Wordfish
Wordfish, Slapin ve Proksch (2008) tarafından geliştirilen, belgeleri gizil boyutlar üzerinde ölçeklendirmeye yönelik istatistiksel bir modeldir. Wordscores gibi referans tabanlı yöntemlerin aksine, Wordfish, referans metinlere veya manuel açıklamalara ihtiyaç duymadan kelime frekanslarını ve belge konumlarını birlikte tahmin etmek için bir Poisson üretken model kullanır. Özellikle politika pozisyonlarındaki zaman serisi değişikliklerini tahmin etmek için kullanışlıdır ve birden çok dildeki belgeleri eş zamanlı olarak ölçeklendirebilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Referans metinler olmadan belgeleri gizil bir boyut üzerinde ölçeklendirmek, zaman içinde belge konumlarını karşılaştırmak (yasama organı konuşmaları yıllara göre) veya birden çok dildeki metinleri ölçeklendirmek istediğinizde Wordfish'i uygulayın. Referans metinlerin mevcut olmadığı veya referans materyalleri seçme öznelliğinden kaçınmak istediğiniz durumlarda idealdir. Karşılaştırılabilir belgelerden oluşan büyük derlemlerle iyi çalışır.
Güçlü yönler & sınırlılıklar
- Referanssız: referans metinlere gerek yok, öznel dayanak noktası seçiminden kaçınır
- Zaman-dinamik: zaman periyotları boyunca konum değişikliklerini izlemeye doğal olarak uzanır
- Çok dilli yetenekli: kelime sözlükleri hizalanırsa farklı dillerdeki belgeleri eş zamanlı olarak ölçekleyebilir
- Teorik olarak temellendirilmiş: açık varsayımlara sahip açık Poisson modeline dayanır
- Kelime düzeyinde teşhisler: hangi kelimelerin gizil boyutu yönlendirdiğini ortaya koyan kelime ayrımcılık skorları sağlar
- Tek boyutlu: standart Wordfish tek bir boyutu tahmin eder; çok boyutlu uzantılar ek modelleme gerektirir
- Poisson varsayımı: kelime sayımları, özellikle uzun belgelerde veya nadir kelimelerde Poisson dağılımlarını takip etmeyebilir
- Yakınsama zorlukları: EM tahmini büyük derlemler için yavaş olabilir ve başlatmaya duyarlıdır
- Yorum belirsizliği: referans tabanlı yöntemlerin aksine, gizil boyut yalnızca yansıma ve rotasyona kadar tanımlanır
SSS
Wordfish, Wordscores'tan nasıl farklıdır?
Wordscores, bilinen konumlara sahip referans metinler gerektirir; Wordfish, konumları yalnızca kelime dağılımlarından tahmin eder. Wordfish, denetimsiz analiz ve zaman serisi uygulamaları için daha iyidir ancak daha az harici doğrulama sunar. Wordscores daha şeffaftır ancak referans kalitesine büyük ölçüde bağlıdır.
Kelime ayrımcılık skorları bana ne anlatır?
Kelime ayrımcılığı (psi), bir kelimenin sıklığının belge konumuyla ne kadar değiştiğini ölçer. Yüksek ayrımcılık, kelimenin gizil boyuttaki belgeler arasında güçlü bir şekilde ayrım yaptığını gösterir. Ancak, yüksek ayrımcılık boyutun anlamlı olduğunu garanti etmez; her zaman harici ölçütlere karşı doğrulayın.
Wordfish boyutunu bilinen dayanak noktalarıyla hizalamak için döndürebilir miyim?
Evet. Konumları tahmin ettikten sonra, dayanak belgeleri (örneğin, bilinen sol ve sağ partilerin manifestoları) belirleyebilir ve Wordfish boyutunu, dayanak noktalarının beklenen konumlarla hizalanması için doğrusal olarak döndürebilirsiniz. Bu, temel model uyumunu değiştirmeden yorumlamaya yardımcı olur.
Belge uzunluğu Wordfish tahminlerini nasıl etkiler?
Uzun belgeler daha fazla kelime sayımı varyasyonuna sahip olacak ve potansiyel olarak yakınsamayı etkileyecektir. Wordfish, farklı belge uzunluklarını hesaba katmak için belge düzeyinde ofsetler (beta_d) içerir, bu nedenle tahminler sağlam olmalıdır. Ancak, aşırı kısa belgelerin konum tahminleri güvenilmez olabilir.
Wordfish farklı dillerdeki belgeleri ölçekleyebilir mi?
Evet, belgeler yeterli ortak kelime dağarcığına sahipse veya diller arasında sözlükleri hizalarsanız. Ancak, saf çapraz dilli Wordfish, kelime anlamlarının diller arasında aktarıldığını varsayar ki bu genellikle gerçekçi değildir. Dil-spesifik Wordfish modelleri ve ardından hizalama daha güvenilir olabilir.
Kaynaklar
- Slapin, J. B., & Proksch, S. O. (2008). A scaling model for estimating time-series party positions from texts. Journal of Politics, 70(3), 554-569. DOI: 10.1111/j.1540-5907.2008.00338.x ↗
- Proksch, S. O., & Slapin, J. B. (2009). How to avoid pitfalls in statistical machine learning for social science. Political Analysis, 20(3), 343-357. link ↗
- Benoit, K., Muhr, D., & Spirling, A. (2016). Crowd-sourced text analysis: Reproducible and distributed production of political data. American Political Science Review, 110(2), 278-295. DOI: 10.1017/S0003055416000058 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Wordfish. ScholarGate. https://scholargate.app/tr/psychometrics/wordfish
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Keşifsel Yapısal Eşitlik ModellemesiPsikometri↔ karşılaştır
- Bulanık ANOVAPsikometri↔ karşılaştır
- Gizil Geçiş AnaliziPsikometri↔ karşılaştır
- Kısmi En Küçük Kareler Yapısal Eşitlik ModellemesiPsikometri↔ karşılaştır
- WordscoresPsikometri↔ karşılaştır