-
多維標度
鎖定
- 中文名
- 多維標度
- 外文名
- Multidimensional scaling
- 也稱作
- 相似度結構分析
- 應用領域
- 用於評判和感知
- 縮 寫
- MDS
多維標度簡介
多維標度(Multidimensional scaling,縮寫MDS,又譯“多維尺度”)也稱作“相似度結構分析”(Similarity structure analysis),屬於多重變量分析的方法之一,是社會學、數量心理學、市場營銷等統計實證分析的常用方法。
[1]
多維標度假設
- 有許多特徵是互相關聯的,而受測者原本並不知道其特徵為何。
- 存在着這樣一個空間:它的正交軸是欲尋找的特徵。
多維標度目的
多維標度是一個探索性的過程方法
- 減少(觀察)項目
- 如果可能,在數據中揭示現有結構
- 揭示相關特徵
- 尋找儘可能低維度的空間(“最小化條件”)
- 空間必須滿足“單調條件”
- 解釋空間的軸,依照假設提供關於感知和評判過程的信息
多維標度應用領域
用於評判和感知:
多維標度與其他多變量分析方法的比較
多維標度因子分析
多維標度聚類分析
- 相同:把對象分組
- 不同:聚類分析把觀測到的特徵當作分組標準,而多維標度僅僅取用感知到的差異
多維標度所使用的標量類型
- 序數標量
- 區隔標量
多維標度相似(度)矩陣
紅色 | 橙色 | 黃色 | 綠色 | 藍色 | 紫色 | |
紅色 | - | |||||
橙色 | 6 | - | ||||
黃色 | 8 | 0 | - | |||
綠色 | 10 | 8 | 9 | - | ||
藍色 | 10 | 10 | 10 | 6 | - | |
紫色 | 0 | 7 | 10 | 9 | 7 | - |
相似度矩陣舉例(數字越小表示越相似)
例如,10個對象,2維空間,座標個數則為10×2=20,“相似度”的個數為C10=45,數據壓縮係數=相似度的個數÷座標個數=45÷20=2.25(數據壓縮係數要大於等於2才可接受,否則不能做多維標度分析)
[1]
多維標度參見
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:16次歷史版本
- 最近更新: 杨阳洋426