案例数据来自冰沙产品实验,24名受试者(小组成员)品尝了8种冰沙,然后放在桌布上。收集成员和产品的坐标以进行分析。如果小组成员认为两种产品相似,则将后者封闭在桌布上,以使它们具有相似的坐标。案例的目的是研究和可视化冰沙之间的链接,并确定主题之间的一致性。

在本案中将配置数量设置为24个主题,因为每个配置都有2个变量,可以通过选择Equal选项让Excel知道变量的数量是恒定的。如果至少一个配置的变量数不同,就需要选择一列,其中包含每个配置的变量数。
在“ 输出”选项卡中,设置在结果中显示RV矩阵,以及配置和共识之间的RV,以显示受试者之间的接近程度。

最后确认要显示其图的轴。在此示例中,前两个因素所代表的可变性百分比不是很高(68.43%);为避免对结果产生误解,决定在轴1和3上用第二张图表补充结果。


下面来解读STATIS分析的结果:
下图代表二维图上的观察结果,以确定邻近度。例如,“Casino_PBC”和“ Innocent_PBC”相邻,但它们与“ Casino_SRB”距离很远,并且可以看到carrefour_SB完全与“ Casino_PBC”,“ Innocent_PBC”,“ Immedia_SRB”和“ Casino_SRB”相对。


如果对两个特定的主题(专家组)感兴趣,则查看RV矩阵很有用,该矩阵给出每个主题之间的系数RV(该系数介于0和1之间,并且随着主题的接近而增加)。在这里看到主题1对主题2的看法非常相似。

评估一个主题与所有其他主题之间的接近性(即共识所反映的整体观点)可能非常重要。因此,下面的条形图显示对象4是非典型对象,与18或23不同。

最后,下面的图给出了对象的残差,它指示对象以相同的方式放置了哪些对象:

网友评论