Анализ финансовых данных в системе STATISTICA 5
.1.pdfТакого рода матрицы называют матрицами сходства.
Чем выше сходство, тем больший рейтинг выставляет эксперт паре акций, например, степень близости акций А7 и А1 имеет рейтинг 3.83, а акций А7 и А10 рейтинг 5.91. Экспертов несколько, их показания усредняются. Каждый из них работает, т.е. выставляет рейтинги в соответствии со своими собственными представлениями. Вопрос состоит в том, можно ли таким образом получить объективное знание и на основании его рационально строить стратегию своих действий?
Очевидно, глядя на эту матрицу, трудно понять, насколько близки те или иные акции в общей совокупности. Конечно, хотелось бы рассмотреть эти данные на общем плане, например, представить их на плоскости в естественно интерпретируемых шкалах. Эту задачу можно решить в модуле многомерное шкалирование.
Откройте модуль Многомерное шкалирование из переключателя модулей STATISTICA, который вызывается после нажатия кнопки Пуск в Windows.
Рис. 17
Создайте файл данных и запустите процедуру обработки, как показано на рисунке внизу.
Модуль многомерного шкалирования — единственный модуль системы, который работает не с исходными данными, а с матрицами: корреляционной или матрицей близости. Впрочем, к этим матрицам всегда легко перейти от исходных данных.
Рис. 18
После нажатия кнопки ОК система произведет вычисления и следующее окно результатов появится на экране:
Рис. 19
Нажмите теперь на кнопку Graph final configuration, 2D в окне, и вы увидите двумерный график, где отчетливо видны несколько групп близких акций:
Рис. 20
Теперь трудно обозримая матрица представлена на плоскости и легко "читается".
Этот график — то, за что идет борьба в многомерном шкалировании: набор многомерных данных представлен ясно и отчетливо.