Множественный анализ соответствий, категориальный (и обычный) факторный анализ, многомерное шкалирование Сегодня в Школе Анализа Данных – четыре прекрасные аббревиатуры: MCA, CatPCA, PCA, MDS. Поговорим сразу о всех четырех методах, потому что они выполняют схожие функции: снижают размерность пространства, выделяют латентные факторы, выдают новые сущности – оси пространства восприятия Множественный анализ соответствий (MCA) работает на номинальном уровне. С его помощью можно превратить любую таблицу в двумерную карту. Причем на картах MCA, в отличие от простого CA, можно интерпретировать прямые расстояния между любыми точками: в нём считаются расстояния между всеми парами категорий, и нет деления на описываемые и описывающие. В карточках – схема работы MCA и пример карты MCA. А ещё MCA работает на уровне респондентов: можно сохранить значения полученных факторов на индивидуальном уровне. И да, можно строить карты соответствий с респондентами на них, что очень полезно для проверки гипотез о кластеризации! Категориальный метод главных компонент (CatPCA) работает на порядковых переменных. Действует так же, как и обычный разведочный факторный анализ, только вначале переходит от порядкового уровня измерения к интервальному, чтобы можно было строить матрицу корреляций и применять разложение по собственным значениям. Переход от порядковости к интервальности – самое интересное в методе! Делается это точно так же, как в анализе соответствий: за счет выделения латентных факторов и оцифровки исходных переменных Разведочный факторный анализ (PCA) работает на интервальном и дихотомическом уровнях. Это классика, с которой социологи обычно хорошо знакомы. На основе матрицы корреляций (поэтому нужна интервальность!) всех переменных друг с другом выделяются собственные значения, которые сортируются по убыванию объяснительной силы, и мы далее берем первые n осей, которые интерпретируем на основе факторных нагрузок. Есть ещё методы вращения и другие полезные инструменты Многомерное шкалирование (MDS) умеет работать и с интервальными, и с дихотомическими, и даже с порядковыми переменными. Делает то же самое: считает расстояния между всеми парами переменных, затем снижает размерность и визуализирует структуру данных. На выходе так же получаются новые переменные – латентные факторы, которые мы интерпретируем, и работаем дальше с ними как с новыми сущностями Сегодня в 19:00 говорим обо всем этом подробно и, как всегда, с примерами Записаться в ШАД: только открытые лекции | + практика | + разборы ДЗ #radar_school #data_analysis_school #SDA #lectures #course #data_analysis #mark_shaphir #correspondence #perceptual_mapping #mca #jca #catpca #pca #factor #mds