Sunteți pe pagina 1din 15

Metode cantitative avansate de

cercetare sociala

Tema 8-9: Scalare multidimensionala


Bibliografie: Manual, Capitolul 6
Joseph B. Kruskal, Myron Wish. 1978. Multidimensional Scaling.
Newbury Park, Ca.: Sage Publications.
F.W. Young, D.F. Harris. 1990. Multidimensional Scaling, SPSS
Users Guide, SPSS Inc., pp. 157-223.

SMD - caracteristici
Metoda de reducere a datelor
Se bazeaza pe comparatii intre obiecte
(care pot, sau nu, sa includa judecati de
valoare) preferinte (ierarhii), similaritate
Construieste o harta perceptuala in care
sunt reprezentate obiectele; distanta
dintre obiecte este data de proximitatea
dintre ele in perceptiile respondentilor;
coordonatele pe axele hartii se numesc, in
SPSS, stimulus coordinates.

Proximitate
Proximitatea dintre dou obiecte este o
valoare numeric care indic ct de
similare sunt obiectele n percepia
subiecilor, sau ct de apropiate se gsesc
n preferinele lor.
Datele pe baza carora se construieste
harta perceptuala sunt cuprinse intr-o
matrice de proximitati obtinute din datele
brute (uneori acestea sunt de la bun
inceput proximitati).

Tipuri de date in MDS si calculul distantelor:


Logica producerii hartii perceptuale
Datele initiale sunt prelucrate sub forma de
proximitati (distante, intr-o definitie aleasa de
noi). Acestea se noteaza cu: ij iar matricea lor cu
.
Distantele intre obiecte, asa cum vor fi
reprezentate pe harta perceptuala, sunt:
dij=d(xi,xj), iar matricea lor e D.
In general proximitatile sunt transformate astfel
incit sa aiba aceeasi unitate de masura cu
distantele hartii perceptuale: f(ij) [transformatele
proximitatilor sau, in SPSS, disparities]

Logica producerii hartii perceptuale (3)

Formal, ecuatia fundamentala a SMD:


f()=D+E
Goodness-of-fit (criteriu de
convergenta):
2
f-stress=

f (
i

ij

) d ij

d ij
i

Realizarea unei analize SMD (2)

In SPSS:

Derived Stimulus Configuration


Euclidean distance model
1.5

tg_jiut scraiova
drobeta

giurgiu constanta
bucuresti

pitesti

1.0

D im ension 2

.5timisoara
0.0

arad

-.5

sibiu

deva

ploiesti
brasov

m_ciuc

tg_mures
cluj
oradea
baia mare

-1.0
-1.5
-2.0

-1.5

-1.0

Dimension 1

galati
bacau
pt_neamt
iasi

suceava
-.5

0.0

.5

1.0

1.5

2.0

Configuratia oraselor
2.0
suceava

1.5

baia mare
oradea

iasi

cluj

1.0

tirgu mures

piatra neamt
bacau

miercurea ciuc

.5
arad
deva

0.0

timisoara

sibiu

brasov
ploiesti

-.5

Dimensiunea 2

galati

bucuresti
pitesti

dr.tr.severincraiova
tirgu jiu

-1.0

giurgiu

constanta

-1.5
-2.0
-2.5

-2.0

-1.5

Dimensiunea 1

-1.0

-.5

0.0

.5

1.0

1.5

2.0

2.5

Scatterplot of Linear Fit


Euclidean distance model
4

Distances

0
0

Disparities

Derived Stimulus Configuration


Euclidean distance model
1.5
acasa
b1tv
eurospor

1.0
.5

tvr1
etno

D im ension 2

0.0
-.5

antena1

realitat

primatv
national

-1.0
-1.5
-3

-2

-1

Dimension 1

Scatterplot of Linear Fit


Euclidean distance model
5
Stress = .11523

RSQ = .93353

D istances

2
1
0
1.0

1.5

2.0

Disparities

2.5

3.0

3.5

4.0

4.5

Harta prieteniilor
2

Dimensiunea 2

-1
muresan

cristofo
marinomihaiu ardel_v
ceserean
mares
fanache lungu
cocora
vaida
damaschi
bulat
bradubaconski
catina
scorobet
tascu
oarcasu
bot
sav_vasi
balacean
salajan
rebrean1
cris_teo
cacovean
ceuca
sasu
tomus
rebreanu
cetea
nistor ghermanpopa_mir
mocanu
vedinas
scarlat
petreu
tanco
dan
oprita
anania
pop_augu
pompei
udrea
melancu
negru
zanc
tuculesc
suciu
vultrsc
braga moldov
milea vartic
muthu
simut
adamek
leon
zarnescumuslea
igna
jucan
peteanpavel_do
petrescu cublesan
buzura
prelip
pecican vartic_ifelea
ceserea1
rau
stanciu
vlad_tud
savu
balota
zaciu
oprit_m
vlad_ion
vlad_ale
poanta
irimie_n
badescu
bojan

-2
papahagi
pop_ion

popescu

-3
-4

-3

Dimensiunea 1

-2

-1

Scatterplot of Linear Fit


RSQ values are the
proportion of variance of
the scaled data (disparities)
in the partition (row,
matrix, or entire data)
which is accounted for by
their corresponding
distances.

Euclidean distance model


6
5
4

Stress = .36432
RSQ = .61184

D istances

2
1
0
-1
-1

Disparities