Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
Для оценки межгрупповых различий в другом методе ANOSIM вычисляется
статистика R, являющаяся некоторой модификацией коэффициента корреляции. Она
187
всегда находится в интервале [-1; +1] и основана на разности средних рангов различия
объектов между группами b и различия внутри групп w:
R
=
(4
nn
(
wb
)
-
4/)1
-
, где n – общее
число анализируемых объектов. Отрицательное значение R свидетельствуют о том, что
внутренняя неоднородность сформированных групп настолько велика, что превышает
межгрупповые отличия, а чем ближе ее значение к +1, тем больше различаются
сформированные группы. Статистическая значимость эмпирического значения статистики
R оценивается с помощью описанного выше перестановочного теста.
Применение методов MRPP и ANOSIM в представленном примере дало
основания сделать следующие выводы (см. табл. 5.6):
° поскольку качество разбиения основывается только на внутригрупповых
расстояниях, оцениваемые статистики А и R почти всегда монотонно возрастают с
увеличением числа классов, в связи с чем они не могут быть использованы для поиска
оптимальной группировки;
° методы излишне либеральны к отклонению нулевой гипотезы и найденное
разбиение практически всегда оказывается статистически значимым.
Таблица 5.6. Оценка качества разбиений пробных площадок в дельте р. Волга
с использованием методов MRPP и ANOSIM
Показатель
Внутригрупповое расстояние dobs
(dsim = 1.136)
Внутригрупповая однородность А
R-статистика ANOSIM
Р-значение (MRPP и ANOSIM)
4
0.84
0.261
0.734
0.001
Количество классов разбиения
18
0.537
40
0.400
11
0.605
0.467
0.934
0.001
0.618
0.938
0.001
0.648
0.974
0.001
60
0.327
0.712
0.983
0.001
В дополнение к этой теме следует отметить, что если предположить, что данные,
составляющие каждый кластер, являются нормально распределенными, то можно
использовать методы разделения смесей (ЕМ-алгоритм), а выбор оптимального числа
классов осуществлять на основе AIC-критерия.
К разделу 5.5:
# Алгоритмы оценки оптимальности разбиения на классы