BazEkon - Yadda

1

Identyfikacja różnic indywidualnych w analizie Procrustesa

100%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia

|

2006

|

13

|

nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania

492-500

W artykule pokazano, jak, poprzez wyznaczenie przestrzeni wag, możliwe jest wskazanie różnic w ocenach respondentów. Sposób dopasowywania konfiguracji indywidualnych, wyznaczania konfiguracji "wspólnej", przestrzeni wag oraz miar dopasowania przedstawiono na podstawie modelu PINDIS (procrustean individual differences scaling). (fragment tekstu)

2

Przegląd wybranych modeli różnic indywidualnych w skalowaniu wielowymiarowym

100%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria

|

2007

|

18

|

nr 1151 Zastosowania metod ilościowych

9-18

W artykule zaprezentowano trzy modele, których podstawowe różnice wynikają z tego, co jest punktem wyjścia do wyznaczenia konfiguracji wspólnej oraz przestrzeni wag. Modelami tymi są:a) ważony model euklidesowy - punktem wyjścia identyfikacji różnic indywidualnych są macierze niepodobieństw;b) model INDSCAL - konfiguracja wspólna oraz przestrzeń wag wyznaczane są na podstawie macierzy produktów skalarnych;c) model PINDIS - punktem wyjścia są tu konfiguracje indywidualne poszczególnych respondentów. (fragment tekstu)

3

Wykorzystanie analizy Procrustesa w przypadku wielu wyników skalowania wielowymiarowego

100%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria

|

2006

|

16

|

nr 1100 Zastosowania metod ilościowych

43-49

Skalowanie wielowymiarowe jest zbiorem technik graficznej prezentacji zależności między obiektami traktowanymi jako punkty w przestrzeni wielowymiarowej. Na podstawie macierzy odległości między obiektami, wykorzystując odpowiednie procedury zależne od typu zmiennych, dokonuje się takiego rozmieszczenia na mapie percepcyjnej punktów, aby dopasowanie konfiguracji odległości w przestrzeni wielowymiarowej i dwuwymiarowej było jak najlepsze.Takie przekształcenia, jak jednokładność, translacja czy rotacja układu punktów nie powodują zmiany proporcji odległości między nimi, dlatego dla danego zbioru obiektów w wyniku skalowania wielowymiarowego można otrzymać różne konfiguracje końcowe.Często trzeba porównać konfigurację punktów reprezentujących badane obiekty z konfiguracją punktów reprezentującą te same obiekty, ale otrzymaną w wyniku innego badania, na podstawie innych danych źródłowych (np. pochodzących od różnych respondentów) czy też z wykorzystaniem innego programu komputerowego. Metoda dopasowująca jedną konfigurację do drugiej (tzw. konfiguracji wzorcowej) oraz wskazująca miarę tego dopasowania nosi nazwę analizy Procrustesa.W artykule zaprezentowano uogólnioną analizę Procrustesa, wykorzystywaną do dopasowywania wielu wyników skalowania wielowymiarowego. (fragment tekstu)

4

Zastosowanie algorytmu SMACOF do badań opartych na prostokątnej macierzy preferencji

100%

Zaborski A.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia

|

2011

|

18

|

nr 176 Klasyfikacja i analiza danych - teoria i zastosowania

262-271

SMACOF jest strategią skalowania wielowymiarowego, wykorzystującą metodę majoryzacji, która aproksymuje w kolejnych cyklach iteracyjnych minimalne wartości funkcji STRESS. Celem artykułu jest prezentacja metodologii skalowania wielowymiarowego za pomocą dostępnego w środowisku R algorytmu SMACOF i jego modyfikacji na potrzeby prostokątnej macierzy preferencji. Na zakończenie zaprezentowano przykład, w którym wykorzystano funkcję smasofRect pakietu smacof.(abstrakt oryginalny)

5

Metody wielowymiarowego skalowania obiektów symbolicznych

80%

Pełka M.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia

|

2007

|

14

|

nr 1169 Klasyfikacja i analiza danych - teoria i zastosowania

178-185

Zadaniem skalowania wielowymiarowego obiektów symbolicznych, podobnie jak w klasycznym skalowaniu wielowymiarowym, jest przedstawienie relacji zachodzących między obiektami traktowanymi w przypadku obiektów symbolicznych jako hiperprostopadłościany w przestrzeni wielowymiarowej. Ze względów na możliwości geometrycznej interpretacji otrzymanych wyników jest to najczęściej przestrzeń dwuwymiarowa. Celem artykułu jest zaprezentowanie metody skalowania wielowymiarowego INTERSCAL. W artykule porównano ją z drugą z metod skalowania wielowymiarowego obiektów symbolicznych - metodą SYMSCAL, zaproponowana przez Groenena, Winsberga, Rodrígueza i Didaya. Obie metody skalowania wielowymiarowego dla obiektów symbolicznych (symbolic multidimensional scaling) wymagają, aby danymi wejściowymi była macierz minimalnych i maksymalnych odległości pomiędzy obiektami symbolicznymi. W artykule zaprezentowane zostaną również problemy, jakie mogą wynikać z zastosowania metody INTERSCAL. Artykuł w części empirycznej prezentuje wyniki skalowania wielowymiarowego, uzyskane na przykładzie danych symbolicznych pochodzących z rynku komputerowego. (fragment tekstu)

6

Multidimensional Scaling for Symbolic Interval Data

80%

Dudek A.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2009

|

228 Multivariate Statistical Analysis : Statistical Inference, Statistical Models and Applications

257-264

Podstawowym celem skalowania wielowymiarowego jest przedstawienie relacji między obiektami w przestrzeni wielowymiarowej jako odległości w przestrzeni 2- lub 3-wymiarowej. Dane wejściowe do procedur skalowania wielowymiarowego to zazwyczaj symetryczna macierz kwadratowa wskazująca na relacje (podobieństwa lub niepodobieństwa) pomiędzy obiektami pewnego zbioru. Istnieje wiele technik klasycznego skalowania wielowymiarowego, jednak wszystkie z nich wymagają aby w poszczególnych komórkach tej macierzy znajdowały się pojedyncze wartości liczbowe. Denoeux and Masson (2002) zaproponowali rozszerzenie klasycznego skalowania wielowymiarowego na dane symboliczne w postaci przedziałów liczbowych. Danymi wejściowymi do opracowanego przez nich algorytmu INTERSCAL jest tabela zawierająca minimalne i maksymalne odległości pomiędzy hiperprostopadłościanami reprezentującymi obiekty. Takie same podejście występuje w algorytmach SYMSCAL i I-S d, zaproponowanych przez Groenena i in. (2005). W artykule przedstawiony zostały najważniejsze algorytmy skalowania wielowymiarowego dla danych symbolicznych w postaci przedziałów liczbowych oraz przykłady ich zastosowania dla danych symbolicznych pochodzących z repozytorium http://www.ceremade.dauphine.fr/~touati/sodas-pagegarde.htm. (abstrakt oryginalny)

7

Dobór początkowych współrzędnych w skalowaniu wielowymiarowym obiektów symbolicznych

80%

Dudek A., Pełka M.

Studia i Prace Uniwersytetu Ekonomicznego w Krakowie

|

2009

|

nr 2

423-430

Celem artykułu jest określenie znaczenia wpływu sposobu ustalenia początkowych współrzędnych prostokątów na wyniki skalowania wielowymiarowego obiektów symbolicznych z wykorzystaniem procedury SymScal. W części empirycznej wykorzystano dane dotyczące kredytów konsumpcyjnych udzielonych w 2004 r. Przez BGŻ S.A. oddział w Kłodzku. Dane te składają się z informacji o udzielonych kredytach (pozytywnie rozpatrzonych wnioskach kredytowych) – klasa 1. – oraz informacji o odrzuconych wnioskach kredytowych – klasa 2. (fragment tekstu)

8

Klasyczne skalowanie wielowymiarowe

80%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria

|

1998

|

1

|

nr 765 Zastosowania metod ilościowych

91-100

Skalowanie wielowymiarowe jest zbiorem technik badawczych mających na celu prezentację (zazwyczaj w przestrzeni dwu lub trójwymiarowej) obiektów traktowanych jako punkty w przestrzeni wielowymiarowej. Możliwość geometrycznej prezentacji sprawia, że skalowanie wielowymiarowe znajduje zastosowanie w niemal wszystkich dziedzinach badawczych.Najprostszą odmianą wśród wszystkich metod skalowania wielowymiarowego jest klasyczne skalowanie wielowymiarowe (KSW). Cechą charakterystyczną KSW jest to, że opiera się ono tylko na jednej macierzy niepodobieństw między obiektami. Zależnie od skali pomiaru zmiennych w warunkach KSW wyróżnia się dwie procedury skalowania:- metryczne - dla zmiennych mierzonych na skali ilorazowej lub przedziałowej, - niemetryczne - dla zmiennych mierzonych na skali porządkowej, których ogólne zasady zostały zaprezentowane w artykule. (fragment tekstu)

9

Analiza niesymetrycznych danych preferencji z wykorzystaniem modelu punktu dominującego i modelu grawitacji

80%

Zaborski A.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia

|

2015

|

24

|

nr 384 Klasyfikacja i analiza danych - teoria i zastosowania

315-323

W artykule zaprezentowano dwa modele analizy niesymetrycznych danych preferencji: model punktu dominującego i model grawitacyjny. W modelu punktu dominującego na jednej mapie percepcyjnej przedstawia się punkty reprezentujące badane obiekty oraz punkt reprezentujący hipotetyczny obiekt posiadający największą przewagę konkurencyjną. Model grawitacyjny został wykorzystany do graficznej prezentacji zmian preferencji w czasie. Jego zaletą jest to, że może być stosowany do porównania w różnych okresach dwóch, niekoniecznie dokładnie takich samych, zbiorów obiektów(abstrakt oryginalny)

10

Podejścia w skalowaniu wielowymiarowym obiektów symbolicznych

80%

Pełka M.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

|

2009

|

nr 86 Wizualizacja wyników badań marketingowych : podejścia, metody i zastosowania

133-142

W artykule zaprezentowano możliwe podejścia w skalowaniu wielowymiarowym obiektów symbolicznych. Wskazano również na problemy i ograniczenia, jakie mogą występować w każdym z podejść. W opracowaniu na podstawie symulacyjnych danych symbolicznych wygenerowanych z wykorzystaniem funkcji cluster.Gen pakietu clusterSim oraz zbioru danych symbolicznych z programu SODAS przedstawiono podejścia w skalowaniu wielowymiarowym obiektów symbolicznych. (fragment tekstu)

11

Selecting the Optimal Multidimensional Scaling Procedure for Metric Data with R Environment

80%

Walesiak M., Dudek A.

Statistics in Transition

|

2017

|

18

|

nr 3

521-540

In multidimensional scaling (MDS) carried out on the basis of a metric data matrix (interval, ratio), the main decision problems relate to the selection of the method of normalization of the values of the variables, the selection of distance measure and the selection of MDS model. The article proposes a solution that allows choosing the optimal multidimensional scaling procedure according to the normalization methods, distance measures and MDS model applied. The study includes 18 normalization methods, 5 distance measures and 3 types of MDS models (ratio, interval and spline). It uses two criteria for selecting the optimal multidimensional scaling procedure: Kruskal's Stress-1 fit measure and Hirschman-Herfindahl HHI index calculated based on Stress per point values. The results are illustrated by an empirical example. (original abstract)

12

Skalowanie wielowymiarowe - charakterystyka modelu ALSCAL

80%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Informatyka i Ekonometria

|

1997

|

4

|

nr 750 Zastosowania metod ilościowych

87-98

Skalowanie wielowymiarowe jest metodą badań naukowych opartą na założeniu, że badana rzeczywistość jest bardzo złożona, czyli wielowymiarowa. Respondent wyrażający swój stosunek do rzeczywistości operuje wymiarami w sposób mniej lub bardziej świadomy, traktując obiekty (produkty, ludzi, przedmioty, stany przyrody itd.) jako punkty w przestrzeni N-wymiarowej. (fragment tekstu)

13

Majoryzacja funkcji dopasowania w skalowaniu wielowymiarowym

80%

Zaborski A.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria

|

2001

|

7

|

nr 895 Zastosowania metod ilościowych

278-285

Niniejszy artykuł jest prezentacją ważnej metody optymalizacji funkcji dopasowania - algorytmu majoryzacji. (fragment tekstu)

14

Wykorzystanie metody majoryzacji funkcji dopasowania w modelach różnic indywidualnych

80%

Zaborski A.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia

|

2010

|

17

|

nr 107 Klasyfikacja i analiza danych - teoria i zastosowania

181-189

Majoryzacja jest metodą o charakterze iteracyjnym aproksymującą minimalne wartości funkcji STRESS. Celem artykułu jest prezentacja metodologii skalowania różnic indywidualnych za pomocą metody majoryzacji. Podejście to nosi nazwę SMACOF i jest realizowane w środowisku R. Na zakończenie zaprezentowano przykład, w którym wykorzystano funkcję smacof IndDiff pakietu smacof.(abstrakt oryginalny)

15

Skalowanie preferencji z wykorzystaniem programu R

80%

Zaborski A.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonometria

|

2011

|

34

|

nr 200

143-153

W artykule zaprezentowano trzy grupy metod wielowymiarowego skalowania preferencji, których realizacja jest możliwa za pomocą odpowiednich funkcji programu R. Są to metody oparte na macierzy niepodobieństw, metody oparte na prostokątnej macierzy preferencji oraz modele różnic indywidualnych. W ramach każdej grupy metod dokonano opisu właściwych funkcji programu R oraz zaprezentowano przykłady empiryczne. (abstrakt oryginalny)

16

Zastosowanie skalowania Rascha do oceny trafności skali pomiarowej

80%

Węziak D.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu

|

2006

|

nr 1142 Statystyka w badaniach społecznych

34-48

W artykule zaprezentowany został sposób sprawdzania trafności narzędzia pomiarowego z zastosowaniem skalowania Rascha. W wyniku przeprowadzonych analiz udało się pogłębić wiedzę na temat sposobu interpretowania przez badanych respondentów poszczególnych pozycji skali tworzących analizowaną złożoną skalę pomiarową. Wykazano, że:1) występują istotne różnice w rozumieniu stwierdzenia (r)A6. Osoby starsze są nieproduktywne i tylko stanowią obciążenie dla społeczeństwa w grupach wyróżnionych zarówno na podstawie wieku, jak i płci;2) występują istotne różnice w rozumieniu stwierdzeń A4 oraz (r)A8 w dwóch badanych grupach wiekowych. (fragment tekstu)

17

Zastosowania skalowania wielowymiarowego w rozwiązywaniu problemów marketingowych

80%

Walesiak J.

Materiały, Konferencje Uniwersytetu Szczecińskiego

|

1997

|

nr 23

143-154

Przedstawiono możliwości wykorzystania metody skalowania wielowymiarowego w badaniach marketingowych: segmentacji rynku, określania pozycji produktu na rynku, procesie wprowadzania nowego produktu na rynek, określania cech produktu, które są dla konsumenta najistotniejsze, rozpoznawania "luki" na rynku, określania struktury rynku i oceny haseł reklamowych.

18

Identyfikacja osi w skalowaniu wielowymiarowym na przykładzie segmentacji rynku ubezpieczeniowego

61%

Batóg B., Wawrzyniak K.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia

|

2006

|

13

|

nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania

372-379

W artykule podjęto próbę połączenia tych metod w celu wyraźniejszego zdefiniowania osi w przypadku segmentacji rynku ubezpieczeniowego na podstawie indywidualnych preferencji klientów oraz nieklientów odnośnie do produktów i usług ubezpieczeniowych. Artykuł jest kontynuacją badań przedstawionych w pracy [Mojsiewicz, Wawrzyniak 2005].Do skalowania wielowymiarowego wykorzystano moduł skalowania wielowymiarowego, który jest dostępny w pakiecie Statistica wersja 6.0. Wejściowa macierz odległości między obiektami (respondentami) dla zmiennych ze skali porządkowej, która jest warunkiem koniecznym zastosowania programu, została wygenerowana za pomocą programu GDM dla uogólnionej miary odległości w wersji 2.0 dla Windows 95/98/ME/2000/XP. (fragment tekstu)

19

Triads or Tetrads? Comparison of Two Methods for Measuring the Similarity in Preferences under Incomplete Block Design

61%

Zaborski A.

Statistics in Transition

|

2022

|

23

|

nr 3

185-198

The measurement of preferences can be based on historical observations of consumer behaviour or on data describing consumer intentions. In the latter case, the measure-ment of preferences is performed using methods which express consumer attitudes at the time of research. However, most of these methods are very laborious, especially when a large number of objects is tested. In such cases incomplete analyses may prove useful. An incomplete analysis involves the division of objects into subgroups, so that each pair of objects appears at exactly the same frequency and all objects are in each subgroup. The purpose of the work is to compare two incomplete methods for measuring the similarity of preferences, i.e. the triad method and the tetrad method. These methods can be used whenever similarities are measured on an ordinal scale. They have been com-pared in terms of their labour intensity and ability to map the known structure of ob-jects, even when all pairs of objects in subgroups cannot be presented equally frequent-ly. (original abstract)

20

The Influence of Triad Selection on the Preference Scaling Results

61%

Zaborski A.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2017

|

vol. 4, t. 330

87-97

W metodzie triad dla zbioru n obiektów respondentom przedstawiane są wszystkie możliwe trójelementowe zestawy obiektów. Dla każdego zestawu respondent jest proszony o wskazanie, zgodnie ze swoimi preferencjami, pary obiektów najbardziej podobnych oraz pary obiektów najmniej podobnych. Mimo wielu zalet metoda triad nie jest często stosowana w praktyce. Liczba triad jest sześcienną funkcją liczby obiektów i rośnie bardzo szybko wraz ze wzrostem liczby obiektów. Celem pracy jest wskazanie możliwości skalowania preferencji w oparciu o zredukowaną liczbę triad. Zbadano także, czy zmiana zredukowanego zbioru triad wpływa na wyniki skalowania. Wyniki analizy zilustrowano empirycznym przykładem, w którym skalowanie preferencji dla różnych zbiorów triad przeprowadzono za pomocą programu TRISOSCAL. (abstrakt oryginalny)