多元尺度法(Multidimensional Scaling,MDS),是一種縮減維度 的技術,類似因素分析。多元尺度法是以點距間的相異矩陣為輸入資 料,然後找出一個具有較少維度的空間,使空間中的各個體點形成一 構形(configuration,或稱空間圖),並使在此特定構型中各點距間的 距離和原始投入的資料兩者間有相當良好的適合度(goodness-of-fit),
並以 Kruskal 的壓力係數(Stress)來衡量兩者之配合度。多元尺度法 與主成份分析、因素分析都是討論資料簡化的工作,它們的目的之一 是將 p 維的資料在 q(<p)維空間來表達。根據林震岩(2006)[51]
指出當變數很多時,應用MDS 更加合適。
本研究的目的在於假設資料若為非常態性時,因此以無母數統計 方法來進行處理,因此應用 MDS 中非計量部份之非計量 MDS。而在 非計量MDS 裡,我們所處理的目的資料通常是等級次序(rank order)
資料或轉換而來的次序資料。非計量MDS 的目的即在於根據這些次序 性資料,構造出這 N 個刺激體在 R 度空間中的構形 Shepard(1962)
[61]、Kruskal(1964)[62]。非計量 MDS 有一個基本的假設是觀察所 得到的次序資料,其次序資料計算時必須具有”單調關係”,亦即是各 點的距離大小必須與次序相對應。事實上,N 個刺激體可能排出
2 1) -n(n
個等級次序。如果將N 個點表示在 R 個向度的構形上,需要有 nr 個數 值才能表示各點的座標。而當等級次序所得數目
2 1)
-n(n 比表示構形所須 座標值的數目增加時,等級次序資料便會限制構形中各點的移動,即 能導出唯一解的情形。此時,構形中各點之間如果擅加移動,將會破 壞接近性資料的部份次序關係。這便是為何使用非計量MDS 可以從輸 入次序變項而得到連續性質的輸出結果的主要理由 Shepard(1962)
[61]、Kruskal(1964)[62]。
因此,在 Kruskal-Shepard 的運算過程中,非計量 MDS 就好像最 小平方法迴歸分析,也要處理適合度統計的問題。也即是說,非計量 MDS 是要由次序資料中找到一個合乎”單調關係”且最適合此次序資料 的構形。
3.3.1 非計量 MDS 的計算過程
(1)對向度數 n-1 選一個初步圖形結構 X。
設定X=
r
~ n n
~ 2
~ 1
x . . . x x
×
⎟⎟
⎟ ⎟
⎟ ⎟
⎟ ⎟
⎟ ⎟
⎠
⎞
⎜⎜
⎜ ⎜
⎜ ⎜
⎜ ⎜
⎜ ⎜
⎝
⎛
其中 x
i
=(xi1
,,xi2
,…xir
),i=1,2,…,n(3.6)
(2)計算幾何距離 d
ij
(Euclidean distance formula or Minkowski distance)D
ij
=r 1/2 1 k
2 jk ik - x )
(x ⎥
⎦
⎢ ⎤
⎣
⎡ ∑
=
(或 d
ij
=p
1 r
1 k
p jk ik - x
x ⎥
⎦
⎢ ⎤
⎣
⎡ ∑
=
)
(3.7)
(3)計算一致不等值dˆ
ij
因為一致不等值dˆ
ij
必須滿足”單調關係”(i.e.δ ij
<δ i' j'
⇒dˆij
≤dˆi' j'
),所 以如果dij
和di' j'
兩者之間不滿足”單調關係”,則將違反”單調關係”的dij
和di' j'
加以平均並令dˆij
和dˆi' j'
等於此平均值(二個以上不滿足”單調關係”者,其方法相同)。
∑ ∑
= 2
ij 2 ij ij
d ) dˆ
-Stress (d
(3.8)
(4)配合指數(index of fit)
計算Stress 並判斷是否前一次的 Stress 相同(相近),若是則跳到 第(7)步驟否則繼續第(5)步驟,判斷標準如表 3.13。
2 1
2 ij
2 ' ij ij
d ) d -Stress (d ⎟ ⎟
⎠
⎞
⎜ ⎜
⎝
= ⎛
∑ ∑
(3.9)
表3.13 適合度判斷標準
Stress 適合度
20% 不良
10% 可
5% 良
2.5% 優
0% 完美
(5)重新找一個構形(可利用數值分析法如 Steepest descent or Gradient method)
【原則】:如果d
ij
>dˆij
則以某一比例α 將點i 向點 j 移近。如果d
ij
<dˆij
則以某一比例α 將點i 遠離點 j。所以我們考慮將點i 在軸a移向點j的新座標表示為:
( ) ( ) ( ja ia )
ij j ij
ia j '
ia
-d - dˆ
1 χ χ
α χ
χ ⎟ ⎟
⎠
⎞
⎜ ⎜
⎝ + ⎛
=
(3.10)
其中
0 <
α< 1
,α稱為比例係數(coefficient of proportionality,通常取 0.2)。則從點i 移向點 j,計算所有 n-1 點在軸 a 上的平均移動效果:
( )
⎟⎟⎠
⎞
⎜⎜
⎝
⎛
⎟⎟
⎠
⎞
⎜⎜
⎝ + ⎛
=
∑
≠ ja ia
n i
j ij
ij ia
'
ia
-d -dˆ 1 1
-n
α χ χ
χ
χ
(3.11)
(6)重複(2),(3),(4),(5)各步驟。
(7)而當維度數等於一時,則停止。
如果我們以維度數(Dimension)為橫軸,Stress 為縱軸作圖,則圖 形為左上而右下遞減的形態。如圖3.2 所示。
以上七個步驟的流程圖如圖3.3 所示。[63]。
圖3.2 壓力和維度對應圖
投入相似矩陣
初步構形的選擇
計算圖形結構中各點間的距離
計算圖形結構中之一致不等值 重新選擇另一構形 (構面數)向度數減一
計算配合指數
第t次計算的配合 指數與第t-1次相同
空間向度(構面)
數目小於或等於1
終止
圖3.3 MDS 步驟流程圖
3.3.2 權數估算
根據劉炳宏及魏秋建(2001)[53] 所發表的決策權重方法之分析 比較,其文主要以目前較常使用之權重值求算方法,作一介紹及各決 策權重方法的優劣進行分析。在文中提到權重的求取,係按準則重要 性依序排列,再透過加總法或倒數法求出權重值。而此權重是要決策 者知道各屬性之重要優先排序。
由於本研究應用 MDS 非計量分析(non-metric analysis),由於 MDS 非計量分析並沒有尺度(scale)標示,因此因子間之相對距離愈 近,表示因子間之相關性愈大,反之亦然(莊明德等,2007)[64]。因 此我們由 MDS 法求取兩兩因子之相對距離(Relative distance ),由 於應用MDS 法進行求取各因子之相對距離,需設定各因子所對應之參 考點,因此以朱達仁(2006)[2]所提出之 SIAM 模式之初始權重 1/n 為參考點進行計算。
由所求取各因子之相對距離,即可再利用倒數法求出權重值。在 本文中倒數法的權重係同於MDS 所對應之參考點,因此各指標相對於 此參考點之距離,表示如公式
3.12。
( x
i, x
standard)
i
distanceW = 1
(3.12)
把權重作一集合可表示成公式
3.13,
A
~
為1 列 m 行的矩陣:{ 1 2 3 m }
~ W , W , W , , W
A = K
(3.13)
∑ = n
=i
W i 1
1 ,