SEKCJA KLASYFIKACJI l ANA LI ZY DANYCH POLSKIEGO TOWARZYSTWA STATYSTYCZNEGO Zeszyt 4 T AKSONOM lA 1997
KLASYFIKACJA l ANALIZA DANYCH
TEORIA l ZASTOSOWANIA
Redaktorzy naukowi Krzysztof.Jajuga, Alarek Waleswk
ReJaktor Wydawnictwa Dorota Pitulec
Korektor Barbara Cibis
Tytuł sfmansowano ze środków Połskiego Towarqstwa Statystycmego, Akademii Ekonomicznych we Wrocławiu, w Krakowie i w Katow1cach
© Copyright by Wydawnictwo Akademii Ekonmmcznej we Wroclawlll
Wrocław l 997
PL ISSN 0324-8445
Druk i oprawa: Zakład Graficmy AE we Wrocławiu. Zam. ł09/97
Spis
treściOd Redakcji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 K r z y s z
to f l aj u g a, M a r c k W a l e s i a k (Akademia Ekono-
micma we
Wrocławiu)- O konferencjach taksonomicznych - fakty i refleksje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7Krzy s z
to f l aj u g a (Akademia Ekonomicma we
Wrocławiu) -Kon-
ferencj a IFCS-96 - kierunki
badańw analizie danych ... ....
18A n d r z ej S o k o t o w s k i, K a z i m i e r z Z aj
ąc (Akademia
Ekonomicma w Krakowie) - Taksonomiczna analiza emigracji z Folski w 1992 roku ... ... . ... .. .... ... ... ... 21 M ar i a C i e
ślak(Akademia Ekonomicma we
Wrocławiu)-Prognozy
ostrzegawcze - rodzaje i sposoby wyznaczania . . .. . . . . . . . . . .. . . . . . . . . . . . .. . . .. . . . . . 30 D a n u t a S
tr a h l (Akademia Ekonomicma we
Wrocławiu)- Miary
agregatowe w granicznym .systemie referencyjnym . .... ... ... . . . ... 36 W a l d e m ar T ar
czyński(Uniwersytet
Szczeciński)- Wykorzysta-
nie syntetycznego miernika rozwoju do budowy ejektywnego portfela papierów
wartościowych. . . . . . . . . .. . . .. . . . . . . . . . ... ... . . . .. . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . 48 G r z e g o r z K o w a l e w s k i. K a t a r z
yn a K u z i a k (Akademia
Ekonomicma we
Wrocławiu) -Klasyfikacja pod
względemryzyka
spółeknotowanych na
GiełdziePapierów Warto5·ciowych w Warszawie ... 62 1 a c e k B a
tó g (Uniwersytet Szczecióski) - Propozycja klasyfikacj i .firm
według
::.ytuacji ekonomiczno-finansowej . .. . . . . .. . . .. . . . . . . . . . . . . . . . .. . . . . 68 Kat ar z y n a Ku z i ak (Akademia Ekonomicma we
Wrocławiu)-
Estymacja wspó!czynnika beta akcji na podstawie niesynchronicznego szeregu czasowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 l
wo n a K o n a r z c w s k a (Uniwersytet
Łódzki)-
Przykładzastosowa-
nia metody dekompozy cji wed/u?,
wartoś·ci własnychdo analizy
związkówliniowych
wśródszere?,ÓW czasowych ... .... ... ... ... ... ... . 88 A n d r z ej B
ąk, M a r e k W a l e s i a k (Akademia Ekonomicma we
Wrocławiu)-
Metody estymacj i parametrów w modelu eonjoint analysis 98 A r t u r Z a b o r s k i (Akademia Ekonomicma we
Wrocławiu)-
Przeglądzastosowań
skalowania wielowymiarowe?,o w
rozwiązywaniuproblemów marketingowych ... ... l 08 S
ta n i s l a w H e i l per n (Akademia Ekonomicma we
Wrocławiu)-
Zastosowanie monotonicznychfunkcji zbioru w problemach decyzyjnych i klasyfikacyjny ch ... ... .. ... ... .. .. . 122 L e s l a
wFor n a l (Akademia Ekonomicma
wKatowicach) - Dobór i
znaczenie koalicji dla proh/emu w analizie strategiczno-systemowej ... 132
M i c h a l W o
żn i ak (Akademia Ekonomiczna \ Krakowie). Z b 1- g n i e w Z i o l o
(Wyższa SzkołaPerlagogiczna
\VKrakowie)
-'f'ypolof!,/0 stmktur . mbregJOnolnych ohszom . \·ciony wschodniej .... ... . 141 A n t o n i S m o luk (Akademia Ekonomiczna we
Wrocławiu) -l/wag1 o
modz1e ... ... .. ... ... 149 A l l a n D. G o r d o n (Univcrsity of St. Andrcws
-United Kingdom)
-Volidatwn in C/ust er Analys1s ... .. ... .... ... .. .. .... ... .. ... ... 1.58 K r zys z t o f J aj u g a
(WrocławUnivcrsity of Economics)
-On the
Descnptwn of.\'tatisticol Ohservot10ns ... ...
J60 J a n W. O
ws i
ńs k i. S l a w o m i r Z a d r o
żn y (Polish Academy
o f Scienccs)
-J)ec/aratwns and Reolity: C '/ustering Apphed tu Votinf!,
ąlMP.1· in Polish Parliomenl .. .. .. . . .. .. .. .. ... .. .... .. .. .. .. .. .. .. .. . .. .... .. .. .. .. .. .. .. .. . .. . .. l 66 J a n u s z W y w i a l (Akademia Ekonomiczna w Katowicach)
- Owar-
stwowamu populocji wedfug cech nominalnych ... 180 P a w c l L u l a (Akademia Ekonomiczna w Krakowie) - Metody pro;ekto-
wanw stmktur siec/ neuronowych stosowanych w procesie modelowomo l H7 M ar 1 u s z Gr a b o w ski (Akadcmta Ekonomiczna w Krakow1e)
-Zasto-
sowanie
somoorganizujących sięmap cech Kohonena w analizie danych 196 E u g c n i u s z G a t n a r (Akademia Ekonomiczna w Katowicach)
-Data
Mining metody 1 zastosowamo ... ::?.06 G r z c g o r z K o w a l c\\ s k i (Akademia Ekonomiczna we Wroclawiu)
- () nummantach w Wielowy miarowe; analizie porównawcze ; .. .. . . .. .. .. .. . ::?.12 C z c s l a w D o m a t1 s k i (Uniwersytet
Łódzki) -Wprowadzeme do ono-
btyczne,f!,o procesu h!erorch!cznef!,O ... 217 W a n d a R o n ka-C h m i c l o w i e c (Akademia Ekonomiczna we
Wrocła'ń~U) -
Zagadmeme
podziałuryzyka uhezpieczemowego 1 decyz;e reaselwracyjne ... ... .. ... ... .... ... .... . . ... ::?.27 A n n a M a l i n a. A l c k s a n d e r Z c l i a
ś(Akademia Ekonomiczna
w Krakowie)
-O budowJe taksonomicznej mwry jako.\'ci
życia... . 23&
R y s z a r d A n t o n i c w i c z (Akademia Ekonomiczna we
Wrocławiu) -(impowame punktów w przestrzeniach wielowymiarowy ch za
pomocą11ogólmonej metody 17liJI11nier\'zych kwadratów .. .. ... ... ... ::?.63 J a n Z a w a d z k i (Untwcrs)'tCt Szczcciriski)
-Prz yczynek do wykorzysta-
ma metod analizy
siwpień 1analizy dyskryminacyjnej
wprognozowaniu
na podstawie krótkich szeregów jJrzekrojowo-czasowych .. .. .. ... 26.5
SEKCJA KLASYFIKACJI l ANALIZY DANYCH POLSKIEGO TOWARZYSTWA STATYSTYCZNEGO
Zeszyt 4 TAKSONOMIA
Andrzej
Bąk,Marek
Wałesiak Akademia Ekononuczna we WrocławiuMETODY ESTYMACJI PARAMETRÓW W MODELU CONJOINT ANALYSIS
1997
W analizie i klasyfikacji danych
można wyróżnićdwie klasy metod, których sto- sowanie prowadzi do konstrukcji dwóch typów modeli : kompozycyjnych i dekompo- zycyjnych.
W
podejściukompozycyjnym buduje
sięmodele wielowymiarowe, w których
wartości
zmiennych
zależnych sąwyliczane na podstawie ocen
(wartości)zmiennych
niczależnych
dostarczonych przez respondentów. Do tego typu metod zalicza
sięm.in.
analizęregresji ,
analizę dyskryminacyjną, analizę czyru1ikową.W
podejściudekompozycyjnym buduje
sięmodele wielowymiarowe,
wktórych respondenci
oceniajązbiór obiektów (produktów lub
usługrzeczywistych albo hipo- tetycznych) opisanych zmiennymi
niezależnymi(atrybutami) ,
przedstawiającswoje
całkowite
preferencje
odnośniedo tych obiektów (zbiór
wartościzmiennej
zależnej).Na podstawie tych ocen
(użyteczności całkowitych)dokonuje
się podziału(dekom- pozycji) preferencji poprzez wyliczenie
udziału każdegoz atrybutów w oszacowanej
wartości całkowitej użyteczności
obiektu . Do tej grupy metod
należąm.in. mapy percepcji w skalowaniu wielowymiarowym oraz eonjoint analysrs .
Metoda eonjoint analysis (eonjoint measurement) nazywana w
polskojęzycznejliteraturze przedmiotu pomiarem
łącznego oddziaływaniazmiennych
f20l pomiarem wieleczynnikowym [ 11] lub addytywnym pomiarem
łącznym[3]
powstałana gruncie
badańpsychologicznych (psychometrycznych) jako
odpowiedźbadaczy na
trudności zvviązane
z pomiarem i
analiządanych psychologicznych. Do pierwszych
prac teoretycznych
dotyczącychconjornt analysrs
zaliczyć należytakie publikacje,
jak: )5 : 12: 13 : 14 : 16 ; 17: 18]. W metodzie eonjomf analysis
dąży siędo skon-
struowania modelu
odwzorow11jącego uporządkowaniezmiennej
zależnejprzy opty-
malnej ,
w świetle określonegokryterium. kombinacji zmiennych
niezależnych.Me-
toda ta
spotkała sięz
dużymzainteresowaniem ze strony statystyków
zajmujących siębadaniami marketingowymi i
teoriąpodejmowania decyzji . Za pierwsze prace
ilustrujące możliwości
wykorzystania metody eonjoint analysis w badaniach mar- ketingowych oraz wspomaganiu procesów podejmowania decyzji uznaje
sięm.in.
artykuły: [7~
l 01 . Podstawowym kierunkiem
zastosowańeonjoint analysis w sferze marketingu jest ocena preferencji konsumentów
dotyczącychproduktów charakte- I y zowanych wieloma cechami, z których
każda może przyjmować różne wartości. Znającpreferencje konsumentów zmierza
siędo znalezienia takiej konfiguracji
użyteczności cząstkowych,
która
spełniaje najlepiej .
C'onjoint analysis nie jest w
rzeczywistościprecyzyjnie
zdefmiowaną metodąbadal'l, ale
złożoną procedurą badawczą,w której
mogą byćstosowane alternatywne techniki obliczeniowe i
różnorodne ścieżkianalizy. Rodzi to
określonereperkusje i
trudności, polegające
przede wszystkim na
koniecznościwyboru
między możliwymikierunkami
postępowania. Rozstrzygnięciaw tym
względzienie
są łatwe, ponieważ własnościforn1alne i obliczeniowe (numeryczne) poszczególnych metod i technik oraz ich rozmaitych konfiguracji nie
sąjeszcze w
pełnirozpoznane, ale
stanowiąprzedmiot bada!1 (m .in . w analizach porównawczych tych
własnościwykorzystuje
się
techniki symulacyjne, np .
metodęMonte Carlo).
W procedurze eonjoint analysis
wyróżnia sięna ogól
następująceetapy bada6., z których
każdywymaga
rozstrzygnięćdecyzyjnych (por. [8 , s.
105~2, s. 26]):
- wybór postaci modelu preferencji (np . model wektorowy, model punktu ideal- nego . model
użyteczności cząstkowych,model mieszany),
- wybór metody gromadzenia danych (np. techniki
pełnegoprofilu, techniki pre- zentacji parami).
- zdeiiniowanie zbioru wariantów dla metody
pełnegoprotllu (np.
układ częściowo
czymlikowy, próba losowa
rozkładuwielowymiarowego),
-
określeniesposobu prezentacji atrybutów (np. opis
słowny,forma graficzna, model trójwymiarowy, produkt fizyczny),
-
określenieskali pomiaru zmiennej
zależnej(np. metoda porównywania paran1i, metoda
stałychsum, skala rangowa. skala pozycyjna),
- vvybór metody estymacji parametrów
(użyteczności cząstkowych)modelu (np. metoda najmniejszych kwadratów ze zn1iennymi sztucznymi, LINMAP.
MONANOV
A,PREFMAP, algorytm Johnsona).
W artykule przedstawiono
problematykę dotyczącąmetod estymacji parametrów, a
w szczególnościscharakteryzowano
metodę nąjmniejszychkwadratów ze zmiennymi sztucznymi (OLS) oraz
metodęmonotonicznej analizy wariancji (MONANOVA).
W metodzie eonjoint analysis konstruuje
sięjeden z dwóch typów modeli: model addytywny (efektów
głównych)lub model z interakcjami (efektów
głównychi
współdziałania).
Kryterium
rozróżnieniajest tutaj rodzaj
zależności międzyczyn- nikami .
Najczęściejbuduje sic;: model addytywny. w którym nie
występująefekty
współdziałania
czynników. Model taki
może mieć postaćrównania:
99
vk = .(1.
LL ~ v
1.. x~ k )
1 11 , i=lj=l
gdzie :
Vk -oszacowana
użyteczność całkowitak-tego wariantu , vif
-użyteczność cząstkowaj-tegopoziomu i-tej zmiennej ,
x~ = { l jeśli j- ty poziom
i-tej zmiennej występuje w
k-tymwariancie,
IJ
O w przeciwnym przypadku,
n- liczba zmiennych (atrybutów),
mi
- liczba poziomów i-tej zmiennej.
(l)
Wartości
zmiennej
zależnejw modelu eonjoint analysis
mogą byćmierzone na skalach niemetrycznych lub metrycznych,
wartościzmiennych
niezależnychnato- miast mierzy
sięna skalach niemetrycznych. Estymacja parametrów
(użyteczności cząstkowych)takiego modelu jest jednym z
najważniejszychetapów w procedurze eonjoint analysis. Jej celem jest znalezienie
wartości użyteczności cząstkowychzbioru obiektów w oparciu o znane
uporządkowanietych obiektów.
Źródłemwiedzy o
uporządkowaniuanalizowanych obiektów
są najczęściejbadania ankietowe, w których respondenci
oceniająprzedstawione propozycje,
kierując się własnymipreferencjami.
Pierwszym, podstawowym uwarunkowaniem
dotyczącymwyboru metody esty- macji
użyteczności cząstkowychjest rodzaj
przyjętejskali pomiaru zmiennej
zależnej .
Jeżeliskala, na której dokonuje
siępomiaru
wartościzmiennej
zależnejjest
przedziałowa
lub ilorazowa, to stosuje
sięwówczas metryczne procedury estymacji parametrów (np.
metodęnajmniejszych kwadratów ze zmiennymi sztucznymi lub
regresję wieloraką). Jeżeli
natomiast
wartościzmiennej
zależnejmierzone
sąna skali
porządkowej,to stosuje
sięwówczas niemetryczne techniki estymacji parametrów (np. LINMAP, MONANOVA PREFMAP , algorytm Johnsona) [8; 9; 15 ; 20].
Dotychczasowy dorobek naukowy w dziedzinie konstruowania modeli eonjomt analysis i estymacji parametrów tych modeli jest bardzo bogaty i
zróżnicowanyza- równo pod
względemteoretycznym, jak i w sensie
możliwych zastosowańpraktycz- nych.
Propozycjęsystematyzacji tych
osiągnięćprzedstawili Caroll i Green [ 1] . Ry- sunek l prezentuje
klasyfikacjęmetod estymacji
użyteczności cząstkowychwyko- rzystywanych w
różnychmodelach eonjmnt analysis . Podstawowym kryterium tej klasyfikacji jest metoda gromadzenia danych . Wybór metody gromadzenia danych determinuje bowiem
złożoność obliczeniowązadania estymacji parametrów, a przez to
określacharakter
możliwychdo zastosowania technik szacowania
użyteczności cząstkowych.
Metoda gromadzenia danych ma
również decydujący wpływna poziom
wiarygodnościocen dokonywanych przez respondentów. Wynika to
z faktu,
żeprzy
dużejliczbie atrybutów i
dużejliczbie ich poziomów
(wartości)dra-
matycznie
rośnieliczba
możliwychkombinacji (wariantów) przedstawianych res-
-
Q-
,--
l
_ _ _j
\
,----~ l-IONANO\'A : Kroskal ( !965) lPREFI-IAP Carroll (1973)
L!Nl\IAP Shocker 1 l Snn1Yasan 1
(1977)
.OLS
l
___j Źródło: [1].
Dotychczaso\\y rozwóJ metod estymacj1 UZ)1ecznoścl cząstkowych
· · - - -- ·-··-
~letody pełnego
porolitu 1\yboruJ
L _
l
Zm1enne
Ciągle
Pekelman 1 Sen (1979) Breuon-Ciark Herman (1988)
K~rshnamunhi l 1\'llllnk
(1989)
'CJgranJczone poz1omy atr)·butów
QoM>mJ
porządko\\e (koleJnOŚcwwe)
Snm\·asan, Jain 1 t--lalhorta
(1983)
SegmentacJa
składnikowa
Green 1
DeSarbo (1979) Skalowam e
optymalne Hagertv (l 98 5)
Analiza skup1en Kamakura
(1988)
_L_---~---
Dane samO\\)')aśniaJące 1 profile \V)'boru
Pełne profile
\\)'boru
---,
l i
OgranJczema monotoniczne 1·an der Lans
l-letodv hybrydo;, .•
Green, Goldberg 1 t--lontemayor (1981)
ACA 1 l CASEt.IAP (adaplaCIJna
l
1 Srini1·asanco•yo1nt
l
(l 988)analp1s)
Johnson . 1 SnmYasan
1 Hmer l 1990)
Green (1984)
(1987)
l
J 1 (1989) l\'j11er i'' l
J L._j
Rvs. l . Klasyfikacja metod est)macji
u~teczności cząstkowychw modelach eonjoint analysis
pondentowi
·wcelu uszeregowania rangowego. Pojawia
się wtakim przypadku pro- blem
zdolnościpercepcji i
rzetelności wskazań(rangowania). co ostatecznie
może zaważyćna wynikach
badańi ich
wartościpoznawczej .
Pelny proftl (ang . .filii profile) wyboru obejmuje zbiór wszystkich
możliwychwariantów.
będących kombinacjąatrybutów i ich poziomów. Liczba prezentowa- nych respondentowi wariantów jest równa iloczynowi poziomów poszczególnych atrybutów i
może przyjmować duże ·wartości.W takim przypadku stosuje
się tecłmiki
redukującerozmiar eksperymentu,
wykorzystując układy częściowoczynnikowe znane
wanalizie wariancji (np . uklad blokóv; loso"''Ych,
układbloków kompletnic losowych.
układkwadratu
laciłlskicgo. układkwadratu
grecko-łacińskiegoitp.).
Dane
Sa.JllO\Vyjaśniające(ang .
se!f~explicateddata) uzyskiwa11e
sąw dwóch kro- kach. W pierwszym kroku respondent ocenia poziomy atrybutów (przypisuje wagi poszczególnym poziomom). W drugim
za.śkroku respondent ranguje atrybuty (przy- pisuje wagi poszczególnym atrybutom).
Użyteczność cząstkowajest iloczynem dwóch wag - "agi poziomu i wagi atrybutu, natomiast
użyteczność całkowitawariantu jest
sumątych iloczynów
obliczonądla wszystkich atrybutów. Ten sposób gromadzenia danych nic jest zaliczany do tradycyjnych metod eonjoint analysis,
ponieważ
respondent nie otrzymuje do oceny pelnego obrazu danego obiektu (pro- duktu,
usługi). Wartość calkowitą użytccZilościuzyskuje
się wwyniku kompozycji ocen
cząslkO\vych.natomiast eonjoint analysi. 1 · jest
typową metodądekompozycyj-
ną
KlasycZila metoda najmniejszych kwadratów (a11g . OLS - Ordinary Least Squares Regression) jest
najczęściej stosowaną metodąestymacji parametrów addytywnego modelu conjotnt analysis
wprzypadku danych metrycznych.
Jeżeliw
modelu
vvystc;:pują więcej niżd'vvic zmiem1c wykorzystuje sic;: metodc; regres_p
\vielorakiej (a.Jlg.
multttJ!ere, l!,ression) . Konstruuje
sięwówczas model regrcsj1 wielorakiej ze Zillicnnynu sztucznymi postaci
1:Y~= h
0s+ h
1sXI.,· + h:.sX :_ _ , . + h
3_ , .X Js + ... + h
11sX
11" 'gdzie: h
1•h:. . .. .. b
11- parametry równania regresji.
b
0 -'vyraz wolny.
X
1•X
2 • __ .•X,, - zmienne sztuczne (np . zerojedynkowe),
s -
numer respondenta.
(2)
Przykładowe
Zinicm1c sztuczne o dwóch i trzech poziomach definiuje si((
następująco
IL s.
91-92]:Zm~CIU1a Poziom l zi t· ~,f!
Poziom
li- 1
lub
~micnna ~i
Poziom
IPoziom
li1 Szem:j na ten temat traktuje praca
l
l. s. 89-9'-JI.Zmie~ma _ ~_t· __ X
l? _X
qPoziom l l O
Poziom II O l Poziom
III - l - lgdzie:
j -numer zmiennej
Zi.
lub
Zmienna Z;
Poziom l Poziom
IIPoziom
III_L xJ!_ xą
l l
o
o o o
p , q - numery zmie1mych sztucznych X
P.X
q.W analizie regresji
zmienną zależnąjest ocena przypisana przez danego respon- denta poszczególnym wariantom.
Wpływ każdegopoziomu zmiennej na
ocenęprzy-
pisaną
wariantom przez danego respondenta
uwzględnia sięprzez wprowadzenie do modelu sztucznych zmiennych
niezależnych.Jak wiadomo liczba zmiennych sztucz- nych musi
byćmniejsza o jeden od liczby poziomów danej zmiennej nominalnej .
Na podstawie uzyskanych ocen szacuje
sięza
pomocąmetody najmniejszych kwadratów
użyteczności cząstkowedla
każdegorespondenta z osobna i
wartości średniedla badanej próby oraz
określa się relatywną ważność każdegoczynnika (zmiennej. atrybutu) w procesie wybom przez respondentów.
Relatywną ważność każdegoczynnika WJ dla respondenta
s określa sięza
pomocą formuły[l. s. 93]:
n~ax{ Uj
11 }-n~in{ Uj
11 }ws
= .l 1J
fh~x{u;,J·~;n{u;,J r (3)
gdzie: l lj
1 -użyteczność cząstkowa/-tego
wariantuj-t~jzn1iennej dla respondenta s,
1
j -
numer zmiennej.
1 1 -numer wariantu dla danej zmiennej}, s - numer respondenta.
Ponadto dla i-tego produktu i s-tego respondenta szacuje
się całkowitą użyteczność według
wzoru :
gdzie: lj - numer wariantu dla zmiennej
jw obiekcie
i.i -
numer obiektu .
bos - -..vyraz wolny dla respondenta
s.(4)
103
Na tej podstawie
można ustalić poprawnośćdopasowania danych teoretycznych (U;s) do danych empirycznych (oceny dokonane przez respondentów). Miernikiem dopasowania
może być współczynnikR.
Jedną
z
najwcześniejzaproponowanych metod estymacji parametrów w modelu eonjoint anafysis jest procedura monotonicznej analizy wariancji (ang.
MONANOVA - Monotonic Analysis of Variance) przedstawiona przez Krnskala w l 964 r. (zob. [ 12 ; 13 J) . Algorytm ten
zostałpierwotnie opracowany dla potrzeb niemetrycznego skalowania wielowymiarowych przestrzeni psychologicznych. Jest on jednak
takżepowszeclmie
stosowaną technikąniemetrycznej estymacji
użyteczności cząstkowych
w modelach eonjoint analysis.
Populamośćtej procedury
wiąże sięz
pewnościąz jej
przejrzystą ideąoraz implementacjami w kilku populamych programach komputerowych przeznaczonych zarówno do wielowymiarowego skalo- wania, jak i do szacowania
wartościparametrów w liniowych addytywnych mode- lach eonjoint analys1s.
MONANOVA"J. jest
niemetryczną procedurą odtwarzającą położenien obiektów w t-wymiarowej przestrzeni na podstawie znanego
uporządkowaniarangowego tych obiektów, uzyskanego np . za
pomocą badańankietowych.
Porządekrangowy stano- wi zatem punkt
wyjściaalgorytmu i jest
podstawądo wymaczenia
trójkątnejmacie- rzy !J. . której elementy B
if ilustrują różnice (niepodobieństwa) międzyobiektami
1orazj.
Wartości niepodobieństw porządkuje si~ rosnąco, uzyskując ciągmonotonicz- ny postaci :
(5)
n(n- l) gdzie : M=
2 - liczba elementów macierzy
trójkątnej!J., n - liczba obiektów.
Należy następnie znaleźć
takie
współrzędnen punktów (obiektów) w t-wymiaro- wej przestrzeni, dla których obliczone
odległości dij międzytymi obiektami w stop- niu
wystarczającym odtwarzają wartościmacierzy !J..
zachowującprzy tym
porządek rangowy (5).
Odległościdif
między parąpunktów
X;oraz xi w t-wymiarowej przestrzeni oblicza
si~ wedługwzoru :
dij =
:t (
xis-X js)2 (6)
.r-1
Wartości
niepodobiellstw o iJ i
odległościd iJ
pozwalają oszacować jakośćdopa- sowania
układuobiektów uzyskanego na podstawie danej konfiguracji
wspólrzęd-2 Charakterystykę metody oparto na pracach 112: 131.
nych do
układuobiektów uzyskanego na drodze pomiaru empirycmego (np. ankie- towego). Obliczone
odległości:d;
j ,d; i 'd;
j , ... ,d;
jl l 22 33 MM
(7)
mogą
nie
spełniaćwymogu
monotoni<:mości określonego zależnością(5). Poszukuje
się więc
w dalszym
ciągu wartościdiJ
możliwie najbliższych wartościomdl} , ale
jednocześnie spełniających relację monotonicmości.
tm .:
.... ,.. .... ....
d;,. 5: di ,. 5: d; ,. 5: .. . 5: d; ,. .
l l 22 33 MM
(8)
Za
poszukiwaną opty~al.ną konfiguracjępunktów przyjmuje
się tę,dla której poziom
odchyleńdiJ od diJ jest równy zero lub
możliwienajmnicjszy. Do pomiaru poziomu
odchyleń(oceny
poprawnościdopasowania konfiguracji) Kruskal
zaproponował wskaźnik
monnalizowanej sumy kwadratów reszt (ang. STRESS - Standarized Residual Sum ofSquares) postaci:
l~'= t<j
(9)
gdzie : dl}
-odległość między parąobiektów
X;oraz x 1
określonaprzez
danąmetry-
kę.
diJ - liczba rzeczywista
możliwie najbliższa odległościd,j .
Wartości
diJ
minimalizują wartość wskaźnikaS i
spełniają jednocześniewarunek
monotoniemości określony relacją
(8) .
Wartość współczynnikaS
zależy więc odkonfiguracji n punktów w t-wymiarowej przestrzeni: S( x
1•x
2 •...•x" ) , co prowadzi do zadania minimalizacji funkcji wielu zmiennych. Kruskal
wykorzystałdo
rozwiązania tego
zadan~a metodęnajszybszego spadku
(metodęgradientów)
3Do oszaco- wania
wartości d!i zaproponowałnatomiast algorytm
wykorzystujący ideęanalizy wariancji .
Obydwie metody (OLS i MONANOVA)
należądo
najczęściejwykorzystywa- n ych w empirycmych badaniach rynkowych i marketingowych, jako techniki esty- macji parametrów w modelach eonjoint anal ysis , a ich
udziałw ogól.ncj liczbie za-
stosowań
wszystkich technik estymacji przedstawia tab. l.
Efektywnośćtych metod
była
przedmiotem
badańporównawczych, zarówno empirycmych, jak i symulac)j- n ych. Wyniki
badań skłaniająbadaczy do
stwierdzeń, iżwybór metody estymacji
1 W literaturze przedmiotu wskazuje się na niską efektywność tej metody (np. [4]).
105
Tabela l
Udział
metod OLS i MONANOVA
wogólnej liczbie
zastosowańtechnik cstymacji
Odselek i'aslosowmi
Metoda eslvmacji w Europie w U~A
{li~icc 1986-czerwiec 1991) ( styczel1 l 981 -grudzicil l 985)
OLS 59 54
MONANOVA 15 11
l lU H! 26 35
Zródło:
[20, s. 98j.
nie ma istotnego \· vplywu na uzyskiwane liczbowe oszacowania
wartościparame- trów. Niemniej jednak wyniki tego rodzaju badrui
częstotrudno jest w sposób precy- zyjny
porównywać.Wynika to z faktu .
żemetody estymacji
ulegająrozmaitym ewolucjom i modyfikacjom, zarówno
wsferze teoretycznej, jak i w sferze implemen- tacji komputerowych . Nie
możnazatem wyników dotychczasowych badrui
traktowaćjako
rozstrzygnięćkategorycznych i ostatecznych.
Z podobnym dystansem
należy się odnosićdo danych przedstawionych w tab. l.
Po pierwsze, w badaniach empirycznych metryczne procedury estymacji
są częstostosowane
równieżwówcz.:'ls. gdy dane mierzone
sąna skalach slabszych (nominal- nej lub por:z.:1dkowej). Po drugie. o wyborze
określonejmetody estymacji
częstome
decydują przesłanki
merytoryczne. lecz
dostępneoprogramowanie komputerowe.
Rozwój techniki komputerowej stwarza znakomite warunki do popularyzacji i powszechnego.
równieżkomercyjnego stosowania metody eonjoint analysis . Efek- tywne wykorzystanic tej metody nie jest bowiem
możliwebez odpmviedniego. spe- cjalistycznego oprogrrunowania komputerowego.
Pośródprogramów komputero- wych
zawierającychimplementacje algorytmów eonjoint analysis do najbardziej po- pularnych
należą:SPSS
CategoricsC~J.Adaptive Conjoint Analysis fim1y Sawtooth Software. pakiet programów eonjoint analysis firmy Bretton-Ciark, PC-MDS . lntelligent Marketing System ·s oraz pakiety opracowane w
ośrodkachnaukowych.
które vvniosly ogromny
wkładw rozwój metod eonjoint ana/y.\'1.\' i skalowania wJelo- wymiarowego, a
więcBell Laboratories
wMurray Hill i Michigan
wAnn Arbor.
Większość
oprogramowania jest przeznaczona do wykorzystania na komputerach
klasy IBM/PC
pracującychpod
kontroląsystemu MS-DOS lub Windows. a niektóre
z nich
funkcjonują równieżw systemie UNIX.
LITERATURA
III
Ca1Toll J D .. Green P. E.: f'syc!tometric Met/t{)(/s in Marketing Researclt: Part l. Cnnjoint Ana(vsis. ,,Joumal ofMarketiug Rcscarch" 1995 nr 32, (November), s. 385-391.121 Cook C. (i.: ('onsumer Pn{erence.fvr New Honw ( 'ltamcterisctics Using C'onjoint Analysis to Develope lnterval(v Scaled l'refemces from Uank Ordered Allrilmte ( 'ombinalions. Georgia Stale University 1987.
131 Coombs C. 1-L Dawes R. M .. Tversky A.: H'/Jmwadzenie do psychologii matematycznej. War- szawa: PWN 1977.
141 Czenniliski J. 13., lwasicwicz A., !'uszek Z .. Sikorski A.: Metoc(v statystyczne dla chemików.
Warszawa: PWN 1992.
15 l Dcbreu G.: Topological Netlwds in ( 'ardinal U tility Theo1:v. W: Arrow K. J, Karlin S., Suppes P.:
Mat/temalical A4odels in Social Sciences. Stanford lJniversity Press: Staulon.l 1960.
161 Fenwiek L: A U ser 's Guide to ( 'onjoint !11/easurement in l'vfarketing. ,.Europeru1 .Joumal o f Mar- keting·· 1978 nr 12, (2), s. 203-2 l l.
17] Green P. E., Rao V. R.: C 'onjoilll MeasurementfiJr Qzwnrijving Judgmental Data. "Joumal o f Marketing Research" l 971 nr 8, (Scptemher), s. l 03-123.
Pll
Green 1'. E., Srinivasan V.: C'onjoinr Ana(vsis in ( 'onsumer Research: hsues and Outlook . . .Joumal ofConsumcr Rcscan;h" l 978 nr 5, (Seplember), s. 103-123.191 Grcen P. E .. Srinivasan V.: ( 'onjoint Analysis in Markeling: New Develupmenls wirh /mplica- tions fiu· Researclt and Practice . . .Joumal o f Marketing'' l 990 nr 54. (October), s. 3-19.
11 O 1 Cireen l'. E .. Winu Y.: New Way to Measure Consumers' .ludgmenls. ,.1-.larvarc.l Husiness Rc- view'· 1975 nr 53, (Juty-August), s. 107-117.
lllj Kaczmarczyk S.: Badania marketingowe. łvfelof~V i techniki. War~zawa: PWE 1995.
Ił:! l Kruskal .l B.: Multidimensional Scaling hy Optimizing Uoodness ą( Fi t to a Nonrnetric 1/y- potht!sis . .. Psychometrika" l 964 nr 2 9, (l ), s. l-27.
1131 Kmskal .1. H.: Nonmetric 1\ fullidirnensional Scaling: a Nwnerical Method. ,.Psychometrika"
1964 Itr 29, (2), S. J l 5-129.
1141 Kmskal J. B.: Ana(vsis of Factorial Ex1'eriments by F:stimating Monotone Tran.rf'ormations of t/w Data . . .Joumal o!' the Royal Statist i cal Society" 1965 nr 27. {2), s. 251-263.
j15j Lilien lT. L., Kotter P .. MoarUty S. K.: Marketing Models. Englewood Clifls: Prenlice-Hall 19')2.
l16j Luce R. D .. Tukev J. W.: Simultaneous ( 'onjoinl J'vfeasurement: a New Iype o/ Fundamenlal i'v!easuremellf. ,)o umai ar Mathcmaticall'sychology" l %4 nr l, (february), s. 1-27.
117] Shepard R. N.: Stimulus and Response Cieneralization: a Stochastic Model Relating Generali- zation to l)istance in P.~vcholo?,ical Space. ,.Psychometrika" 1957 nr 32, s. 325-345.
liR l Shepard R. N.: The Analysis o(Proximilies: !11/ultidimensional Scaling with wr Unknown Dis- lance Frmcrion. ,.J>sychometrika" 1962 nr 27, s. 125-139, 21 9-246.
1191 Torgerson W. S.: Thern:vmui Merhoc/s r~(ScalinJ!.. New York: Wilcy 1958. 1201 Walesiak M.: Metodv analizy danych markeringowych. Wars7awa: PWN 1996.