MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Uyum Analizi

Uyum Analizianaliz

İki (ya da daha fazla) kategorik değişkenin çapraz tablosundaki ilişkiyi, satır ve sütun kategorilerini benzerliklerine göre az boyutlu bir haritaya yerleştirerek görsel olarak özetleyen yöntem.

Kavram

Büyük bir çapraz tabloda (ör. 6 meslek grubu × 5 tatil türü) ki-kare testi yalnız 'ilişki var' der; hangi kategorilerin birbirine benzediğini ya da birlikte görüldüğünü sayılara bakarak görmek zordur. Uyum analizi tabloyu bir haritaya çevirir: benzer profile sahip satırlar birbirine yakın, belirli bir sütunla birlikte sık görülen satırlar o sütuna doğru konumlanır.

Her satır kategorisinin profili (satır yüzdeleri) ile tüm verinin ortalama profili arasındaki uzaklık ki-kare uzaklığıyla ölçülür; aynı şey sütunlar için de yapılır. Tablodaki toplam değişkenlik inertia adını alır ve χ²/n'ye eşittir. Analiz bu inertiayı en çok açıklayan eksenleri bulur; ilk iki eksen genellikle toplam inertianın büyük kısmını taşır ve iki boyutlu harita bu eksenlerden çizilir. Her nokta için kütle (kategorinin göreli sıklığı), katkı (eksenin belirlenmesindeki payı) ve cos² (o noktanın haritada ne kadar iyi temsil edildiği) hesaplanır. Üç ya da daha fazla değişken için çoklu uyum analizi (MCA) kullanılır.

Uyum analizi betimsel ve keşifsel bir yöntemdir; tek başına bir hipotez testi değildir. Haritadaki uzaklıklar seçilen normalleştirmeye göre farklı yorumlanır: satır noktaları arasındaki uzaklıklar satır profillerinin benzerliğini gösterir, ama bir satır noktası ile bir sütun noktası arasındaki uzaklık her normalleştirmede doğrudan yorumlanamaz. Kalitesi düşük (cos² küçük) noktalar haritada yanıltıcı konumda olabilir. Seyrek kategoriler haritayı aşırı etkileyebilir.

Ne zaman kullanılır?

  • Çok kategorili iki değişken arasındaki ilişkinin yapısını, hangi kategorilerin benzer ya da birbiriyle bağlantılı olduğunu bir haritada görmek istendiğinde (pazar araştırması, ekoloji, anket analizi).
  • Yalnız ilişkinin var olup olmadığı soruluyorsa ki-kare bağımsızlık testi; ilişkinin modellenmesi ve hipotez sınanması gerekiyorsa log-doğrusal model daha uygundur.
  • Üç ya da daha fazla kategorik değişken birlikte incelenecekse çoklu uyum analizi (MCA); değişkenler sürekliyse temel bileşenler analizi kullanılır.

Gündelik bir örnek

Bir seyahat acentesi 800 müşterisinin meslek grubunu (öğrenci, öğretmen, sağlıkçı, esnaf, emekli) ve tercih ettiği tatil türünü (deniz-kum, doğa yürüyüşü, kültür turu, şehir gezisi) bir çapraz tabloda topluyor. Uyum analizinin haritasında öğrenciler şehir gezisine, emekliler kültür turlarına, öğretmenler doğa yürüyüşüne yakın yerleşebilir; esnaf ise deniz-kum tatiliyle birlikte görülebilir. Birinci eksen toplam inertianın ör. %70'ini açıklıyorsa acente, müşterilerini büyük ölçüde tek bir 'hareketli-dinlendirici tatil' ekseninde ayrıştırdığını görür ve kampanyalarını buna göre hedefler.

MerQur'da parametreler

Satır kategorisi ve Sütun kategorisi

Kavram: Haritası çizilecek çapraz tablonun satır ve sütun değişkenleridir. Uyum analizi iki değişkeni simetrik ele aldığı için yer değiştirmek çözümü değiştirmez; yalnız hangi kategorilerin 'satır', hangilerinin 'sütun' noktası olarak gösterildiği değişir.

Gündelik örnek: Acente örneğinde satır değişkeni meslek grubu, sütun değişkeni tatil türüdür. İkisinin yeri değiştirilse harita aynı yapıyı gösterir, yalnız noktaların etiket türü değişir.

Ne işe yarar: Kontenjans tablosunun satır ve sütun değişkenini seçer.

Sonuca etkisi: Yön değişimi özdeğerleri, χ²'yi ve nokta istatistiklerini değiştirmez; satır ve sütun rolleri yer değiştirir.

Doğrulama verisinde: smoking x rank ile rank x smoking aynı özdeğerleri ve χ²'yi verir.

Boyut sayısı

Kavram: Haritanın kaç eksenle özetleneceğini belirler. Her eksen toplam inertianın bir kısmını açıklar; genellikle ilk iki eksen yeterlidir, ama ilk iki eksenin açıkladığı pay düşükse daha fazla boyuta bakmak gerekir. En fazla boyut sayısı, satır ve sütun kategori sayılarından küçük olanın bir eksiğidir.

Gündelik örnek: 5 meslek × 4 tatil türü tablosunda en fazla 3 boyut vardır. İlk iki eksen inertianın %92'sini açıklıyorsa iki boyutlu harita tablonun hemen hemen tüm bilgisini taşır.

Ne işe yarar: Koordinat ve nokta tanılarının (kalite, katkı, cos²) kaç boyutta verileceğini belirler; çoğu zaman 2'dir, birikimli inertia %80-90'a ulaşana dek artırılır.

Sonuca etkisi: Boyut başına koordinat sütunu ekler; kalite gösterilen boyutların cos² toplamı olduğundan artar. Özdeğer listesi değişmez. Üst sınır min(I, J) - 1'dir (5 x 4 tabloda 3); 2 x 3 tabloda tek boyut, tek eksenli grafik ve not satırı verilir.

Doğrulama verisinde: smoke'ta 2 -> 3 boyutta Senior_mngr kalitesi 0.8926 -> 1.0000 (doymuş çözüm).

→ Atalet (inertia), tekil değerler ve profiller

Normalleştirme (Principal (satır ve sütun), Simetrik (SPSS, √σ), Satır principal, Sütun principal)

Kavram: Satır ve sütun noktalarının haritada nasıl ölçekleneceğini belirler. Principal normalleştirmede satır noktaları arasındaki ve sütun noktaları arasındaki uzaklıklar doğrudan profil benzerliğini gösterir; satır ya da sütun principal normalleştirme ise bir taraftaki kategorilerin diğer taraftaki kategorilere göre konumunu (biplot) yorumlamaya daha uygundur. İnertia ve katkılar bu seçimden etkilenmez.

Gündelik örnek: Acente 'hangi meslek grupları tatil tercihleri bakımından birbirine benziyor?' diye soruyorsa principal normalleştirme uygundur. 'Öğretmenler hangi tatil türüne yöneliyor?' diye soruyorsa satır principal biplot daha doğru bir okuma sağlar.

Ne işe yarar: Harita koordinatlarının ölçeğini belirler: principal (iki taraf σ ile), simetrik (iki taraf √σ ile), satır principal, sütun principal. Satır-sütun ilişkisi (biplot) için simetrik veya satır/sütun principal, kategori benzerliği için principal kullanılır (Greenacre, 2007).

Sonuca etkisi: Yalnız "Koordinatlar" bölümü, biplot ve başlık değişir; inertia, χ², kütle, katkı ve cos² normalleştirmeden bağımsızdır.

Doğrulama verisinde: Senior_empl ve None Dim1: principal 0.3806 / 0.3933; simetrik 0.7279 / 0.7522; satır principal 0.3806 / 1.4385; sütun principal 1.3920 / 0.3933 (işaret kuralı ile).

→ Atalet (inertia), tekil değerler ve profiller

Ek satır kategorileri ve Ek sütun kategorileri

Kavram: Çözümün hesaplanmasına katılmayan, ama profilleri sonradan haritaya yerleştirilen kategorilerdir. Bir karşılaştırma grubunu ya da dış bir dağılımı, haritanın eksenlerini değiştirmeden aynı uzayda göstermeyi sağlar.

Gündelik örnek: Acente geçen yılın müşteri profilini ya da yalnız yurt dışı tatil alanların dağılımını ek satır olarak ekleyebilir. Bu nokta haritada nereye düşüyorsa o grubun bu yılki ana müşteri kitlesine göre hangi tatil türlerine yakın olduğu görülür.

Ne işe yarar: Adı geçen kategoriler çözümü belirlemez; profilleri sonradan haritaya izdüşürülür. Dış bir karşılaştırma dağılımını (ulusal oran, alt grup) çözümü bozmadan konumlar.

Sonuca etkisi: O kategorideki gözlemler etkin tablodan çıkarılır; ek noktalar seçilen normalleştirmeyle ölçeklenip ayrı bölümde ve grafikte gösterilir. Veride olmayan ad için uyarı yazılır.

Doğrulama verisinde: National (ek satır) principal (0.2584, 0.1176), Nondrink (0.1148, 0.3620); "None" ek sütun (-0.2916, -0.1873). Simetrik normalleştirmede National (0.4941, 0.3719).

→ Ek (pasif) noktalar

Profiller ve tekil değerler

Kavram: Satır ve sütun profilleri, her kategorinin kendi içindeki yüzde dağılımıdır ve harita bu profillerin karşılaştırılmasına dayanır. Tekil değerler ve özdeğerler her eksenin ne kadar inertia taşıdığını, χ² payı ise her eksenin toplam ilişkiye katkısını gösterir.

Gündelik örnek: Emeklilerin satır profili ör. '%10 deniz-kum, %15 doğa, %55 kültür, %20 şehir' olabilir; ortalama profilden en çok kültür turunda ayrıldıkları için haritada kültür turu yönüne çekilirler.

Ne işe yarar: Satır profilleri (satır yüzdeleri), sütun profilleri; boyut başına tekil değer, özdeğer ve χ² payı (n·σ²).

Sonuca etkisi: Ek tablolar.

Doğrulama verisinde: Senior_mngr satır profili None 0.3636, Light 0.1818, Medium 0.2727, Heavy 0.1818; boyut χ² 14.429 / 1.933 / 0.080.

→ Atalet (inertia), tekil değerler ve profiller

MCA değişkenleri (2+)

Kavram: Üç ya da daha fazla kategorik değişkenin ortak yapısını tek bir haritada inceleyen çoklu uyum analizini çalıştırır. MCA'da ham inertia yüzdeleri eksenlerin önemini olduğundan küçük gösterdiği için Benzécri ya da Greenacre düzeltmeli yüzdeler yorumda tercih edilir.

Gündelik örnek: Acente meslek ve tatil türünün yanına yaş grubu ve konaklama tercihini (otel, pansiyon, kamp) de eklerse MCA dört değişkenin kategorilerini aynı haritaya koyar; ör. 'genç, öğrenci, kamp, doğa yürüyüşü' kümesi bir köşede toplanabilir.

Ne işe yarar: İşaretlenen kategorik değişkenlerle çoklu uyum analizi yapar (gösterge matrisi CA'sı); üç ve daha çok kategorik değişkenin ortak yapısını keşfeder. Yorumda Benzécri veya Greenacre düzeltmeli inertialar tercih edilir (Greenacre, 2007, bölüm 19).

Sonuca etkisi: Ayrı MCA bölümü: inertia (λ), %λ/Σλ, Benzécri düzeltmeli inertia, Benzécri ve Greenacre yüzdeleri, kategori principal koordinatları. Eksik değerler listwise silinir; tek değişken işaretlenirse uyarı yazılır.

Doğrulama verisinde: ISSP A-D (n = 871): λ₁ = 0.45738; Benzécri 0.07646; Greenacre yüzdesi 44.91 ve 34.20; Benzécri yüzdesi %50.73. Cars 7 değişken n = 334, American (-0.4035, 0.8129).

Gerçek veride örnek

Veri: Greenacre (1984) smoke verisi; Stata ca, R ca

Değişkenler: satır kategorisi rank (personel grubu), sütun kategorisi smoking (sigara içme düzeyi)

  • Soru: Personel grubu (5 düzey) ile sigara içme düzeyi (4 düzey) arasındaki ilişkinin yapısı iki boyutlu bir haritada nasıl görünür? (N = 193)
  • Bağımsızlık: Pearson χ²(12) = 16.44, p = .172; ilişki istatistiksel olarak anlamlı değildir, bu nedenle harita betimsel olarak yorumlanmalıdır.
  • Atalet: Toplam atalet = χ²/N = 0.0852. Birinci boyut ataletin %87.76'sını (λ1 = 0.0748), ikinci boyut %11.76'sını açıklar; iki boyut birlikte %99.51.
  • Birinci boyut: Sigara içmeyenler (None, +0.393; katkı 0.654) ile kıdemli çalışanlar (Senior_empl, +0.381; katkı 0.512) bir uçta, ağır ve orta içiciler ile genç çalışan ve genç yöneticiler diğer uçtadır: boyut "içmeme - içme" karşıtlığıdır.
  • İkinci boyut: Genç yöneticiler (-0.243) ve kıdemli yöneticiler (-0.194) ağır içicilere (-0.198) yakındır; bu boyut ağırlıkla yönetici grupları tarafından belirlenir.
  • Kalite: Tüm noktaların iki boyuttaki temsil kalitesi yüksektir (0.89 ile 1.00).
  • APA: Uyum analizinde ilk iki boyut toplam ataletin %99.5'ini açıkladı (λ1 = 0.075, λ2 = 0.010); χ²(12, N = 193) = 16.44, p = .172.

İlgili kavramlar

Atalet (inertia), tekil değerler ve profillerEk (pasif) noktalarÖzdeğer ve özvektörBiplotListe bazında ve çift bazında silme

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.