STATIS

Utilice STATIS para analizar múltiples configuraciones de objetos / variables cuantitativas para estudiar y visualizar los vínculos entre los objetos así como los acuerdos entre las configuraciones.

STATIS.PNG

¿Qué es el método STATIS?

El método STATIS es un método de análisis de datos con múltiples configuraciones que se utiliza sobre todo en sensometría. Las configuraciones pueden ser varios evaluadores, sujetos o jueces. STATIS puede usarse especialmente en el caso del mapeo proyectivo / Napping, del perfilado convencional y del perfilado de libre elección. El gran interés de STATIS es que las configuraciones atípicas tienen un peso menor que el de las configuraciones centrales. Por lo tanto, el análisis refleja mejor el punto de vista general y no aquellas configuraciones atípicas.

Existen varias aplicaciones de STATIS, entre ellas

  • Estudio y visualización de los objetos en los planos principales;
  • Estudio de los vínculos entre las configuraciones, especialmente para encontrar las más atípicas.

Principio de STATIS

STATIS es un método que trabaja sobre la matriz escalar de cada configuración, lo que permite trabajar con configuraciones con diferente número de columnas. Su objetivo es formar una configuración de consenso que refleje lo mejor posible las diferentes configuraciones. Este consenso puede entonces proyectarse sobre diferentes ejes. Si la información asociada a 2 o 3 primeros ejes representa un porcentaje suficiente de la variabilidad total del consenso, los objetos podrán representarse en un gráfico de 2 a 3 dimensiones, lo que facilitará mucho la interpretación.

¿Necesita elegir la herramienta de análisis de datos sensoriales adecuada para su estudio? Consulte nuestra guía.

¿Cuáles son las opciones del análisis STATIS en XLSTAT?

Estructura de los datos

Existen dos casos:

  1. El número de las p variables es idéntico para las m configuraciones.
  2. El número p de las variables varía de una configuración a otra.

Para introducir los datos, XLSTAT le pide que seleccione una configuración correspondiente a las m configuraciones contiguas y que indique el caso de la estructura.

Escala y escalado global

Si los datos de una configuración no están en la misma escala, es aconsejable escalar (reducir) las variables de cada configuración. Por ejemplo, no es el caso de las valoraciones entre 0 y 20, pero se aconseja si algunas notas están entre 0 y 10 y otras entre 0 y 20.

Clásicamente, se recomienda la reducción global de cada configuración. Permite equiparar todas las configuraciones en términos de varianza. Por ejemplo, en el caso de las configuraciones en las que los atributos son anotados entre 0 y 20 por los evaluadores, se eliminarán los factores de escala entre el evaluador que sólo anota entre 5 y 15 y el evaluador que utiliza la escala completa de notas.

Interpretar los resultados del análisis STATIS en XLSTAT

La representación de los objetos en el espacio de los k factores nos permite interpretar visualmente las proximidades entre los objetos, con precauciones.

Podemos considerar que la proyección de un objeto en un plano es fiable si el objeto está lejos del centro del gráfico.

Número de factores

Se suelen utilizar dos métodos para determinar el número de factores que deben conservarse para la interpretación de los resultados:

Observar la curva decreciente de los valores propios. El número de factores que hay que conservar corresponde al primer punto de inflexión encontrado en la curva. También podemos utilizar el porcentaje de variabilidad acumulada que representan los ejes de los factores y decidir utilizar sólo un determinado porcentaje.

Representaciones gráficas

Sin embargo, estas representaciones sólo son fiables si la suma de los porcentajes de variabilidad asociados a los ejes del espacio de representación es suficientemente elevada.

Si este porcentaje es alto (80%), la representación puede considerarse fiable. Si el porcentaje es bajo, se recomienda realizar representaciones en varios pares de ejes para validar la interpretación realizada en los dos primeros ejes del factor.

¿Cuáles son los resultados del análisis STATIS en XLSTAT?

Valores propios: Se muestran los valores propios y el gráfico correspondiente (scree plot ).

Coordenadas de consenso: Se muestran las coordenadas de consenso en el espacio de los factores, con los gráficos correspondientes (dependiendo del número de factores elegidos).

Matriz RV: Se muestra la matriz de coeficientes RV entre todas las configuraciones. El coeficiente RV es un coeficiente de similitud entre dos configuraciones comprendido entre 0 y 1. Cuanto más se acerque a 1, mayor será la similitud. Esta matriz es utilizada por STATIS para calcular los pesos de las configuraciones.

Factores de escala: Los factores de escala se muestran con el gráfico de barras asociado. Cuanto mayor sea el factor de escala de una configuración, menor será la escala de la configuración utilizada. Esta tabla se utiliza en el análisis sensorial para entender cómo los evaluadores utilizan de forma diferente las escalas de valoración.

Pesos: Se muestran los pesos calculados por STATIS, con el gráfico de barras asociado. Cuanto mayor es el peso, más ha contribuido la configuración al consenso. Sabiendo que STATIS da más peso a las configuraciones más cercanas desde un punto de vista global, un peso muy inferior al de las demás significará que la configuración es atípica.

Configuración de consenso: Se muestra la configuración de consenso. Corresponde a la media ponderada de las matrices de productos escalares de las configuraciones iniciales (eventualmente reducidas por variable y/o globalmente).

Homogeneidad: Se muestra la homogeneidad de las configuraciones. Es un valor entre 1/m (siendo m el número de configuraciones) y 1, que aumenta con la homogeneidad de las configuraciones.

RV config/consenso: Se muestran los coeficientes RV entre las configuraciones y el consenso, con el gráfico de barras asociado. Al igual que los pesos de STATIS, estos coeficientes permiten detectar las configuraciones atípicas. La ventaja de estos coeficientes es que están entre 0 y 1, por lo que son más fáciles de interpretar que los pesos.

Error global: Se muestra el error global del criterio STATIS. Corresponde a la suma de todos los residuos (que pueden presentarse por configuración o por objeto).

Residuos por configuración: Esta tabla y el gráfico de barras correspondiente permiten visualizar la distribución de los residuos por configuración. De este modo, es posible identificar para qué configuraciones STATIS ha sido menos eficaz, o dicho de otro modo, qué configuraciones se distinguen más del consenso.

Residuos por objeto: Esta tabla y el gráfico de barras correspondiente permiten visualizar la distribución de los residuos por objeto. De este modo, es posible identificar para qué objetos STATIS ha sido menos eficiente, o lo que es lo mismo, qué objetos se alejan más del consenso.

Correlaciones: Se muestran las correlaciones entre los factores y las variables iniciales, así como el círculo de correlación. Este gráfico muestra los vínculos entre las diferentes variables y los factores.

Coordenadas de los objetos (presentación por configuración): Esta serie de tablas corresponde a las coordenadas de los objetos para cada configuración, después del escalado opcional y el escalado global y luego la proyección sobre los factores. La presentación se hace por configuración.

Coordenadas de los objetos (presentación por objeto): Esta serie de tablas corresponde a las coordenadas de los objetos para cada configuración, tras el escalado opcional y el escalado global y luego la proyección sobre los factores. La presentación se hace por objeto.

ternary diagramneural network diagram

analice sus datos con xlstat

prueba gratuita de 14 días