Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 20. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos.

Hasonló előadás


Az előadások a következő témára: "Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 20. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos."— Előadás másolata:

1

2 Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 20. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos Intézet Számítástechnika Tanszék Iroda: Boszorkány u., B épület 101 Tel: 72/ /

3 Az előadás tartalma A Multi Dimenzionális Skálázás (MDS): Az MDS grafikai szemléltetése Mintapélda 1: Autószobrászat Bt. –MDS SPSS-ben, változó-adatokon –Az MDS eredményeinek értelmezése –MDS térképek bemutatása Mintapélda 2: Sarban-Haw-Duke Biztosító –MDS SPSS-ben, távolsági adatokon –MDS térképek bemutatása Változók megbízhatósági vizsgálata –Változók megbízhatósági vizsgálata SPSS-ben

4 A Multi Dimenzionális Skálázás fogalma A korábban tárgyalt territoriális térképek lehetőséget adtak arra, hogy a lehető legjobb nézetben tanulmányozhassuk a megfigyelések különböző csoportjainak elkülönülését Felmerülhet az igény, hogy a változók különböző csoportjainak elkülönülését is térképen tanulmányozzuk: –Pl. a Pszichológiában igen elterjedtek a kognitív térképek (Cognitive Maps): fogalmak egy csoportja közti kapcsolatrendszer térbeli kivetítése. De ezeket a legtöbbször szubjektív módon rajzolják meg, kvantitatív háttér nélkül A problémát főleg az jelenti, hogy a válaszadóktól általában nem lehet közvetlenül begyűjteni a térképezéskez szükséges koordinátákat: –Pl. Korsós F. Lajos hivatásos alkoholista sokat tud az italokról, de ha megkérnénk, hogy „differencia-specifikálja őket egy kognitív térképen”, ez történne: –Maximum annyit tudhatunk meg tőle, hogy melyik pia jobb, mint a másik – az elemek közti rangsor az elérhető legjobb infó A Multi Dimenzionális Skálázás (Multi Dimensional Scaling, MDS) lényegében egy fordított eredményű faktoranalízis: az eredeti változókat faktorsúlyaik alapján ábrázoljuk a 2 vagy 3 legerősebb kibontott faktor alkotta koordináta rendszerben Vátozó/ Faktor Tunning mánia Divat követés Az autót ugyanúgy díszíteni kell egyéni dolgokkal, és be kell rendezni mint egy lakást. 80.3%-15.2% Az autónak tükröznie kell a tulajdonos stílusát és személyiségét, erre áldoznia kell. 77.4%1.4% A noknek noies autók valók: kicsi, színes, legömbölyített, és könnyu vele parkolni. 56.7%30.6% Egy autónál az ár, a fogyasztás és teljesítmény fontosabb, mint a biztonsági felszerelések.50.9%1.6% A legömbölyített formájú autók divatosabbak, mint a szögletesek.-23.5%80.0% Ha egy autó dinamikus, sok erotartalék van benne, ezzel kikerülhetem a veszélyhelyzeteket.35.2%63.8% A német vagy svéd autók hasonló tipusokat összevetve, jobbak az olaszoknál és franciáknál.3.1%4.9% Az autóvásárlásnál fontos, hogy muszaki és piaci ismeretekkel egyaránt rendelkezzek. 4.2%-1.1% F1=?×V1+?×V2

5 Az MDS grafikai szemléltetése 1 Ez azonban olyan speciális faktoranalízis, ahol nem biztos, hogy ismerjük az eredeti változók értékeit, hanem a válaszadók csak a köztük lévő távolságot/ közelséget (Distance/ Proximity) tudják megmondani Az MDS adatbázis eloszlásásval kapcsolatos alapfeltételezése, hogy a távolságok normális eloszlású és konzisztens rendszert alkotnak (pl. a hozzám közelállókhoz közel állók tőlem sem lehetnek nagyon messze) Olyan mintha egy számunkra ismeretlen ország térképét (2 dimenziós közelítés) egy légiforgalmi menetrend távolsági táblázata alapján kellene felrajzolni: Gotham City Fivechurces St. Lawrence Fort Isle Missi’s Tree Triphamer’s Tree Republic of Urundi-Burundi Gotha m City Five- church es Fort Isle St. Lawren ce Triphamer 's Tree Missi's Tree Gotham City Fivec- hurches Fort Isle St. Lawrence Triphamer 's Tree Missi's Tree

6 F1F1 F2F2 F3F3 Az MDS grafikai szemléltetése 2 Általában semmi garancia nincs rá, hogy a válaszadók által megadott, elemek közti távolságok illeszkednek 2 vagy 3 dimenzióba, ahol grafikusan kényelmesen megjeleníthető a rendszer Ezért az algoritmus magasabb dimenziószámokról indul és folyamatosan próbálja redukálni a térkép tengelyeinek a számát 2-re vagy 3-ra. Ezt úgy tudjuk elkép- zelni, hogy az elemeket jel- képező fémgyűrűket adott hosszúságú, erős spirálrugókkal kötjük össze, amelyek egy kicsit nyúlhatnak vagy összehúzódhatnak (feltételezzük, hogy keresztezhetik egymást) Ezután addig ugrálunk az egészen, amíg nem sikerül belepofozni 2 dimenzióba. Ez persze csak úgy sikerülhet, hogy az elemek mozognak, bizonyos rugók nyúlanak/ nyomódnak, vagyis a közelítés pontatlanságát jelző feszülés, stressz (Stress) növekszik.

7 Az előadás tartalma A Multi Dimenzionális Skálázás (MDS): Az MDS grafikai szemléltetése Mintapélda 1: Autószobrászat Bt. –MDS SPSS-ben, változó-adatokon –Az MDS eredményeinek értelmezése –MDS térképek bemutatása Mintapélda 2: Sarban-Haw-Duke Biztosító –MDS SPSS-ben, távolsági adatokon –MDS térképek bemutatása Változók megbízhatósági vizsgálata –Változók megbízhatósági vizsgálata SPSS-ben

8 Az Autószobrászat Bt. egy 2 vagy 3 dimenziós térképen szeretné látni a kérdőívén (lásd KerdoivMinta.doc ) található 13db, az autók termékjellemzőivel kapcsolatos változót. Bár ezekből a változókból már faktorok is készültek, azok egyszerűen elosztják egymás közt a változókat. Most grafikus formában szeretnék látni, a válaszadók fejében mely dimenziók mentén csoportosulnak ezek a változókKerdoivMinta.doc Mintapélda 1

9 MDS SPSS-ben, változó-adatokon 1 Most abban a szerencsés heyzetben vagyunk, hogy rendelkezésre állnak a változók adatai: A File|Open menüvel nyissuk meg az AdatbazisMinta.sav fájltAdatbazisMinta.sav Az Analyze| Scale| Multi Dimensional Scaling menüvel válasszuk az MDS-t Erre megjelenik az MDS ablak. Jelöljük meg egérkattintással, hogy mivel vannak változó- adataink, a távolságokat ezekből hozzuk létre (Create distances from data) A bal oldali változólistában Shift+egérhúzással jelöljük ki a 13db termékjellemző változót Majd a ►gomb megnyomásával válasszuk ki őket elemzésre katt shift +húz shift +húz

10 MDS SPSS-ben, változó-adatokon 2 A gombra kattintva állíthatjuk a távolságszámítást: változók közt számolunk (Between variables) négyzetes euklideszi (Squared Euclidean) távolságot, 1-es szórásúra sztenderdizálva (Standard deviation to 1) megfigyelésenként (By case). A gombra kattintva állíthatjuk az MDS modellt: feltételezze, hogy az input adatok (itt termékjellemző-fontosságok) csak rangsorolások (Ordinal), vagyis a fokozatok közt lévő távolságokat a válaszadók nem érzékelik. Szórja szét az (1..6) ordinális értékek koncentrációját, hogy ez ne zavarja a csoportosítást (Untie tied observations) dimenziót bont- son ki, a térképen euklideszi (Euclidean) távolságokat mérünk. Az gombra kat- tintva kérjük az ösz- szes diagrammot Az gombra kat- tintva indítsuk a szá- molást katt Sztenderdizálni azért kell, hogy korrigáljuk, hogy az egyik válaszadó mer szélsőségesebb véleményt nyilvánítani (nagy szórás), a másik nem (kis szórás). Különben mindig a szélsőségesek véleménye dominálna

11 Az MDS eredményeinek értelmezése 1 Mivel az SPSS nem tudja a stressz növekedését a dimenziók redukciója közben grafikusan megjeleníteni Másoljuk ki az Output window| Text output részéből az 1..5 dimenziós megoldásokhoz tartozó minimális Young-féle S- stressz mértéket (Young’s S-Stress) Az MDS.xls munkalapra, ami megjeleníti őket egy stressz könyökdiagrammon (Stess Scree Plot)MDS.xls Annyi dimenziót hagyunk meg a térképen, ahol a stressz még nem ugrik fel magasra katt

12 Az MDS eredményeinek értelmezése 2 Az Output window| Derived Stimulus Configuration részében menjünk a megfelelő térképre Ha ez 3 dimenziós, akkor dupla kattintással indítsuk az SPSS diagrammszerkesztőt (Chart Editor) A gombra kattintve előjön a 3D diagramm beállítások ablak (3-D Scatterplot Options) –Állítsuk be a vetítővonalakat (Spikes) a padlóhoz (Floor), ez áttekinthetőbbé teszi a pontok elhelyezkedését A gombra kattintva előjön a diagrammforgatás (3-D Rotation) ablak –A forgatógombbal forgassuk el a diagrammot 45 fokonként több nézetbe –A nézeteket másoljuk a munkalapra Szerkesztés| Irányított beillesztés| Kép metafájl (Edit| Paste special| Picture metafile)-ként Ha a térkép háromnál több dimenziós, a Chart Editor Series| Displayed menüvel válthatunk a tengelyeket a 3D diagrammon katt katt + katt katt + katt

13 Az MDS térképek bemutatása 1 A munkalapra másolt térképek hányadék megjelenésén sokat segíthetünk egy kis kézi szerkesztéssel: Jelöljük ki a diagrammot a munkalapon Nyissuk meg az Excelben a Nézet| Eszköztárak (View|Toolbars) menüvel a Rajzoló Eszköztárat (Drawing Toolbar) Az itt található Rajz| Szétbontás (Draw| Ungroup) menüvel bontsuk elemeire a diagrammot Kijön egy figyelmeztetés, hogy ez Metafájl és nem Excel Rajzobjektum, konvertálhatja-e? Nyomjunk Yes-t Ismételgessük a szétbontást, amíg a diagramm teljesen elemeire bomlik Jelöljük ki az SPSS helypazarló külső keretezésének téglalapjait, és töröljük őket Del gombbal Az elemek helyzetét tanulmányozva, elnevezhetjük a térkép tengelyeit, és átírhatjuk velük a rajzobjektumban az alapértelmezett Dimension1, 2, stb. neveket Ha kész vagyunk a szerkesztéssel a Rajzoló Eszközsoron kattintsunk a gombra, ami a kijelölőkeret eszköz. Keretezzük be vele a diagramm összes rajzi elemét, hogy minden kijelölődjön A Rajzoló Eszközsor Rajz| Csoportosítás (Draw| Group) menüvel olvasszuk egybe a diagramm elemeit Ezután a diagramm a kívánt méretre átméretezhető (szerkesztés elött NEM!!!) A kész elemzést lásd: MDSMinta.xlsMDSMinta.xls katt

14 Az MDS térképek bemutatása 2 Prezentációkban mindig forgatási fázisonként animált megjelenítéssel mutatjuk be a három dimenziós térképeket, hogy térben jobban elképzelhetők legyenek:

15 Az előadás tartalma A Multi Dimenzionális Skálázás (MDS): Az MDS grafikai szemléltetése Mintapélda 1: Autószobrászat Bt. –MDS SPSS-ben, változó-adatokon –Az MDS eredményeinek értelmezése –MDS térképek bemutatása Mintapélda 2: Sarban-Haw-Duke Biztosító –MDS SPSS-ben, távolsági adatokon –MDS térképek bemutatása Változók megbízhatósági vizsgálata –Változók megbízhatósági vizsgálata SPSS-ben

16 Mintapélda 2 Az MDS bonyolultabb esete, ha a változók adatai ismeretlenek, csak a köztük lévő távolságról (Distance) /közelségről (Proximity) rendelkezünk infókkal, és ez alapján kellene térképet rajzolni: Uhrin Ubul, a Saarban-Haw-Duke Magyarország Biztosító Rt. Dél- Dunántúli régióvezetője az akadozva működő formális szervezeti hierarchiát szeretné összehasonlítani a munkatársak közti informális kapcsolatok térképével Az elégtelen informális kapcsolatrendszer oka lehet a szolgálati út akadozásának Megfigyeltük az elmúlt egy évben a munkatársak egymásközti telefon és forgalmát, és egy táblázatban összesítettük a kontaktusok számát Feltételezzük, hogy a intenzívebb kölcsönös kommunikáció a munkatársak szorosabb kapcsolatára utal Az adatbázisba (lásd: KontaktusRecipr.sav ) minden érték a reciprokaként (1/x) került be, mert ott távolságokra lesz szükségünk KontaktusRecipr.sav Ubul LaciGéza Jenő Aladár Magda Sári Anett Lajos Sándor Ádám György Hívó/ HívottUbulGézaLaciJenőSári Ádá mLajos Anet t Sánd or Magd a Aladá rGyörgy Ubul Géza Laci Jenő Sári Ádám Lajos Anett Sándor Magda Aladár György

17 MDS SPSS-ben, távolsági adatokon 1 Most nem állnak rendelkezésre az egyes emberek fontos tulajdonságait leíró változók, csak a köztük mért távolságok: A File|Open menüvel nyissuk meg az KontaktusRecipr.sav fájltKontaktusRecipr.sav Az Analyze| Scale| Multi Dimensional Scaling menüvel válasszuk az MDS-t Erre megjelenik az MDS ablak. Jelöljük meg egérkattintással, hogy az adatok távolságok (Data are distances) A bal oldali változólistában Shift+egérhúzással jelöljük ki a 12 munkatárs távolsági változóit Majd a ►gomb megnyomásával válasszuk ki őket elemzésre katt shift +húz shift +húz

18 MDS SPSS-ben, távolsági adatokon 2 A gombra kattintva állíthatjuk hogyan értelmezze az adatbázisban a távolságokat: négyzetes, a főátlóra szimmetrikus táblázattal (Square symmetric) dolgozzon A gombra kattintva állíthatjuk az MDS modellt: –Feltételezze, hogy az input adatok arányskálák (Ratio), mivel reciprok (1/x) művelettel alakítottuk ki őket, így van abszolút 0 pontja a skálának. –1..5 dimenziót bontson ki –A térképen euklideszi (Euclidean) távolságokat mérünk. Az gombra kattintva kérjük az összes diagrammot Az gombra kattintva indítsuk a számolást katt

19 Az MDS térkép bemutatása Az előbbiekhez hasonlóan, az MDS.xls munkalapra másolva az eredményeket, a következőket kapjuk: MDS.xls A könyökdiagrammon egyértelműen látszik, hogy a térkép jól ábrázolható 2 dimenzióban Ubul a munkatársak csak általa ismert tulajdonságai alapján „Nyalizás”-nak és „Törtetés”-nek nevezte el a dimenziókat Magda, Gyögy, Géza, Aladár különböző irányokba kiesnek a középbolyból Ott viszont majd mindenki (Sári, Laci, Anett, Jenő, Ádám, Sándor) az igazgatótól, Ubultól elkülönülő csoportot alkot A kész elemzést lásd: MDSMinta2.xls MDSMinta2.xls

20 Az előadás tartalma A Multi Dimenzionális Skálázás (MDS): Az MDS grafikai szemléltetése Mintapélda 1: Autószobrászat Bt. –MDS SPSS-ben, változó-adatokon –Az MDS eredményeinek értelmezése –MDS térképek bemutatása Mintapélda 2: Sarban-Haw-Duke Biztosító –MDS SPSS-ben, távolsági adatokon –MDS térképek bemutatása Változók megbízhatósági vizsgálata –Változók megbízhatósági vizsgálata SPSS-ben

21 A változók megbízhatósági vizsgálata A változó-adatokból történő MDS elemzésnél láthattuk, hogy biztonsági okokból nem fogadtuk el az Autószobrászat Bt. kérdőívén szereplő 13 termékjellemző- fontossági kérdést 1..6 intervallum skálának, mert nem voltunk benne biztosak, hogy a válaszadók képesek azonos távolságok megkülönböztetésére a fokozatok közt Felvetődik a kérdés, hogyan lehetne ellenőrizni változók egy csoportjánál, hogy helyes módon skálázták-e őket? Ez különösen fontos akkor, ha a kérdőíven elrontották a kérdéseket: –A kérdés nem egyértelmű, vagy nehezen érthető –A skálának van középértéke, és erős középre húzási effektus lépett fel –A válasz alternatívák nem egyértelműek Erre szolgál a skálázási módszerek egy speciális alcsoportja, a megbízhatósági elemzés (Reliability Analysis): –Ez olyan skálázási módszer, amely mindig 1 dimenzióba nyomja össze a változók közti távolságokat –A célja nem valamiféle térkép készítése, hanem hogy tesztelje, mekkorára nő a stressz az 1 dimenzióra történő redukció közben –Ha ez túl nagy, akkor a változók önellenmondó rendszert alkotnak, illetve baj van a skálázással 26. Ha tehetem, hétvégén gyakran olvasok könyvet, de csak ha hét közben nem fáradok el:1-Egyáltalán nem 2-Csak kalandregényeket 3-Közepesen jellemző 4-Igen 5-Abszolút

22 A változók megbízhatósági vizsgálata SPSS-ben 1 Vizsgáljuk meg az Autószobrászat Bt. kérdőívén (lásd: KerdoivMinta.doc ) szereplő 13 termékjellemző- fontossági kérdés megbízhatóságát: KerdoivMinta.doc A File|Open menüvel nyissuk meg az AdatbazisMinta.sav fájltAdatbazisMinta.sav Az Analyze| Scale| Reliability Analysis menüvel válasszuk a megbízhatósági elemzést Erre megjelenik a megbízhatósági elemzés (Reliability Analysis) ablak A bal oldali változólistában Shift+egérhúzással jelöljük ki a 13db termékjellemző változót Majd a ►gomb megnyomásával válasszuk ki őket elemzésre Válasszuk az  -modellt (Alpha) Listázza a változók címkéit is (List item labels) katt shift +húz shift +húz katt

23 A változók megbízhatósági vizsgálata SPSS-ben 2 A gombra kattintva állíthatjuka kiszámított statisztikákat: –Kérjük változókra (Item) –Kérjük skálákra (Scale) –Kérjünk változóközi korrelációkat (Correlations) –Az ANOVA táblát az F-teszt (F-test) alapján állítsa össze Az gombbal indítsuk a számításokat Az Output window| Text Output részének végén láthatjuk a Kronbach-  tesztet (Cronbach Alpha): –Ez a 13 változó skálázásának konzisztenciáját méri %-os formában –A változók közti korre- lációk átlagán alapul –Itt 78%, ami nem túl jó, de még elfogadható katt

24 Sokdimenziós skálázás: Elméleti bevezető: Elméleti bevezető: Nem metrikus MDS: Metric-Scaling.pdf#search='multi%20dimensional%20scaling‘http://bear.cba.ufl.edu/shugan/7626/Non- Metric-Scaling.pdf#search='multi%20dimensional%20scaling MDS-el kapcsolatos linkgyűjtemény és szoftverek: MDS diagrammoló szoftver, MAVIS: Megbízhatósági elemzés: Elméleti bevezető: Használata StatView-ben: ml ml Szakirodalom


Letölteni ppt "Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 20. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos."

Hasonló előadás


Google Hirdetések