Mds201903032. お品がき
• MDSの基礎
• MDSの特徴と長短所
• あらためて「距離」とは?
• YH定理と計量的(Metric)MDS
• 非軽量的(Non-Metric)MDS
• MDSの応用
• 個人差を表現する方法(INDSCAL)
• 地図に情報を描き加える方法(PREFMAP, Abelson Mappingなど)
• 非対称関係に拡張する方法(HFM, Asymmetric von Mises Scalingなど
)
伴走サイト;https://kosugitti.github.io/JSCP_MDS_2019/
3. Multi Dimensiona Scaling
その特徴・Pros and Cons
• 特徴;「距離」の情報だけから地図を作ること
• Pros;
• 被験者への負担・介入・仮定が少ないデータからスケールを
作る醍醐味
• 順序尺度水準のデータでOK
• 結果の空間に加筆修正できる自由度の高さ
• Cons;
• (データによるけど)結果の不安定さ
• 推定アルゴリズムを考えるとちょっと面倒なことが多い
10. dist関数
A B C D
1 # # # #
2 # # # #
3 # # # #
… # # # #
A B C
B #
C # #
D # # #下三角行列に変わる
15. 心理データとしての距
離• 尺度評定を用いる方法
• 刺激の混同率
• 代替価/連想価
• 刺激の汎化勾配
• 反応潜時
• ソシオメトリックなデータ
高根芳雄(1980)多次元尺度法,東京大学出版会
Si→Riの条件づけがあるとき,Pr(Ri|Sj)を類似性とする
2つの刺激が「同じ」か「違う」かを判断する課題
への反応潜時を類似性の指標とする
18. データから距離へ
v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
ケ
ス
を
分
類
し
た
い
の
?
変数を分類したいの?
ー
m×mの行列
N×Nの行列
行列の
分解へ
20. v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
データの相と元
• 相mode;変数セットの種類
• 元way;変数セットの組合せ回数
v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
変数
個人
変数×個人
二相二元データ
v1 v2 v3 v4 … … … … vm
1
2
3
.
.
.
.
.
.
N
時系列
変数×個人×時間
三相三元データ
36. INDSCALの特徴
• 重みwには推定のため, , などの
制約を課す
• INDSCALは共通次元ができるので,軸の回転などの自由
度はなく,その解釈が可能
• INDSCALの重み行列wは対角行列だけど,対角の制約を
外したIDIOSCALという手法もある
52. Hermitian Form Model
• 距離空間を複素空間に拡張すれば内積で距離を表せる
• 行列を対称部と歪対称部に分解し,歪対称部を虚数にし
たエルミート形式の距離行列を作ると,固有値が実数で
得られることが証明できるし,固有ベクトルが布置を表
す
歪対称部