Upload
apu
View
228
Download
1
Embed Size (px)
DESCRIPTION
Luento 6: Ryhmittelyanalyysi ja erotteluanalyysi. Petri Nokelainen. [email protected] http://www.uta.fi/~petri.nokelainen. Kasvatustieteiden yksikkö Tampereen yliopisto. Sisältö. 1. Johdanto 2. Ryhmittelyanalyysin rajoituksia 3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla - PowerPoint PPT Presentation
Citation preview
Luento 6: Ryhmittelyanalyysi ja erotteluanalyysi
Petri Nokelainen
Kasvatustieteiden yksikköTampereen yliopisto
[email protected]://www.uta.fi/~petri.nokelainen
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
1. Johdanto
• Ryhmittelyanalyysin (klusterianalyysi, cluster analysis, CA) kehittäjänä pidetään R. C. Tryonia (1939).
• Ryhmittelyanalyysi pyrkii ryhmittelemään joko havaintoja (vastaajat) tai muuttujia (kyselylomakkeen väittämät) mahdollisimman samankaltaisiin ryhmiin (klustereihin).– Vastaavan tyyppisiä analyyseja ovat erotteluanalyysi
(discriminant analysis, DA) ja luokitteluanalyysi (classification analysis, CA).
• Ryhmittelyanalyysia voidaan verrata myös faktorianalyysiin, mutta ilman latentin piirteen oletusta.– Normaali faktorianalyysi ryhmittelee muuttujia, mutta on myös
olemassa ns. Q-faktorointi jossa havaintomatriisi on käännetty ja pyritäänkin ryhmittelemään vastaajia latentin piirteen mukaisiin faktoreihin.
General Linear Model (GLM)
ezz xy (3.2)
k
ixiy ezz
i1
(3.3)
k
ixim
p
iyjm ezz
imjm11
(3.4)
Pearsonin tulomomenttikorrelaatiokerroin (r) 1, jatkuva 1, jatkuva
X (IV) Y (DV)
Monimuuttujaregressioanalyysi (Multivariate RA) n, jatkuva n, jatkuvaMonimuuttujavarianssianalyysi (MANOVA) n, epäjatkuva n, jatkuvaErotteluanalyysi (LDA) n, jatkuva n, epäjatkuvaFaktorianalyysi (EFA) n, latentti n, jatkuvaPääkomponenttianalyysi (PCA) n, latentti n, jatkuvaRyhmittelyanalyysi (CA) n, jatkuva n, jatkuva
Regressioanalyysi (Multiple RA) n, jatkuva 1, jatkuvaVarianssianalyysi (n-way ANOVA) n, epäjatkuva 1, jatkuvaKahden ryhmän erotteluanalyysi (Two-group LDA) n, jatkuva 1, dikotominen
DV IV Kovariaatit Analyysi
1 diskr.
Ei Log.regressio
n jatkuvaa ja/tai diskr. Joitakin Seq. log.regressio
Ei Yksis. DFn jatkuvaa
Joitakin Seq. yksis. DF
n diskr. Ei Fakt. DF
n jatkuvaa
Joitakin Seq. fakt. DF
n disk. Logit
n jatkuvaa Ei Ryhmittelyanalyysin jatkuvaa
Ryhmä-jäsenyyden
ennustaminen
Ryhmä-jäsenyyden
ennustaminen
1. Johdanto
• Ryhmittelyanalyysi sisältää useita sovelluksia, joista yleisimmin käytetään K-keskiarvo (K-Means) ja hierarkkista (Hierarchical) menetelmää.– Havaintoja ryhmittelevä K-keskiarvo ryhmittelyanalyysi
pyrkii ryhmittelemään havainnot keskiarvoiltaan mahdollisimman paljon toisistaan poikkeaviin ryhmiin.
– Havaintoja (vastaajia) ryhmittelevä hierarkkinen ryhmittelyanalyysi on luonteeltaan eksploratiivinen menetelmä, jossa tarkoituksena on jakaa havainnot mahdollisimman paljon toisistaan poikkeaviin ryhmiin.
– Muuttujia (väittämät) ryhmittelevä hierarkkinen ryhmittelyanalyysi on myös luonteeltaan eksploratiivinen menetelmä, nyt muuttujat pyritään jakamaan toisistaan eroaviin ryhmiin.
1. Johdanto
• K-keskiarvo ryhmittelyanalyysi on parametrinen menetelmä, jossa muuttujien mittaukset tulisi olla suoritettu vähintään välimatka-asteikolla.
• Hierarkkinen ryhmittelyanalyysi soveltuu lisäksi myös järjestys- ja nominaaliasteikollisille muuttujille.
• Molemmat menetelmät perustuvat kombinatoristen algoritmien käytölle, jolloin jokainen havainto sijoitetaan ryhmään ilman oletusta aineiston ”aiheuttavasta” taustalla olevasta todennäköisyysmallista.– Muita lähestymistapoja ovat sekajakaumamallinnus (mixture
modeling, esim. bayesilainen lähestymistapa) ja mode seeking (epäparametrinen lähestymistapa).
1. Johdanto
• Ryhmittelyanalyysi perustuu yleensä havaintojen tai muuttujien välisten Euklidisten etäisyyksien laskemiselle:
• Yleensä havaintoarvot standardoidaan ennen analyysia jotta eri asteikot eivät aiheuttaisi vinoumia tuloksiin. – Jos kaikki muuttujat on mitattu samalla asteikolla,
standardointia ei tarvita (usein tämä on tilanne esim. kyselylomakkeen väittämien kohdalla).
2'' )(),( jiijjiijj xxxxd
1. Johdanto
1. Johdanto
• Jos muuttujien mittaustaso on järjestysasteikollinen, voidaan hierarkkisessa ryhmittelyanalyysissa käyttää Euklidisen etäisyyden laskemisen sijaan Khiin neliöön perustuvaa laskentaa.– SPSS: Analyze – Classify – Hierarchical Cluster
Analysis • Method: Measure: Counts (Chi-square measure)
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi SPSS-ohjelmalla
(havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi SPSS-ohjelmalla
(muuttujien ryhmittely)6. ErotteluanalyysiLähteet
2. Ryhmittelyanalyysin rajoituksia
• K-keskiarvo ryhmittelyanalyysi on parametrinen menetelmä, jossa muuttujien mittaukset tulisi olla suoritettu vähintään välimatka-asteikolla.– Tulosten tulkinta on järkevää suurillakin aineistoilla.– Tutkijan on ennen analyysia asetettava oletus ryhmien
(klustereiden) lukumäärästä (jokin luku joka on suurempi tai yhtä suuri kuin 2).
2. Ryhmittelyanalyysin rajoituksia
• Hierarkkinen ryhmittelyanalyysi soveltuu lisäksi myös järjestys- ja nominaaliasteikollisille muuttujille.– Tulosten tulkinta kärsii suuresta otoskoosta, yleensä
havaintojen määrä on enimmillään noin 50.– Voidaan käyttää eksploratiivisesti eli ”louhia aineistosta” (data
mining) ilman etukäteisoletusta n kappaletta klustereita.
2. Ryhmittelyanalyysin rajoituksia
• Ryhmittelyanalyysi on kokeellinen menetelmä, joka ei tuota helposti raporteissa esitettäviä ”objektiivisia” tunnuslukuja -> tutkijan vastuulle jää tulkita tulos tieteellisesti uskottavalla tavalla ja kuvata lukijalle mitä analyysin tulos käytännössä tarkoittaa.
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
3. K-keskiarvo ryhmittelyanalyysi
• Tässä esimerkissä käytettävä aineisto on kerätty vuoden 2001 tammikuussa Helsingin, Joensuun, Tampereen, Oulun ja Kuopion avoimen yliopiston verkkokursseille osallistuneilta opiskelijoilta Internetissä olevalla kyselylomakkeella.
• Aineistossa on 143 miestä (49.8 %) ja 132 naista (49.1 %). Sukupuolitieto puuttuu kolmelta vastaajalta (1.1%). Yhteensä vastaajia on 269.
• Lomakkeessa on 28 Howard Gardnerin ’Multiple Intelligence’ -teoriaan (1983) liittyvää väittämää, joihin on vastattu seitsemänportaisella asteikolla (1 = Väittämä ei pidä lainkaan paikkaansa … 7 = Väittämä pitää täysin paikkansa).
3. K-keskiarvo ryhmittelyanalyysi
• Esimerkissä tarkastellaan vastaajien jakautumista kahden vahvuusalueen, kielellisen ja matemaattisen, suhteen.
• Analyysin tarkoituksena on tunnistaa erilaisia vastaajaryhmiä suhteessa em. vahvuusalueisiin.
3. K-keskiarvo ryhmittelyanalyysi
• Kumpikin vahvuusalue on analyysissa edustettuna summamuuttujan välityksellä (kieli_mean ja matem_mean) johon on tallennettu neljän yksittäisen väittämän keskiarvo.
• Kielellistä vahvuutta kuvaava summamuuttuja kieli_mean:– m04 Kirjoittaminen on minulle luonteva tapa ilmaista itseäni.– m40 Olen hiljakkoin kirjoittanut jotain sellaista, josta olen
erityisen ylpeä tai josta sain tunnustusta.– m56 Kielikuvat ja rikkaat kielelliset ilmaisut auttavat minua
oppimaan tehokkaasti.– m70 Äidinkieli ja/tai yhteiskunnalliset aineet olivat minulle
koulussa helpompia kuin matematiikka, fysiikka ja kemia.
3. K-keskiarvo ryhmittelyanalyysi
• Matemaattista vahvuutta kuvaava summamuuttuja matem_mean:– m01 Matematiikka, fysiikka tai kemia kuului lempiaineisiini
koulussa.– m30 Minua viehättää monimutkaisten ongelmien kanssa
työskentely ja niiden ratkaisu.– m39 Nautin peleistä tai "aivopähkinöistä", jotka vaativat loogista
ajattelua.– m54 Päässälasku on minulle helppoa.
3. K-keskiarvo ryhmittelyanalyysi
• SPSS: Analyze – Classify – K-Means Cluster• Variables: kieli_mean, matem_mean• Number of Clusters: 2• Method: Iterate and classify • Save…: Cluster membership, Distance from cluster
center– Luo datamatriisiin kaksi uutta muuttujaa, joista
ensimmäinen saa arvon 1 tai 2 kunkin vastaajan kohdalla (osoittaa kumpaan klusteriin vastaaja kuuluu) ja toinen muuttuja ilmoittaa kunkin vastaajan Euklidisen etäisyyden lähimmän klusterin keskipisteeseen (osoittaa kuinka lähellä ryhmän yleistä mielipidettä kyseinen vastaaja on).
• Options: Initial cluster centers, ANOVA table.
3. K-keskiarvo ryhmittelyanalyysi
QUICK CLUSTER kieli_mean matem_mean /MISSING=LISTWISE /CRITERIA= CLUSTER(2) MXITER(10) CONVERGE(0) /METHOD=KMEANS(NOUPDATE) /SAVE CLUSTER DISTANCE /PRINT INITIAL ANOVA.
Lopulliset ryhmäkeskukset
Vasemmanpuoleisen taulukon perusteella voidaan nähdä että ensimmäinen klusteri koostuu vastaajista, joilla on vahvemmat itse arvioidut kielelliset kuin matemaattiset kyvyt. Vastaavasti toisessa klusterissa on enemmän matemaattisesti kuin kielellisesti orientoituneita henkilöitä.
Oikeanpuoleisesta taulukosta näemme, että ensimmäiseen klusteriin kuuluu 128 ja toiseen 141 vastaajaa (yhteensä 269 vastaajaa). Koska vastaajia on suurin piirtein sama määrä molemmissa ryhmissä, ryhmittelyanalyysin tulosta voidaan pitää tulkintakelpoisena.
Final Cluster Centers
5,02 3,14
3,83 5,44
kieli_mean
matem_mean
1 2
Cluster
Number of Cases in each Cluster
128,000
141,000
269,000
,000
1
2
Cluster
Valid
Missing
ANOVA
237,535 1 ,815 267 291,285 ,000
174,806 1 ,833 267 209,907 ,000
kieli_mean
matem_mean
Mean Square df
Cluster
Mean Square df
Error
F Sig.
The F tests should be used only for descriptive purposes because the clusters have been chosen tomaximize the differences among cases in different clusters. The observed significance levels are notcorrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means areequal.
Varianssianalyysi
Varianssianalyysin tulokset esittävä taulukko osoittaa, että analyysiin valitut kaksi muuttujaa pystyvät ryhmittelemään tehokkaasti vastaajia eri klustereihin.
Jos Sig. (p-arvo) olisi suurempi kuin .05, muuttujan poistamista kannattaa harkita, koska se ei tuo merkittävää lisäinformaatiota ryhmittelyyn.
Ryhmäjäsenyydet
Vasemmanpuoleisessa taulukossa on ensimmäisen klusterin jäsenten sukupuolijakauma, oikeanpuoleisessa toisen.
Verrattaessa sukupuolijakaumia ja kahden klusterin ryhmäkeskuksia havaitsemme, että tässä aineistossa naiset ovat omasta mielestään miehiä enemmän kielellisesti orientoituneita (70.3% vs. 28.9%) ja miehet puolestaan ovat naisia enemmän matemaattisesti orientoituneita (68.8% vs. 29.8%).
sukupua
37 28,9 29,1 29,1
90 70,3 70,9 100,0
127 99,2 100,0
1 ,8
128 100,0
Mies
Nainen
Total
Valid
NAMissing
Total
Frequency Percent Valid PercentCumulative
Percent
Cluster Number of Case = 1a.
sukupua
97 68,8 69,8 69,8
42 29,8 30,2 100,0
139 98,6 100,0
2 1,4
141 100,0
Mies
Nainen
Total
Valid
NAMissing
Total
Frequency Percent Valid PercentCumulative
Percent
Cluster Number of Case = 2a.
Klustereiden visuaalinen tarkastelu
Antamalla SPSS –ohjelmassa komento Graphs – Legacy dialogs – Scatter/Dot – Simple Scatter - Define, saadaan määriteltyä ryhmittelyanalyysin visuaalinen esitys:Y Axis: kieli_mean.X Axis: matem_mean.Set Markers by: Cluster Number of Case [QCL_1] (tämä muuttuja luotiin ryhmittelyanalyysin ensimmäisessä vaiheessa).
GRAPH /SCATTERPLOT(BIVAR)=matem_mean WITH kieli_mean BY QCL_1 /MISSING=LISTWISE .
Klustereiden visuaalinen tarkastelu
Kuvassa olevat pisteet edustavat vastaajia, yksi piste voi kuvata useampaa kuin yhtä vastaajaa. Ryhmittelyanalyysi on pystynyt erottelemaan kaksi vastaajajoukkoa toisistaan hyvin.
K-keskiarvo ryhmittelyanalyysin raportointi
• K-keskiarvo ryhmittelyanalyysin avulla selvitettiin erilaisia vastaajaryhmiä itse raportoidun kielellisen ja matemaattisen osaamisen suhteen. Analyysi toteutettiin kahden klusterin mallilla teoreettisen oletuksen mukaisesti. Vastaajat muodostivat kaksi ryhmää (klusteria, ks. Taulukko 1), joista ensimmäisessä olivat ne henkilöt jotka painottivat enemmän kielellistä osaamistaan (naiset n=90, 70.3%; miehet n=37, 28.9%), ja toisessa vastaavasti matemaattisemmin orientoituneet henkilöt (naiset n=42, 29.8%; miehet n=97, 68.8%).
Taulukko 1. Ryhmittelyanalyysin lopulliset ryhmäkeskukset (N=269)
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
4. Hierarkkinen ryhmittelyanalyysi (havaintojen ryhmittely)
• Tarkastelemme seuraavaksi ainoastaan matemaattisen vahvuusalueen ryhmittelyvoimaa satunnaisesti poimitun (n=67) aliotoksen kohdalla (koko aineisto N=269).
4. Hierarkkinen ryhmittelyanalyysi (havaintojen ryhmittely)
• SPSS: Analyze – Classify – Hierarchical Cluster• Variables: matem_mean.• Cluster: Cases.• Display: Statistics, Plots.• Plots: Dendogram.• Method: Between-groups linkage, Squared Euclidean
distance, Transform Values: Z scores By variable. • Save…: Single solution, Number of clusters: 2
– Luo datamatriisiin uuden muuttujan, joka ilmoittaa arvolla 1 tai 2 kunkin vastaajan klusterin.
4. Hierarkkinen ryhmittelyanalyysi (havaintojen ryhmittely)
CLUSTER /MATRIX IN ('C:\tmp\MI.sav') /METHOD BAVERAGE /PRINT SCHEDULE /PLOT DENDROGRAM.
Dendogrammi
Satunnaisen aliotoksen (~20%, n=67) dendogrammista voidaan päätellä että vastaajat jakautuvat kahteen pääklusteriin (josta toisessa on 12 ja toisessa 55 jäsentä).
Dendogrammisukupua
2 16,7 16,7 16,7
10 83,3 83,3 100,0
12 100,0 100,0
Mies
Nainen
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Average Linkage (Between Groups) = 2a.
yopistoa
6 50,0 50,0 50,0
1 8,3 8,3 58,3
3 25,0 25,0 83,3
2 16,7 16,7 100,0
12 100,0 100,0
Helsinki
Joensuu
Tampere
Kuopio
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Average Linkage (Between Groups) = 2a.
Dendogrammin perusteella voidaan tarkastella kunkin vastaajan yksilökohtaisia tietoja, esimerkiksi pienemmän klusterin ( ) 12 vastaajasta kaksi (16.7%) on miehiä ja 10 (83.3%) on naisia. Puolet tämän klusterin jäsenistä opiskelee Helsingin yliopistossa (n=6), loput jakautuvat Joensuun, Tampereen ja Kuopion kesken.
Dendogrammi
Suuremman klusterin ( ) jäsenten sukupuoli on jakautunut tasaisesti (45.5 % miehiä ja 50.9 % naisia). Myös yliopistot ovat tässä klusterissa tasaisesti edustettuina.
sukupua
25 45,5 47,2 47,2
28 50,9 52,8 100,0
53 96,4 100,0
2 3,6
55 100,0
Mies
Nainen
Total
Valid
NAMissing
Total
Frequency Percent Valid PercentCumulative
Percent
Average Linkage (Between Groups) = 1a.
yopistoa
11 20,0 20,0 20,0
11 20,0 20,0 40,0
13 23,6 23,6 63,6
17 30,9 30,9 94,5
3 5,5 5,5 100,0
55 100,0 100,0
Helsinki
Joensuu
Tampere
Oulu
Kuopio
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Average Linkage (Between Groups) = 1a.
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
5. Hierarkkinen ryhmittelyanalyysi (muuttujien ryhmittely)
• Tässä esimerkissä tutkimme neljän kielellistä ja neljän matemaattista vahvuusaluetta mittaavan väittämän kykyä ryhmittyä omien pääulottuvuuksiensa mukaisesti (ts. ”löytää toiset samanhenkiset väittämät”).
• Aineiston koko on 269.
5. Hierarkkinen ryhmittelyanalyysi (muuttujien ryhmittely)
• Kielellistä vahvuutta mittaavat väittämät:– m04 Kirjoittaminen on minulle luonteva tapa ilmaista itseäni.– m40 Olen hiljakkoin kirjoittanut jotain sellaista, josta olen
erityisen ylpeä tai josta sain tunnustusta.– m56 Kielikuvat ja rikkaat kielelliset ilmaisut auttavat minua
oppimaan tehokkaasti.– m70 Äidinkieli ja/tai yhteiskunnalliset aineet olivat minulle
koulussa helpompia kuin matematiikka, fysiikka ja kemia.
5. Hierarkkinen ryhmittelyanalyysi (muuttujien ryhmittely)
• Matemaattista vahvuutta mittaavat väittämät:– m01 Matematiikka, fysiikka tai kemia kuului lempiaineisiini
koulussa.– m30 Minua viehättää monimutkaisten ongelmien kanssa
työskentely ja niiden ratkaisu.– m39 Nautin peleistä tai "aivopähkinöistä", jotka vaativat loogista
ajattelua.– m54 Päässälasku on minulle helppoa.
5. Hierarkkinen ryhmittelyanalyysi (muuttujien ryhmittely)
• SPSS: Analyze – Classify – Hierarchical Cluster• Variables: m04,m40,m56,m70,m01,m30,m39,m54.• Cluster: Variables.• Display: Statistics, Plots.• Plots: Dendogram.• Method: Between-groups linkage, Squared Euclidean
distance, Transform Values: Z scores By variable.
5. Hierarkkinen ryhmittelyanalyysi (muuttujien ryhmittely)
CLUSTER /MATRIX IN ('C:\tmp\MI.sav') /METHOD BAVERAGE /PRINT SCHEDULE /PLOT DENDROGRAM.
Dendogrammi
Hierarkkinen ryhmittelyanalyysi osoitti, että kielellistä (m04,m40,m56,m70) ja matemaattista (m01,m30,m39,m54) vahvuutta mittaavat väittämät muodostivat vastaajien vastausten (N=269) perusteella kaksi ryhmää teoreettisen oletuksen mukaisesti.
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
General Linear Model (GLM)
ezz xy (3.2)
k
ixiy ezz
i1
(3.3)
k
ixim
p
iyjm ezz
imjm11
(3.4)
Pearsonin tulomomenttikorrelaatiokerroin (r) 1, jatkuva 1, jatkuva
X (IV) Y (DV)
Monimuuttujaregressioanalyysi (Multivariate RA) n, jatkuva n, jatkuvaMonimuuttujavarianssianalyysi (MANOVA) n, epäjatkuva n, jatkuvaErotteluanalyysi (LDA) n, jatkuva n, epäjatkuvaFaktorianalyysi (EFA) n, latentti n, jatkuvaPääkomponenttianalyysi (PCA) n, latentti n, jatkuvaRyhmittelyanalyysi (CA) n, jatkuva n, jatkuva
Regressioanalyysi (Multiple RA) n, jatkuva 1, jatkuvaVarianssianalyysi (n-way ANOVA) n, epäjatkuva 1, jatkuvaKahden ryhmän erotteluanalyysi (Two-group LDA) n, jatkuva 1, dikotominen
DV IV Kovariaatit Analyysi
1 diskr.
Ei Log.regressio
n jatkuvaa ja/tai diskr. Joitakin Seq. log.regressio
Ei Yksis. DFn jatkuvaa
Joitakin Seq. yksis. DF
n diskr. Ei Fakt. DF
n jatkuvaa
Joitakin Seq. fakt. DF
n disk. Logit
n jatkuvaa Ei Ryhmittelyanalyysin jatkuvaa
Ryhmä-jäsenyyden
ennustaminen
Ryhmä-jäsenyyden
ennustaminen
Erotteluanalyysi
• Linear discriminant analysis (LDA), discriminant function analysis (DFA).
• Tavoitteena ryhmäjäsenyyden ennustaminen selittävien muuttujien (predictors) avulla.– Voiko työntekijän työnantajan (group1, group2,
group3) ennustaa motivaatiomittarin skaalojen (MF1, … , MF6) keskiarvojen perusteella?
Erotteluanalyysi
• MANOVA (ks. luento 3) testaa, liittyykö ryhmäjäsenyys keskiarvojen eroihin selitettävien muuttujien (DV) välillä.
• Erotteluanalyysiksi asia muuttuu jos vastaus on myönteinen, jolloin DV -muuttujayhdistelmää voidaan käyttää ennustamaan ryhmäjäsenyyttä.– Merkitsevä ero ryhmien välillä tarkoittaa sitä,
että annettuna tietty luku voidaan ennustaa mistä ryhmästä se tulee.
Erotteluanalyysi
• MANOVA:ssa IV-muuttujat ovat ”ryhmiä” ja DV-muuttujat ennustajia.
• Erotteluanalyysissa IV –muuttujat ovat ennustajia (predictors) ja DV –muuttujat ”ryhmiä” (groups, grouping variables, classification variables).
Erotteluanalyysi
• MANOVA ja LDA voidaan käsitellä kanonisen korrelaation (CC, ks. luento 4) erityistapauksina.– CC: tutkija poimii itse (jatkuvat) muuttujat vertailtaviin
ryhmiin.– CC: tutkitaan kahden muuttujaryhmän välisiä
vaikutussuhteita, esim.• Kuinka monella eri ulottuvuudella toisen muuttujaryhmän
muuttujat liittyvät toisen muuttujaryhmän muuttujiin?• Kuinka kahden muuttujaryhmän (canonical variate pairs)
väliset ulottuvuudet tulkitaan?• Miten voimakas on kahden muuttujaryhmän välinen
korrelaatio?
Erotteluanalyysi
IV1 Group Organization 1, 2, 3
IV2 Sex Male, Female
DV1 MF1 Intrinsic Goal Orientation
DV2 MF2 Extrinsic Goal Orientation
DV3 MF3 Meaningfulness of Study
DV4 MF4 Control Beliefs
DV5 MF5 Self-Efficacy
DV6 MF6 Test Anxiety
Erotteluanalyysi
MANOVA Erotteluanalyysi
DV2 MF2
DV3 MF3
DV4 MF4
DV5 MF5
DV6 MF6
DV1 MF1
IV1 Group
IV1 Sex
IV2 MF2
IV3 MF3
IV4 MF4
IV5 MF5
IV6 MF6
IV1 MF1
DV1 Group
DV1 Sex
Classification
Erotteluanalyysi
• Ennustuksen merkitsevyys.– Voiko ryhmäjäsenyyden ennustaa
luotettavasti ennustavien muuttujien avulla:• Voimmeko sattumaa paremmin ennustaa
kuuluuko uusi luokiteltava henkilö ryhmään 1, 2 tai 3 hänen motivaatioprofiilinsa perusteella?
– Vastaa yksisuuntaisen MANOVA:n IV –muuttujien päävaikutusten (main effects) tutkimista:
• Onko henkilön motivaatioprofiilien välillä ryhmäjäsenyydestä johtuvia eroja?
Erotteluanalyysi
• Merkitsevien erottelufunktioiden (discriminant function) lukumäärä.– Ryhmät voivat poiketa toisistaan useiden
ulottuvuuksien suhteen, esim. • Yrityksen toimiala (teollisuus – koulutus – palvelu)• Yrityksen kasvuorientaatio (matala – korkea)• Yrityksen työntekijöiden sukupuoli (miesvaltainen –
naisvaltainen)
Erotteluanalyysi
IV1Group Normal, dyslexy, ADHD1
IV2Sex Boy, Girl
DV1 ITPA Illinois Test of Psycholinguistic Ability
DV2 WISC Wechsler Intelligence Scale for Children
1 Attention Deficit Hyperactivity Disorder
Erotteluanalyysi
• Merkitsevien erottelufunktioiden tulkinta.– Ensimmäinen funktio erottelee tehokkaimmin,
seuraavat (ortogonaaliset) tarjoavat täydentävää tietoa, esim. mikä testipisteiden kokoonpano erottelee tehokkaimmin seuraavien ulottuvuuksien suhteen:
• DF1: ”Normaali” – lukemisen erityisvaikeus – ADHD
• DF2: Lukemisen erityisvaikeus – ADHD
Erotteluanalyysi
• Lineaariset erottelufunktiot.– Millä lineaarisilla yhtälöillä (painokertoimet)
voidaan diagnosoida uusi, datamatriisin ulkopuolelta tuleva tapaus?
– Mikä osa tapauksista on luokiteltu yhtälöiden perusteella oikein?
– Mitkä tapaukset on luokiteltu väärin?
Erotteluanalyysi
• Vaikutussuhteen voimakkuus.– Mikä on ryhmäjäsenyyden ja ennustajien
(predictors) välisen vaikutussuhteen voimakkuus?
• DF1: Jos ensimmäinen erottelufunktio jakaa subjektit kahteen ryhmään (”normaalit”, ”ei-normaalit”), kuinka paljon em. ryhmien variansseilla on päällekkäisyyttä testipistemäärien varianssien kanssa?
Erotteluanalyysi
• Ennustavien muuttujien tärkeys.– Mitkä ennustajista ovat tärkeimpiä
ennustettaessa ryhmäjäsenyyttä?• Mitkä motivaatioskaalojen testipisteet auttavat
kohdentamaan yrityksille suunnattua henkilöstökoulutusta?
• Mitkä testipisteet auttavat erottelemaan lukivaikeuksiset ja ADHD -oppilaat muista?
Erotteluanalyysi
• Yleisimmässä käyttötilanteessa on yksi diskreetti DV (luokittelu) muuttuja ja useita IV –muuttujia (ennustajat, prediktorit).
• DA on parhaimmillaan luonnollisesti muodostuneiden ryhmien parissa ts. sallii erot ryhmien koossa.
• Luokittelun osalta rajoituksia on hyvin vähän: – Pienimmässä ryhmässä tulee olla yhtä monta havaintoa
kuin asetelmassa on IV –muuttujia.– DA on herkempi poikkeaville havainnoille (outliers) kuin
jakauman vinoudelle (skewness).
Erotteluanalyysi
• Rajoituksia:– Varianssi-kovarianssimatriisien
homogeenisuus • Tarkastellaan kanonisten erottelufunktioiden
hajontakuvia ryhmittäin• SPSS –ohjelman Box´s M –testi• Jos vaatimukset eivät täyty:
– Prediktorien transformaatio– Erillisten kovarianssimatriisien käyttö (johtaa usein
ylisovitukseen)
Erotteluanalyysi
IV2
IV1
* *
*
IV1 ´
IV2´
Erotteluanalyysi
• Laskenta perustuu ryhmien sisäisen (Swg) ja välisen (Sbg) ristitulomatriisin vertailuun: Stotal = Swg + Sbg
• Wilksin Lambdan arvoon
liittyvä F-approksimaatio ja sen tilastollinen merkitsevyys (ns. ”p –arvo”) osoittavat, voiko luokittelumuuttujaa kuvata prediktorien avulla.
wg
bgwg
S
SS
Erotteluanalyysi
• WL –testin osoittaessa että ryhmien ja prediktorien välillä on vaikutussuhde, tarkastellaan em. vaikutussuhteen muodostavia lineaarisia erottelufunktioita.
• Lineaaristen erottelufunktioiden lukumäärä on joko prediktorien lukumäärä tai ryhmien df (kumpi on pienempi).– Jos ryhmiä on kaksi, tarvitaan vain yksi erottelufunktio.
Erotteluanalyysi
• Erottelufunktioita voidaan verrata regressioyhtälöihin, kullekin funktiolle on oma kerrointen joukko.
• Kunkin lapsen standardipisteet (ITPA1, WISC2) i:nnellä erottelufunktiolla:
Di = di1z1 + di2z2 + . . . + dipzp
1) Illinois Test of Psycholinguistic Ability
2) Wechsler Intelligence Scale for Children
d standardoitu DF kerroinz prediktorin standardipisteet
Erotteluanalyysi
• Luokittelussa kullekin ryhmälle kehitetään oma luokitteluyhtälö:
Cj = cj0 + cj1X1 + cj2X2 + . . . + cjpXp
cj0 vakiocj luokittelufunktion kerroinX prediktorin arvo
Erotteluanalyysi
• Kunkin vastaajan luokitteluyhtälön arvo (classification score) ratkaistaan ryhmittäin, ja vastaaja sijoitetaan korkeimman arvon saaneeseen ryhmään.
• Erikokoisten ryhmien tapauksessa voidaan ryhmäkoolle asettaa a priori todennäköisyys.– Useimmat tietokonesovellukset tekevät tämän
automaattisesti.
Sisältö
1. Johdanto2. Ryhmittelyanalyysin rajoituksia3. K-keskiarvo ryhmittelyanalyysi PASW/SPSS-ohjelmalla4. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (havaintojen ryhmittely)5. Hierarkkinen ryhmittelyanalyysi PASW/SPSS-
ohjelmalla (muuttujien ryhmittely)6. ErotteluanalyysiLähteet
Lähteet
Gardner, H. (1983). Frames of mind. New York: Basic Books.Hair, J. F. J., Anderson, R. E., Tatham, R. L., & Black, W. C.
(1995). Multivariate data analysis (4th ed.). Saddle River, NJ: Prentice Hall.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Data mining, inference and prediction. New York: Springer.
Huberty, C. J. (1994). Applied Discriminant Analysis. New York: John Wiley & Sons..
Metsämuuronen, J. (2003). Tutkimuksen tekemisen perusteet ihmistieteissä. Helsinki: International Methelp Ky.
Nummenmaa, L. (2009). Käyttäytymistieteiden tilastolliset menetelmät. Ensimmäinen painos, uudistettu laitos. Helsinki: Tammi.
Lähteet
Nummenmaa, T., Konttinen, R., Kuusinen, J., & Leskinen, E. (1997). Tutkimusaineiston analyysi. Porvoo: WSOY.
Tabachnick, B. G., & Fidell, L. S. (2007). Using Multivariate Statistics. Fifth Edition. Boston: Pearson.
Tryon, R. C. (1939/1970). Cluster analysis. New York: McGraw-Hill.