Сламена къща

В продължение на темата за екологичните сламените къщи  публикувам и видео за арх. Георги Георгиев, който е изградил жива къща в махала Чифлика на село Извос край Белоградчик с двете си ръце и само с помощта на местна циганска бригада. Всички материали за къщата са от самото място на строежа й - тухлите са ръчно пресовани от глината от изкопа за къщата, гредите са рециклирани от стари разрушени къщи от селото, а върху покрива са засадени местни треви и цветя. Къщата дублира формите на местния ландшафт - странните наклонени хълмове, наречени глами. Тоалетната е архитектурно решена във вид на купа сено. Арх. Георгиев ползва за електричество и отопление само местни ресурси - слънчевата енергия за ток и сухите клони от закупената от него местна горичка за утопление през зимата.

Ето и видео за този експеримент:

Клъстърният анализ

Клъстърният анализ е група от статистически техники, предназначени за групиране на множество обекти едновременно по няколко или повече критерия в относително хомогенни малко на брой категории, наречени клъстъри.  Обектите във всеки клъстър са подобни помежду си и различни от тези в другите клъстъри. <В качеството на обекти при клъстърния анализ могат да встъпват както случаи, така и променливи.  В по-общото му приложение като обекти се използват предимно случаите.  Като знаем, те могат да бъдат индивидуални или групови потребители (например домакинствата); различни търговски или индустриални фирми; училища или болнични заведения и т.н.  Клъстърният анализ обаче има смисъл главно тогава, когато обектите са множество на брой и в желанието си да ги обхванем и разберем ние се стремим да ги класифицираме в някакви хомогенни категории.

В сегментационните изследвания, които са основният обект на клъстърния анализ в маркетинговите проучвания, се използват множество критерии за класификация.  Всички сегметационни променливи например могат успешно да бъдат използвани за тази цел.  Колкото повече променливи се използват в рамките на една класификационна процедура, толкова по-богати като съдържание клъстъри могат да бъдат получени., но същевременно и толкова по-трудно тълкуваме е „физиономията" на клъстърите.

Други приложени на клъстърния анализ извън задачите по сегментирането
Разбиране на покупателското поведение
Идентифициране на нови продуктови възможности

Определяне на класификационните критерии

↓

Избиране на мярката за дистанция

↓

Избиране на клъстърен метод

↓

Определяне броя на клъстърите

↓

Тълкуване съдържанието на клъстърите

↓

Оценяване валидността на клъстърите

↓

Профилиране на клъстърите

Определянето на класификационните критерии е задача, която трябва да се решава в строго съответствие с изследователските проблеми и цели.  Зад избора на една или друга променлива в качеството J на класификационна обикновено стоят и някакви теория, хипотеза, опит от предходни изследвания или просто изследователска интуиция.
За да групираме изследваните обекти, в случая фирмите – потребители на компютри марка Х, в еднородния клъстър, е нужно да определим мерките, които ще използваме за измерване на подобието между тях.  Най-често използван подход за решаване на тази задача е прилагането на някаква мярка за отдалеченост (дистанция) между два обекта.  Алтернативният подход е този на мерките за близост.
Нейерархични методи на клъстъризация
Нейерархичните методи на клъстъризация, често наричани клъстъризация на К-средите, включват три основни процедури.
Последователно прескачане
Паралелно прескачане
За разлика от двете посочени процедури тази на оптималното разпределение позволява прескачането на едни обект в различни клъстъри с цел удовлетворяване някакъв критерий за оптимизация (например средното вътрешноклъстърно разстояние за даден брой клъстъри).

Неметрична корелация Маркетинг

Analyze -> Descriptive statistics -> Crosstabs -> Statistics
In a negative correlation, as the values of one of the variables increase, the values of the second variable decrease.
Изследване на връзки между номинално измерени променливи
Хи-квадрат тест за съответствие – определя дали честотите на дадена наблюдавана категориална променлива отговарят на определено очаквано разпределение.
1. Занятие и притежание на собствен автомобил ( с условие q1=1)
2. Намерение за покупка и материално положение.
3. Намерение за покупка и занятие.
4. Образование и занятие.
5. Пол и образование.
Равнище на значимост е 0,000 означава, че нулевата хипотеза за липса на връзка между променливите се отхвърля, стойността на коефициентите показва доколко силна е връзката.

V коефициент на Крамър – мярка за връзка между две номинални променливи, основаваща се върху Хи-квадрат, стойността му варира в интервала от 0 до 1, където 0 изразява липсата на каквато и да било връзка, а 1 – силна връзка.

Фи-коефициент – основан върху хи-квадрат, за таблици с размерност 2х2 фи-коефициентът е равен на корелационния коефициент на Пиърсън и приема стойности от -1 до +1, за таблици с по-голяма размерност може да надхвърля по абсолютна стойност 1.В общия случай, при условие че коя да е от двете променливи има повече от две категории, се препоръчва да се гледа по-скоро равнището на значимост, а не коефициента.

Коефициент на контингенцията С – измерва връзката между номинално измерени променливи, основан на хи-квадрат. Коефициентът на контингенцията приема стойности от 0 до 1, без 1, има две слабости – никога не е в състояние да приеме стойност 1 и величината му зависи от размерноста на таблицата

Друг подход за изследване на корелацията между две променливи се гради върху идеята да се установи доколко честотата на едната променлива може да бъде предсказана от честотата на другата променлива., представители на този подход са ламбда коефициентът и коефициентът на несигурността.

Ламбда коефициент – мярка за връзка между две номинално измерени променливи, който показва пропорционалното свеждане в грешката, когато стойностите на независимата променлива се използват за предсказване стойностите на зависимата. При стойност 1 независимата променлива изцяло предсказва зависимата, стойност 0 означава, че независимата променлива не е от никаква полза за предсказване на зависимата.

Коефициент на несигурността – основава се на идеята за ентропията – (величина, характеризираща състоянието на една термодинамична система, т.е. изразяването на броя на възможните конфигурации или подреждания на градивните частици на системата. Ентропията е критерий за това колко близко до термодинамично равновесие е дадена система. Тя е по-голяма, когато хаосът, а следователно и неговата вероятност, са по-големи) – колкото повече стойността му клони към 1, толкова повече информация за предсказване на зависимата променлива е налице и колкото повече клони към 0, толкова повече е ненужна независимата променлива, защото информацията която предоставя за предсказването на зависимата е нищожна.

Изследване на връзки между ординално измерени променливи

Analyze-Correlate-Bivariate – Kendal-Spearman

Ординално измерени са онези променливи, чиито стойности са подредени, но не е задължително да бъдат смислени като числа

Коефициент на Кендал – приема стойности от -1 до +1, като крайните стойности могат да бъдат достигнати само при квадратни таблици, знакът на коефициентът показва посоката на корелацията, а абсолютната й величина – силата.

Коефициент ро на Спирман – едно от най-често използваните средства за измерване на корелацията между две ординално измерени променливи. По отношение на всички изследвани случаи, стойностите на променливите се подреждат от най-ниската до най-високата и после се прилага коефициентаът на Пиърсън по отношение на така получените рангове.
1. Възраст и ползване на интернет.
2. Ползване на интернет и образование.
3. Образование и материално положение.
4. Възраст и доход.
5. Чета книги/ходя на театър.
6. Отделям твърде много време за работа/Отделям време за хобита.
7. Прекарвам времето си със семейство/Посещавам нощни барове дискотеки.
Метрична корелация

Отнася се до променливи, които са измерени в силните скали, при тях числата имат същинско количествено съдържание

Проста линейна корелация

Analyze -> Correlate -> Bivariate->

За изчисляването на проста линейна корелация между две променливи се използва корелационният коефициент r на Пиърсън, примащ стойности от -1 до +1, като граничните стойности показват съвършено отрицателна или съвършено положителна връзка между променливите.
1. Доход и брой на притежаваните автомобили.
2. Доход и брой на лицата в домакинството.
3. Възраст и доход.

Маркетинг

Клъстърният анализ е група от статистически техники, предназначени за групиране на множество обекти едновременно по няколко или повече критерия в относително хомогенни малко на брой категории, наречени клъстъри.  Обектите във всеки клъстър са подобни помежду си и различни от тези в другите клъстъри.


В качеството на обекти при клъстърния анализ могат да встъпват както случаи, така и променливи.  В по-общото му приложение като обекти се използват предимно случаите.  Като знаем, те могат да бъдат индивидуални или групови потребители (например домакинствата); различни търговски или индустриални фирми; училища или болнични заведения и т.н.  Клъстърният анализ обаче има смисъл главно тогава, когато обектите са множество на брой и в желанието си да ги обхванем и разберем ние се стремим да ги класифицираме в някакви хомогенни категории.


В сегментационните изследвания, които са основният обект на клъстърния анализ в маркетинговите проучвания, се използват множество критерии за класификация.  Всички сегметационни променливи например могат успешно да бъдат използвани за тази цел.  Колкото повече променливи се използват в рамките на една класификационна процедура, толкова по-богати като съдържание клъстъри могат да бъдат получени., но същевременно и толкова по-трудно тълкуваме е „физиономията" на клъстърите.


Други приложени на клъстърния анализ извън задачите по сегментирането
Разбиране на покупателското поведение
Идентифициране на нови продуктови възможности

Определяне на класификационните критерии

↓

Избиране на мярката за дистанция

↓

Избиране на клъстърен метод

↓

Определяне броя на клъстърите

↓

Тълкуване съдържанието на клъстърите

↓

Оценяване валидността на клъстърите

↓

Профилиране на клъстърите

Определянето на класификационните критерии е задача, която трябва да се решава в строго съответствие с изследователските проблеми и цели.  Зад избора на една или друга променлива в качеството J на класификационна обикновено стоят и някакви теория, хипотеза, опит от предходни изследвания или просто изследователска интуиция.


За да групираме изследваните обекти, в случая фирмите – потребители на компютри марка Х, в еднородния клъстър, е нужно да определим мерките, които ще използваме за измерване на подобието между тях.  Най-често използван подход за решаване на тази задача е прилагането на някаква мярка за отдалеченост (дистанция) между два обекта.  Алтернативният подход е този на мерките за близост.


Нейерархични методи на клъстъризация
Нейерархичните методи на клъстъризация, често наричани клъстъризация на К-средните, включват три основни процедури.
Последователно прескачане
Паралелно прескачане
За разлика от двете посочени процедури тази на оптималното разпределение позволява прескачането на едни обект в различни клъстъри с цел удовлетворяване някакъв критерий за оптимизация (например средното вътрешноклъстърно разстояние за даден брой клъстъри).

Узана WebCam

Мусала WebCam

Черни Връх WebCam