک آنالیز تناظر ساده بر روی متغیرهای - یک ماتریس - است. مشاهدات اصلی به عنوان عناصر مکمل قرار گرفته و هر مشاهده به نزدیک ترین گروه نسبت داده میشود. مقایسه بین پیشبینی و پسبینی یک طبقه بندی به ارزیابی تناظر تمایز منجر می شود. با استفاده از نتایج حاصل میتوان از این اطلاعات جهت موردی مشابه برای دسته بندی مشاهدات جدید استفاده کرد و اعتبار سنجی تخمین ها را نیز می توان با استفاده از تکنیک اعتبار متقاطع مانند جک نایف یا بوت استرپ مورد بررسی قرار داد.
.2 بحث و بررسی
برایمثال معمولاً نوع ماده معدنی بستگی به منشاء آن دارد. به عنوان مثال ما 12 نمونه را از 3 منطقه مختلف 4 - نمونه از هر منطقه - نمونه برداری و از یک نفر - که از منشاء آنها بی اطلاع است - خواسته شد به نمونه ها در مقیاس 5 واحد امتیاز دهد. سپس امتیازات به کدهای باینری تبدیل و به شکل یک ماتریس شاخص - که قابل استفاده در آنالیز تناظر است - تبدیل دش . مثلاً امتیاز 2 به مقدار باینری "0 1 0" تبدیل شد. داده ها در جدول 1 آورده شده است.
. 1 . 2 شرح موضوع
ما K گروه داریم که در هر گروه Ik مشاهده است و مجموع مشاهده ها با I نمایش داده میشود . برای ساده سازی فرض میکنیم مشاهدات ما ردیف ها و متغیر های ما ستون ها هستند که شامل J متغیر است که این ماتریس I×J را ماتریس X مینامیم . ماتریس شاخص I×K به اسم Y بوده که مقدار 1 بیانگر تعلق ردیفی که نماینده گروه است و 0 مبین عدم تعلق به گروه در ستون هاست . ماتریس K×J نیز که با حرف N نامگذاری شده ماتریس گروه ها شناخته میشود که تعداد متغیر ها را برای هر گروه در خود نگه داری میکند . برای مثال یافتیم که : - 1 -
. 2 . 2 روش کار
با انجام CA در ماتریس گروه N دو مجموعه امتیاز تولید میشود که یکی برای گروه ها - مجموعه - F و یکی برای متغیرها - مجموعه - G است. به صورت کلی این فاکتور اسکور ها 1 مقادیر عمومی دارند به طوری که واریانس آنها برابر مقادیر ویژه است که منسوب به فاکتور هاست. جدول بزرگ مذکور N نام گذاری شده، و گام نخست از آنالیز، محاسبه ماتریس احتمال Z=N-1N است.
