Многомерное шкалирование

Многомерное шкалирование — метод анализа и визуализации данных с помощью расположения точек, соответствующих изучаемым (шкалируемым) объектам, в пространстве меньшей размерности, чем пространство признаков объектов. Точки размещаются так, чтобы попарные расстояния между ними в новом пространстве как можно меньше отличались от эмпирически измеренных расстояний в пространстве признаков изучаемых объектов. Если элементы матрицы расстояний получены по интервальным шкалам, метод многомерного шкалирования называется метрическим. Когда шкалы являются порядковыми, метод многомерного шкалирования называется неметрическим. Мера различий расстояний в исходном и новом пространстве называется функцией стресса.

Области примененияПравить

• Поиск скрытых переменных, объясняющих полученную из опыта структуру попарных расстояний между изучаемыми явлениями.
• Проверка гипотез о расположении изучаемых явлений в пространстве скрытых переменных.
• Сжатие полученное опытным путём массива данных путём использования небольшого числа скрытых переменных.
• Наглядное представление данных.

Функция расстоянияПравить

Функцией расстояния называется функция от двух аргументов, которая ставит в соответствие двум шкалируемым объектам расстояние $d(a_i,a_j)$$d(a_{i},a_{j})$  между ними так, что выполняются следующие аксиомы: $d(a_i,a_j)=0$$d(a_{i},a_{j})=0$  в том и только том случае, когда объекты $a_i$$a_{i}$  и $a_j$$a_{j}$  совпадают (рефлексивность расстояния), $d(a_i,a_j)=d(a_j,a_i)$$d(a_{i},a_{j})=d(a_{j},a_{i})$  (симметричность расстояния), $d(a_i,a_j)+d(a_j,a_k)⩾<!--\; ⩾\; -->d(a_i,a_k)$$d(a_{i},a_{j})+d(a_{j},a_{k})\geqslant d(a_{i},a_{k})$  (правило треугольника).

Функция близостиПравить

Функция близости менее формализована, так как она является опытной величиной, например, получаемой в ходе социологического опроса. Это функция $s(a_i,a_j)$$s(a_{i},a_{j})$  от двух аргументов, которая двум шкалируемым объектам ставит в соответствие расстояние $s(a_i,a_j)$$s(a_{i},a_{j})$  между ними так, что выполняются следующие аксиомы: $s(a_i,a_j)⩾<!--\; ⩾\; -->s(a_i,a_i)$$s(a_{i},a_{j})\geqslant s(a_{i},a_{i})$  (объект ближе к самому себе, чем к любому другому объекту), $s(a_i,a_j)=s(a_j,a_i)$$s(a_{i},a_{j})=s(a_{j},a_{i})$  (симметричность близости), для больших значений $s(a_i,a_j)$$s(a_{i},a_{j})$  и $s(a_j,a_k)$$s(a_{j},a_{k})$  величина $s(a_i,a_k)$$s(a_{i},a_{k})$  имеет, по крайней мере, тот же порядок (ослабленное правило треугольника).

ЛитератураПравить

• Толстова Ю. Н. Основы многомерного шкалирования. — М.: КДУ, 2006. — 160 с. — ISBN 5-98227-100-4.
• Дэйвисон М. Многомерное шкалирование: методы наглядного представления данных. — М.: Финансы и статистика, 1988. — 254 с. — ISBN 5-279-00276-3.
• Айвазян С. А., Бухштабер В. М, Енюков И. С. и др. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989. — 607 с.