МНОГОМЕРНЫЙ АНАЛИЗ

Многомерность означает вовлечение нескольких зависимых переменных, приводящих к одному результату. Это объясняет, что большинство проблем в реальном мире многомерны. Например, невозможно предсказать погоду любого года на основе сезона. Существует множество факторов, таких как загрязнение, влажность, осадки и т. д.

Многомерный анализ (MVA) – это статистическая процедура для анализа данных, включающих более одного типа измерений или наблюдений. Это также может означать решение задач, в которых одновременно с другими переменными анализируется более одной зависимой переменной.

Преимущества многомерного анализа:

• Основное преимущество многомерного анализа заключается в том, что, поскольку он учитывает более одного фактора независимых переменных, влияющих на вариабельность зависимых переменных, сделанный вывод является более точным.
• Выводы более реалистичны и приближены к реальности.

Недостатки многомерного анализа:

• Основным недостатком многомерного анализа является то, что для получения удовлетворительного результата требуются довольно сложные вычисления.
• Многие наблюдения для большого числа переменных должны быть собраны и сведены в таблицу, а это довольно трудоемкий процесс.

Выбор подходящей многомерной методики зависит от:

• делятся ли переменные на независимые и зависимые классификации?
• если да, то сколько переменных рассматриваются как зависимые в одном анализе?
• как измеряются переменные, как зависимые, так и независимые?

Метод многомерного анализа можно разделить на две широкие категории, а именно: эта классификация зависит от вопроса: зависят ли вовлеченные переменные друг от друга или нет?

• Если ответ утвердительный: у нас есть методы зависимости.
• Если ответ отрицательный: у нас есть методы взаимозависимости.

Методы зависимости – это типы методов многомерного анализа, которые используются, когда одна или несколько переменных могут быть идентифицированы как зависимые переменные, а остальные переменные могут быть идентифицированы как независимые.

"Совместный анализ" – это основанный на опросе статистический метод, используемый в маркетинговых исследованиях, который помогает определить, как люди оценивают различные атрибуты (характеристики, функции, преимущества), составляющие отдельный продукт или услугу. Цель совместного анализа состоит в том, чтобы определить выбор или решения конечного пользователя, которые определяют политику, продукт, услугу. Сегодня он используется во многих областях, включая маркетинг, управление продуктами, исследования операций и т. д.

Он часто используется в тестировании реакции потребителей на новые продукты, в принятии рекламы и дизайна в сервисе. Методы совместного анализа могут также называться многофакторным композиционным моделированием, дискретным моделированием выбора или исследованием заявленных предпочтений и являются частью более широкого набора инструментов анализа компромиссов, используемых для систематического анализа решений.

Существует несколько методов объединения, некоторые из них – CBC (Choice-based conjoint) или ACBC (Adaptive CBC).

Ключом к многомерной статистике является концептуальное понимание взаимосвязи между методами в отношении:

• Виды проблем, для которых подходит каждая техника.
• Цель каждой техники.
• Структура данных, требуемая для каждого метода, выборочные соображения для каждого метода.
• Лежащая в основе каждой техники математическая модель, или ее отсутствие.
• Потенциал для дополнительного использования методов.

Каждая техника также имеет определенные сильные и слабые стороны, которые должны быть четко поняты аналитиком, прежде чем пытаться интерпретировать результаты этой техники. Современные статистические пакеты (SAS, SPSS, S-Plus и другие) все более упрощают выполнение процедуры, но результаты могут быть неверно истолкованы без должного внимания.

Список литературы:

1. Введение в многомерный анализ [Электронный ресурс]. – Режим доступа: https://habr.com/ru/post/126810/ (дата обращения 15.11.2020)
2. OLAP и многомерные СУБД: как устроен оперативный анализ данных [Электронный ресурс]. – Режим доступа: https://zen.yandex.ru/media/mcs/olap-i-mnogomernye-subd-kak-ustroen- operativnyi-analiz-dannyh-5f35a0ecff8ddd23ca216812 (дата обращения 16.11.2020)
3. Многомерный анализ данных: введение в OLAP [Электронный ресурс]. – Режим доступа: https://mcs.mail.ru/blog/olap-mnogomernye-subd-kak-ustroen-operativnyy-analiz-dannykh (дата обращения 17.11.2020)