Cтраница 2
Поэтому переменная CUTASIAN дает большой отрицательный вклад в дискриминантные значения, а переменная CUTAID - небольшой положительный вклад. Функция 1 отличается от той, что мы получаем из стандартизованных коэффициентов, которые довольно велики и имеют противоположные знаки. Переменные ANTIYUGO и ANTINEUT сильно кор-релированы ( 0 767), поэтому они дают большие вклады в противоположные направления и погашают друг друга. Анализ подобных ситуаций приводит нас к выводу, что структурные коэффициенты позволяют лучше интерпретировать канонические и дискриминантные функции, чем стандартизованные коэффициенты. [16]
Стандартизованные коэффициенты рефессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор х, изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты рефессии Д сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов рефессии в отличие от коэффициентов чистой рефессии, которые несравнимы между собой. [17]
Стандартизованные коэффициенты регрессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор х, изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты рефессии Д сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов рефессии в отличие от коэффициентов чистой рефессии, которые несравнимы между собой. [18]
Эти результаты подразумевают наличие положительной коррелицни между парами переменных. Если корреляция отрицательна, может наблюдаться противоположный эффект. На практике наличие множественных корреляций сильно затрудняет интеграцию стандартизованных коэффициентов. [19]
Способ приведения переменных к стандартной форме зависит от того, нормируются ли исходные значения наблюдений. Если исходные данные неприведены к стандартной форме, соответствующие им коээффициенты будем называть нестандартизованными. Обозначение и как раз и относится к этим коэффициентам, а соотношение ( 5) показывает как значение v переходит в значение и. Стандартизованные коэффициенты будут рассмотрены в следующем разделе. Обычно нестандартизованные коэффициенты используются для вычисления дискриминантных значений. [20]
Если для приведения коэффициентов к стандартному виду используется матрица W, то дискриминантные переменные должны быть стандартизованы к общему среднему и межгрупповым стандартным отклонениям. Если же применяется матрица Т - переменные должны быть приведены к общему среднему и к общему стандартному отклонению. На практике для вычисления дискрими-иантных значений мы обычно имеем дело с наблюдаемыми значениями переменных и нестандартизованиыми коэффициентами дискриминантной функции. Стандартизованные коэффициенты используются только для проведения интерпретации. [21]
Стандартизованные коэффициенты рефессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор х, изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты рефессии Д сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов рефессии в отличие от коэффициентов чистой рефессии, которые несравнимы между собой. [22]
Стандартизованные коэффициенты регрессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор х, изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты рефессии Д сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов рефессии в отличие от коэффициентов чистой рефессии, которые несравнимы между собой. [23]
Поэтому переменная CUTASIAN дает большой отрицательный вклад в дискриминантные значения, а переменная CUTAID - небольшой положительный вклад. Функция 1 отличается от той, что мы получаем из стандартизованных коэффициентов, которые довольно велики и имеют противоположные знаки. Переменные ANTIYUGO и ANTINEUT сильно кор-релированы ( 0 767), поэтому они дают большие вклады в противоположные направления и погашают друг друга. Анализ подобных ситуаций приводит нас к выводу, что структурные коэффициенты позволяют лучше интерпретировать канонические и дискриминантные функции, чем стандартизованные коэффициенты. [24]
Структурные коэффициенты дают информацию, несколько отличную от той, которая относится к стандартизованным коэффициентам. Стандартизованные коэффициенты показывают вклад переменных в значение дискриминантной функции. Это является одним из подходов к определению значимости переменной. Однако этот подход имеет серьезное ограничение. Если две переменных сильно коррелированы, то их вклад в дискриминантное значение должен разделяться, даже при значительном совместном вкладе. Соответственно их стандартизованные коэффициенты могут быть меньше по сравнению с теми случаями, когда используется одна из этих переменных. Это происходит из-за того, что в стандартизованных коэффициентах одновременно принимается во внимание влияние всех переменных. [25]
Структурные коэффициенты дают информацию, несколько отличную от той, которая относится к стандартизованным коэффициентам. Стандартизованные коэффициенты показывают вклад переменных в значение дискриминантной функции. Это является одним из подходов к определению значимости переменной. Однако этот подход имеет серьезное ограничение. Если две переменных сильно коррелированы, то их вклад в дискриминантное значение должен разделяться, даже при значительном совместном вкладе. Соответственно их стандартизованные коэффициенты могут быть меньше по сравнению с теми случаями, когда используется одна из этих переменных. Это происходит из-за того, что в стандартизованных коэффициентах одновременно принимается во внимание влияние всех переменных. [26]