WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 10 |

Результаты построения многомерной классификации обычно изображают в виде дерева иерархической структуры (дендрограммы), содержащего n уровней, каждый из которых соответствует одному из шагов последовательного укрупнения кластеров.

Существенным вопросом в кластерном анализе является установление необходимого и достаточного числа кластеров. Как правило, это число определяется из показателей однородности и близости кластеров – внутригрупповой вариации.

Пример 8.

Рассмотрим результаты кластерного анализа 10 уездов Новгородской губернии на основе земско-статистических данных, характеризующих крестьянское хозяйство Новгородской губернии на уездном уровне.

Исходя из содержательного анализа набора показателей поуездных сводок земских переписей, было выделено 19 относительных признаков группировки. Результаты построения с помощью кластерного анализа классификации 10 объектов (уездов Новгородской губернии) в 19-мерном пространстве признаков отражены на рис. 4.

Представленная дендрограмма наглядно раскрывает структуру классификации уездов Новгородской губернии в системе показателей крестьянского хозяйства. Исследуемые объекты разделились на три кластера, в каждый из которых вошли наиболее сходные в аграрном отношении уезды.

Близость их выражается межкластерным расстоянием. Образованные кластерами районы губернии можно условно именовать «северный» (I), «центральный» (II) и «южный» (III). В северный район входят три северных территориально смежных уезда – Белозерский, Тихвинский и Устюженский; в южный – два южных (Демянский и Валдайский); центральный район образуют три западных (Новгородский, Крестецкий и Старорусский) и два северо-восточных (Кирилловский и Череповецкий) уезда11.

Рис. 4. Структура многомерной классификации уездов Новгородской губернии (дендрограмма) Результаты кластерного анализа уездов Новгородской губернии подробно обсуждаются в статье: Шендерюк М.Г. Опыт многомерной группировки уездов Новгородской губернии // Северо-Запад в аграрной истории России: Межвуз.

темат. сб. науч. тр. / Калинингр. ун-т. Калининград, 1994. С.100-109.

2.7. Факторный анализ Методы корреляционного анализа позволяют выявить структуру взаимосвязей признаков, характеризующих изучаемое явление или процесс, но они не дают ответа на вопрос: чем обусловлена именно такая структура связей Известно, что связь между признаками может объясняться не только их взаимозависимостью, но и воздействием на рассматриваемые признаки неких общих, скрытых, глубинных причин – общих факторов, измерить которые непосредственно невозможно. Определить причины, обусловившие данную структуру взаимосвязей признаков, можно с помощью методов факторного анализа.

Факторный анализ – раздел многомерного статистического анализа, объединяющий методы анализа структуры множества признаков, характеризующих изучаемые явления и процессы, и выявления обобщенных факторов. Основное предположение факторного анализа заключается в том, что корреляционные связи между большим числом наблюдаемых показателей определяются существованием меньшего числа гипотетически наблюдаемых показателей или факторов.

Объясняя множество исходных признаков через небольшое число общих факторов, факторный анализ осуществляет сжатие информации, содержащейся в исходных коррелированных признаках.

Основными характеристиками факторного анализа являются факторные нагрузки и факторные веса.

Факторные нагрузки - это значения коэффициентов корреляции каждого из исходных признаков с каждым из выявленных факторов. Чем теснее связь данного признака с рассматриваемым фактором, тем выше значения соответствующих факторных нагрузок. Положительный знак факторной нагрузки указывает на прямую (а отрицательный знак – на обратную) связь данного признака с фактором. Значение факторной нагрузки, близкое к нулю, говорит о том, что этот фактор практически не влияет на данный признак.

Таблица факторных нагрузок (табл. 1) содержит m строк (по числу признаков) и k столбцов (по числу факторов).

Данные о факторных нагрузках позволяют судить о выборе исходных признаков, отражающих тот или иной фактор, и об относительной доле отдельных признаков в структуре каждого фактора.

Факторные веса – это количественные значения (мера проявления) выделенных факторов для каждого из n имеющихся объектов. Объектам с большими значениями факторных весов свойственна большая степень проявления свойств, присущих данному фактору, т.е. большая степень их развития в соответствующем фактору аспекте. В большинстве методов факторного анализа (например, в центроидном, в методе главных компонент, в методе экстремальной группировки параметров и др.) факторы определяются как стандартизированные показатели со средним арифметическим значением 0 и средним квадратическим отклонением 1. Поэтому положительные факторные веса соответствуют тем объектам, которые характеризуются степенью проявления свойств больше средней, а отрицательные факторные веса соответствуют тем объектам, в которых степень проявления свойств меньше средней.

Таблица Факторные нагрузки № признаков № факторов 1 2 … j … k 1 a11 a12 … a1 j … a1k a21 a22 … a2 j … a2k.

······················································ ai1 ai2 … aij … aik i ······················································.

am1 am2 … amj … amk m Вклады факторов V12 V22 … V … Vkj Таблица факторных весов (табл. 2) содержит n строк (по числу объектов) и k столбцов (по числу факторов).

Таблица Факторные веса № объектов № факторов 1 2 … j … k 1 b11 b12 … b1 j … b1k b21 b22 … b2 j … b2k.

······················································ bi1 bi2 … bij … bik i ······················································.

bn1 bn2 … bnj … bnk n Данные о факторных весах определяют ранжировку объектов по каждому фактору. Значения факторных весов можно рассматривать как значе ния индекса, характеризующего уровень развития объектов в рассматриваемом аспекте.

Факторные веса могут быть основой для классификации исследуемых объектов. Создание многомерной типологии на основе факторного анализа оказывается особенно эффективным, когда имеется большое число признаков, характеризующих совокупность объектов, а их содержательный отбор представляет значительные трудности – выбрать наиболее информативные критерии группировки бывает далеко не просто. В такой ситуации необходимо начать со «сжатия» информации, а затем проводить классификацию по любому из выделенных факторов. При этом даже если группировка осуществляется на основе лишь одного фактора, она будет многомерной, поскольку даже в этом случае учитываются несколько исходных показателей.

Примером эффективного использования факторного анализа в историческом исследовании служит работа И.Д.Ковальченко и Л.И.Бородкина, посвященная изучению аграрной структуры районов Европейской России на рубеже XIX-XX веков12. Факторный анализ аграрного развития губерний Европейской России позволил исследователям не только охарактеризовать основные компоненты аграрной структуры и определить их сравнительные доли, но и получить обобщенные характеристики общего уровня аграрного развития отдельных районов и губерний страны.

Надо отметить, что область аграрно-исторических исследований является наиболее широким полем применения факторного анализа. Так, например, интересны результаты многомерной классификации 290 общин Симбирской губернии по данным 34 исходных показателей земских подворных переписей, осуществленной К.Б.Литваком на основе метода экстремальной группировки параметров факторного анализа13. С целью получить модели хозяйства зажиточного, беднейшего и среднего крестьянства автор объединил 34 исходных показателя в один фактор хозяйственной состоятельности крестьянского хозяйства, затем всю совокупность из общин разбил на три группы. По мнению К.Б.Литвака, такая методика значительно эффективнее традиционных методов классификации, поскольку в данном случае отпадает проблема выбора критериев группировки, а образовавшиеся группы селений более однородны.

См.: Ковальченко И.Д., Бородкин Л.И. Структура и уровень развития районов Европейской России на рубеже XIX-XX веков (Опыт многомерного анализа) // История СССР. 1981. №1.

См.: Литвак К.Б. О пределах информативности пообщинных сводок земских переписей при изучении типов крестьянских хозяйств // Математические методы и ЭВМ в исторических исследованиях. М., 1985.

В данном разделе были рассмотрены основные методы математической статистики, нашедшие самое широкое применение в исторических исследованиях. При этом за пределами изложения остались такие важные сюжеты, как статистический анализ динамических рядов, анализ взаимосвязей качественных признаков, дисперсионный анализ и др. Для освоения этих методов рекомендуется обращение к специальной литературе и пакетам статистических программ (например, к пакету STATISTICA).

Раздел 3. ИСТОЧНИКОВЕДЧЕСКИЕ ЗАДАЧИ 3.1. Компьютерное источниковедение В клиометрических исследованиях трудно отделить этап исторического построения от собственно источниковедческого анализа, поскольку все они нацелены на решение конкретных исторических проблем путем освоения новых комплексов массовых источников или извлечения из источника новой, скрытой, информации, т.е. так или иначе носят источниковедческий характер. В связи с этим в центре внимания клиометристов всегда стояли задачи адекватной формализации и репрезентации информации источника, создания баз данных, учитывающих специфику исторических источников.

«Микрокомпьютерная революция» конца 80-х – начала 90-х годов привела к тому, что из квантитативной истории выделилось особое направление, ориентированное на компьютерные технологии анализа исторических источников, - историческая информатика. Предмет и содержание новой дисциплины определены в первом в нашей стране учебнике по исторической информатике, созданном сотрудниками лаборатории исторической информатики им. академика И.Д. Ковальченко кафедры источниковедения Московского государственного университета им. М.В. Ломоносова14.

Историческая информатика – это научная дисциплина, изучающая закономерности процесса информатизации исторической науки и образования; в основе исторической информатики лежит совокупность теоретических и прикладных знаний, необходимых для создания и использования в исследовательской практике машиночитаемых версий исторических источников всех видов.

Теоретической основой исторической информатики является современная концепция информации (включая социальную информацию) и теоретическое источниковедение, а прикладной – информационные (компьютерные) технологии.

Область интересов исторической информатики включает разработку общих подходов к применению информационных технологий в исторических исследованиях (в том числе – специализированного программного обеспечения); создание исторических баз и банков данных/знаний; применение информационных технологий представления данных и анализа структурированных, текстовых, изобразительных и др. источников; компьютерное моделирование исторических процессов; использование информационных сетей (Internet и др.); развитие и применение мультимедиа См.: Историческая информатика / Под ред. Л.И.Бородкина, И.М.Гарсковой.

М., 1996. С.31.

и других новых направлений информатизации исторической науки; а также применение информационных технологий в историческом образовании.

Новые информационные технологии позволяют реализовывать источнико-ориентированный и проблемно-ориентированный подходы в исследовании, поэтому органическими составляющими исторической информатики являются «источниковедческая» (компьютерное источниковедение) и «аналитическая» компоненты. Обратимся к проблемам компьютерного источниковедения.

Компьютерное источниковедение – это совокупность методов и технологий создания машиночитаемых исторических источников. Машиночитаемые источники – это источники, переведенные в «электронную» форму. Однако, поскольку в машиночитаемую часть переводится только часть информации, потенциально содержащейся в источнике, то более корректным и часто употребляемым является термин «машиночитаемые данные» (МЧД). Вместе с тем машиночитаемые версии источников могут рассматриваться и как новые источники – машиночитаемые источники.

Создание и использование машиночитаемых данных началось в квантитативной истории еще в эпоху больших ЭВМ, когда исследователи не преследовали цель полного перевода источников в машиночитаемую форму и МЧД являлись не только информационной базой, но и результатом исследования. Крупные университеты и исследовательские центры стали коллекционировать машиночитаемые данные. Рост их числа привел к необходимости создания банков и архивов МЧД. С другой стороны, уже с 60-х годов официальные учреждения во многих странах стали производить машиночитаемую информацию, а к 80-м годам в США и Западной Европе около 80% правительственной документации создавалось в машиночитаемой форме. Машиночитаемые данные появились во многих архивах, библиотеках и музеях. Актуальными в связи с этим стали задачи разработки и совершенствования приемов создания и использования коллекций машиночитаемых данных. Микрокомпьютерная революция 80-х гг. открыла для решения этих задач новые перспективы.

Современные компьютерные технологии позволяют создавать машиночитаемые копии источников, максимально приближенные к оригиналу.

Это расширяет возможности обработки и анализа данных источников, проведения историко-сравнительных исследований, обращения к архивам данных, созданным другими исследователями.

Коллекции машиночитаемых данных получили название баз данных. В широком смысле база данных – это массив данных, хранимый в вычислительной системе. Однако не всякий информационный массив является базой данных в строгом смысле этого понятия, поскольку согласно технологии баз данных организация информации в базе данных должна быть под чинена определенным требованиям. Более корректным в этой связи является следующее определение базы данных15:

База данных – это совокупность структурированных взаимосвязанных данных при такой минимальной избыточности, которая допускает их использование для различных приложений в определенной предметной области.

Стандартные требования к организации базы данных:

- Интегрированность (централизованное хранение информации). Неинтегрированные базы данных по одной и той же проблеме (созданные, например, в разное время и с разными целями) почти неизбежно обладают избыточностью и не являются непротиворечивыми.

- Взаимосвязанность и структурированность, отражающие существенные свойства объектов реального мира.

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.