Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 3

first rewind previous Page / 1 next fast forward last

Search results

help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Gravity Unfolding Analysis for Asymmetric Similarities Matrix

100%
Zaborski A., Wroclaw Univeristy of Economics C. o. E. a. C. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2013
|
vol. 286
EN
The multidimensional unfolding analysis which uses in the structure the gravity function allows consideration and analysis of additional factors (such as market share or brand loyalty), which affect the assessments of respondents preference scores. In classical unfolding models these factors are ignored or assumed to be the same for all objects. The gravity unfolding analysis can also be used for graphical presentation of the data contained in the asymmetric similarity matrix expressing information about changes in respondents’ preferences in a definite period. As a result, instead of the configuration of points representing objects and respondents, the configuration of points representing objects at different periods is obtained.
PL
Wielowymiarowa analiza unfolding wykorzystująca w swojej konstrukcji funkcję grawitacji pozwala na uwzględnienie w analizie dodatkowych czynników (takich jak udział w rynku lub lojalność względem marki), które mają wpływ na oceny preferencji respondentów. W klasycznej analizie unfolding udział ten jest ignorowany lub przyjmuje się, że jest on taki sam dla wszystkich obiektów. Grawitacyjna analiza unfolding może być również wykorzystana do graficznej prezentacji danych zawartych w niesymetrycznej macierzy podobieństw. Macierz taka zawiera informacje na temat zmian preferencji respondentów w pewnym okresie. W rezultacie nie otrzymujemy na mapie percepcyjnej, tak jak w przypadku analizy unfolding, konfiguracji punktów i respondentów, ale konfigurację punktów reprezentujących obiekty w różnych okresach.
2
Publication available in full text mode
Content available

Geometrical Presentation of Preferences by Using Profit Analysis and R Program

89%
Zaborski A., Pełka M., Wroclaw Univeristy of Economics C. o. E. a. C. S., Wroclaw Univeristy of Economics C. o. E. a. C. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2013
|
vol. 285
EN
PROFIT is a kind of external vector analysis of preference mapping. It is a combination of multidimensional scaling and multiple regression analysis. PROFIT takes as input both a configuration of stimulus points and a set of preference rankings of the different properties of the stimuli. For stimulus space obtained by multidimensional scaling multiple regression is performed using the coordinates as independent variables and attribute as the dependent variable. The program locates each property as a vector through the configuration of points, so that it indicates the direction over the space in which the property is increasing. The article presents PROFIT analysis and the R code to carry out the method. The function is illustrated with an example of application in the analysis of consumer preferences.
PL
PROFIT jest przykładem „zewnętrznej” wektorowej metody map preferencji. Jest ona połączeniem skalowania wielowymiarowego i analizy regresji wielorakiej. Danymi wejściowymi w analizie PROFIT są zarówno współrzędne punktów reprezentujących obiekty na mapie percepcyjnej jak również oceny preferencji obiektów ze względu na wybrane zmienne. Dla konfiguracji punktów reprezentujących obiekty otrzymanej za pomocą skalowania wielowymiarowego przeprowadza się analizę regresji wielorakiej, w której zmiennymi objaśniającymi są współrzędne obiektów na mapie percepcyjnej, a zmiennymi zależnymi oceny marek ze względu na poszczególne cechy. Program dokonuje rozmieszczenia na mapie percepcyjnej zmiennych w postaci wektorów wskazujących kierunek maksymalnej preferencji ze względu na daną zmienną. Artykuł jest prezentacją analizy PROFIT oraz składni poleceń programu R, pozwalającej na jej realizację. Sposób użycia funkcji zilustrowano przykładem badania preferencji.
3
Publication available in full text mode
Content available

Cluster Analysis – Symbolic vs. Classical Data

89%
Wilk J., Pełka M., Wroclaw Univeristy of Economics C. o. E. a. C. S., Wroclaw Univeristy of Economics C. o. E. a. C. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2013
|
vol. 286
EN
Clustering problem is addressed in many contexts and disciplines. Although there are numerous studies on cluster analysis, there is a lack of a review to complete and systematize knowledge of research approach depending on data form. The paper presents a concept of clustering, classifications of cluster analysis methods, comparison of numerical and symbolic taxonomy, specificity of symbolic data as regards classical data, methods of numerical and symbolic data analysis applicable in clustering procedure.
PL
Celem artykułu jest usystematyzowanie wiedzy na temat analizy skupień w zależności od rodzaju danych empirycznych opisujących problem badawczy. W artykule zaprezentowano cele analizy skupień, dokonano klasyfikacji metod analizy skupień, porównano metody taksonomii numerycznej i symbolicznej. Omówiono także specyfikę danych symbolicznych w odniesieniu do danych w ujęciu klasycznym oraz ich źródła w badaniach ekonomicznych. Wskazano metody statystyczne, jakie mają zastosowanie w analizie danych klasycznych i symbolicznych na każdym etapie procedury klasyfikacji.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.