Sağlam Çok Boyutlu Ölçekleme (Robust MDS)
Robust Multidimensional Scaling · Ayrıca şöyle bilinir: Robust MDS, outlier-resistant MDS, robust proximity scaling
Sağlam çok boyutlu ölçekleme, aykırı veya hatalı yakınlık değerlerinden kaynaklanan bozulmalara direnç göstererek, çiftler arası farklılıklar matrisinden düşük boyutlu bir uzamsal harita kurtarır. Karesel hata kaybını sağlam bir kayıp fonksiyonuyla değiştirerek veya şüpheli çiftleri ağırlıklandırarak, bazı mesafeler büyük ölçüde tipik dışı olsa bile verinin çoğunluğunu sadakatle temsil eden bir yapılandırma üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Farklılık matrisiniz aykırı girişler içerebileceğinde — örneğin mesafeler gürültülü sensörlerden, kalabalık kaynaklı derecelendirmelerden veya bazı hücrelerin güvenilmez olduğu seyrek eş-oluşum sayımlarından türetildiğinde — sağlam MDS kullanın. Ayrıca, önleyici klasik MDS'nin şüpheli derecede bozulmuş bölgelere sahip bir harita ürettiği veya teorik bilginin birkaç çiftin alışılmadık koşullar altında ölçüldüğünü öne sürdüğü durumlarda da uygundur. Aykırı yakınlıklardan şüphelenmek için hiçbir nedeniniz olmadığında, ek karmaşıklığın standart MDS'ye göre hiçbir fayda sağlamadığı durumlarda sağlam MDS kullanmayın. Ayrıca, verileriniz ham çok değişkenli gözlemler yerine önceden hesaplanmış mesafelerse doğru araç değildir — bu durumda sağlam PCA veya sağlam faktör analizi düşünülmelidir. Çok küçük matrisler (yaklaşık 15 nesneden az) sağlam yeniden ağırlıklandırmanın stabilize olması için yeterli bilgi sunmaz ve klasik MDS yeterlidir.
Güçlü yönler & sınırlılıklar
- Aykırı veya hatalı farklılık girişlerinden kaynaklanan bozulmalara direnç göstererek, çoğunluk yapısına sadık bir harita üretir.
- Potansiyel veri kalitesi sorunlarını işaretleyen, kötü yeniden üretilen nesne çiftlerini tanımlar.
- Standart MDS'nin yorumlanabilirliğini korur — düşük boyutlu yapılandırma aynı şekilde görselleştirilebilir ve yorumlanabilir.
- Herhangi bir farklılık türüyle (Öklid, korelasyon tabanlı, uzman derecelendirmeleri) uyumludur, yalnızca simetrik bir yakınlık matrisi gerektirir.
- İteratif IRLS uygulaması, verimli SMACOF güncellemelerini yeniden kullanarak, orta düzeyde n için hesaplama açısından uygulanabilir hale getirir.
- Analistin sağlam bir kayıp fonksiyonu ve ayar sabiti seçmesini gerektirir ve sonuçlar bu seçime duyarlı olabilir.
- Küresel bir optimuma yakınsama garanti edilmez; birden fazla rastgele başlangıç önerilir.
- Hesaplama maliyeti, özellikle büyük n ve birçok IRLS yinelemesi için, klasik MDS'den daha yüksektir.
- Az ağırlıklandırılan çiftlerin yorumlanması, düşük ağırlıklı çiftlerin gerçek anormallikleri mi yoksa meşru aşırı farklılıkları mı yansıttığını değerlendirmek için alan bilgisi gerektirir.
SSS
Sağlam MDS, standart (klasik veya SMACOF) MDS'den nasıl farklıdır?
Standart SMACOF MDS, gözlemlenen ve yeniden üretilen farklılıklar arasındaki artıkların toplamını en aza indirir, bu nedenle tek bir aykırı çift yapılandırmayı güçlü bir şekilde bozabilir. Sağlam MDS, büyük artıkların etkisini sınırlayan bir kayıp fonksiyonu veya ağırlıklandırma şeması kullanır ve en aşırı değerlerden ziyade verinin çoğunluğundan kaynaklanan bir harita üretir.
Hangi sağlam kayıp fonksiyonunu kullanmalıyım?
L1 (mutlak değer) kaybı en basit ve aykırılara karşı en dirençli olanıdır ancak yakınsaması yavaş olabilir. Huber kaybı bir uzlaşma sunar: küçük artıklar için L2, büyük artıklar için ise L1 gibi davranır, bu bir ayar sabiti c ile kontrol edilir. Bisquare (Tukey) fonksiyonu çok büyük artıkları tamamen sıfırlar. Pratikte, bir Huber veya bisquare kaybı ile başlayın ve hassasiyeti değerlendirmek için ayar sabitini değiştirin.
Boyut sayısını seçmeme hala gerek var mı?
Evet. Standart MDS'de olduğu gibi, sağlam MDS'yi birkaç p değeri için (örneğin 1'den 5'e kadar) uydurmalı ve sağlam stresi p'nin bir fonksiyonu olarak incelemelisiniz. Stresin tatmin edici bir seviyeye düştüğü en küçük p'yi seçin — EFA'da faktör tutmaya benzer bir yamaç eğrisi mantığı.
Sağlam MDS, korelasyon tabanlı veya kategorik mesafeler gibi mesafesel olmayan farklılıkları işleyebilir mi?
Evet, sağlam MDS, nasıl oluşturulduğuna bakılmaksızın herhangi bir simetrik farklılık matrisi üzerinde çalışır. Ancak, farklılıklar üçgen eşitsizliğini önemli ölçüde ihlal ederse, MDS'nin geometrik varsayımları zorlanır ve yapılandırmayı dikkatli bir şekilde yorumlamalısınız.
Ne kadar örnek (nesne) boyutu gereklidir?
Tek bir eşik değeri yoktur, ancak sağlam yeniden ağırlıklandırma, sistematik yapıyı gürültüden ayırmak için yeterli çift gerektirir. Kaba bir kılavuz olarak, en az 20-30 nesne (190-435 çift verir) sağlam tahminciye yeterli bilgi sağlar. Çok küçük matrisler (15 nesneden az) için, klasik MDS genellikle yeterlidir.
Kaynaklar
- Hubert, L., Arabie, P. & Meulman, J. (2002). Linear unidimensional scaling in the L2-norm: Basic optimization methods using SMACOF. Journal of Classification, 19(2), 303–327. link ↗
- Buja, A., Swayne, D. F., Littman, M. L., Dean, N., Hofmann, H. & Chen, L. (2008). Data visualization with multidimensional scaling. Journal of Computational and Graphical Statistics, 17(2), 444–472. DOI: 10.1198/106186008X318440 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Multidimensional Scaling. ScholarGate. https://scholargate.app/tr/statistics/robust-multidimensional-scaling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çok Boyutlu Ölçekleme (ÇBÖ)İstatistik↔ karşılaştır
- Sağlam Kümeleme Analizi (TCLUST)İstatistik↔ karşılaştır
- Sağlam Uyum Analiziİstatistik↔ karşılaştır
- Sağlam Keşifsel Faktör AnaliziPsikometri↔ karşılaştır