早期多元尺度（MULTIDIMENSIONAL SCALING, MDS ）處理屬性（ATTRIBUTE ）分數資 料的方法較重要者有二：其一為利用展開（UNFOLDING ）模型將客體與屬性於同一構 形中表示，其二為將屬性分數資料利用簡單歐氏距離公式轉換為接近程度資料，再根 據各種MDS 方法求得客體之構形，並運用屬性配適，將客體投影至屬性軸。但前者易 產生不易解釋之退化（DEGENERATE）解，而後者之屬性配適往往很差，且未考慮屬性 重要之差異，因此該２種分析方法在實務應用的效果並非十分良好。此外，此述２種 方法並未提出屬性理想點，整體屬性評估理想點之觀念，且在分析主體整體性之評估 行為時，只將所有主體評估之屬性分數矩陣或接近程度資料矩陣予以簡單平均，並未 考慮外同主體對研究者重要程度不一的情形，甚不合理。 有鑑於此，本研究發展以實務為導向之MDS 方法，專門用以處理屬性分數資料，除應 用各種已經發展之MDS 方法，並融入主體與屬性聯合加權、屬性理想點、加權起始構 形等觀念及處理方法，其分析步驟為：利用主體與屬性聯合加權及COOPER（１９７２ ）增加常數方法轉換原始投入資料，再根據TORGERSON （１９５８）古典ＭＤＳ方法 、KRUSKAL （１９６４）之單調迴歸方法、BORG-LINGOES（１９８７）梯度法及加權 起始構形觀念求得客體與屬性理想點之最佳聯合構形。 為探討上述架構之可行性，本研究以個案公司之罐裝咖啡為例進行實證分析，實證中 以２０位受測者對７種罐裝咖啡之廣告全、口味香純、包裝精美、企業形良好、價格 合理、品牌知名度高等６種屬性評估所得之屬性分數矩陣驗證此一理論架構。

No description available.

本文自美國人口普查局 (United States Census Bureau) 取得多達十萬筆的勞工資料，然而在如此大量的勞工資料中因維度的詛咒，所以我們無法使用傳統的資料探勘的方法分析資料，而且傳統的序述統計也無法提供一個好的分析方向，因此我們藉由 Tzeng et al (2008) 所提出的分解與結合多元尺度法 (Split-and-combine Multidimensional Scaling, SC-MDS) 為分析方法來剖析此資料。多元尺度法主要的目的有二：第一，使資料展現在空間中，並以資料點與點之間的距離表示其相關性；第二，降低資料維度避免維度的詛咒。SC-MDS 提供我們在分析此大資料相關聯性時的優先順序為年齡、學歷、性別；並結合職位資訊聯合資料庫 (Occupational Information Network)分析在此架構下不同分類的勞工在其就業的職位特質上的差異。我們發現了教育程度會影響性別間在勞工職位特質上的差異，且這些差異的數量又會隨年齡的增加而增加；教育程度在各個年齡層都對勞工職位特質產生很大的差異；最後，青年與壯年的勞工在職位特質上相較於壯年與中年勞工相似，並對以上產生相似或差異的原因提出解釋。 / A big labor data from United States Census Bureau will occur two problems. First, since the big data issue, we can not use the traditional method of data mining. Second, the descriptive statistics can not offer an explicit analysis, so we use Split-and-combine Multidimensional Scaling (SC-MDS), which is proposed by Tzeng et al (2008) to mining this labor data. MDS has two main purposes: First, Express data similarity by the distance between each pair points in spatial configuration. Second, Reducing data dimension to aviod the curse of dimension. After SC-MDS, the big labor data can be analysed by age, education and sex. We combine this order and the Occupational Information Network data base to develope the differences in occupational characteristics. We find the following phenomenon: first, differences are increasing with ages. Second, eduction do impact labors' characteristics in every ages. Third, the youth labors are more similar in occupational characteristics than olders. Finally, we try to explain the results above.

Mokken (1971) 提出兩個無母數反應試題理論模型，包含單調同質性模型(MHM)和雙重單調同質性模型(DMM)，Grayson (1988) 和Huynh (1994)說明並證明出在單調同質性模型架構之下，受試者二元反應試題的回答總分與受試者的潛在特質具有MLR(monotone likelihood ratio)的性質，因此也具有SOM(stochastic ordering of the manifest variable)及SOL(stochastic ordering of the latent trait)這兩個隨機排序(stochastic ordering)的特性。另外，Mokken (1971) 也提到在Mokken量表下，受試者的試題回答總分與受試者的潛在特質有高度相關。然而這些好的特性都僅只於理論上的說法，實務的應用上並沒有實際的數字可作為使用者的參考依據。本研究將利用模擬實驗的方式，就上述議題作探討。 模擬結果顯示，未加權的時候，使用答題總分來排序受試者的潛在特質或藉由受試者的潛在特質來預估其答題總分之正確率都會隨著鑑別參數的增加而增加，前者正確率約有七成以上，後者正確率則大約有八成以上；受試者的潛在特質與其答題總分的相關係數也隨著鑑別參數增加而增加，大約介於0.50與0.80之間。 / Mokken (1971) proposed two Nonparametric Item Response Theory Models, the Monotone Homogeneity Model (MHM) and the Double Monotonicity Model (DMM). Under MHM, Grayson (1988) and Huynh (1994) showed that the unweighted total score for dichotomous items has monotone likelihood ratio (MLR) in the latent trait θ, which in turn implies two stochastic ordering (SO) properties, namely SOM (stochastic ordering of the manifest variable) and SOL (stochastic ordering of the latent trait). In addition, Mokken (1971) also mentioned that the total score were highly correlated with the latent trait for subjects. However, these properties are only theoretical arguments, and there are no actual figures that can serve as a guideline for practitioners regarding how good the properties are. We hence try to answer some of the questions through simulation experiments in this study. Simulation results show that the accuracy rate of using unweighted total score to rank the latent trait of subjects and the accuracy rate of using the latent trait to predict the total score for subjects will increase with the discrimination parameters. The former is about more than 70%, while the latter is about more than 80%. The correlation coefficients between the total score and the latent trait of subjects will also increase with the discrimination parameters, ranging between 0.50 and 0.80.

由於現在網路發展的非常快速，資料的產生速度以及使用方式已經超過人們的分析能力與解讀能力，因此近來大資料計算是一個很重要的研究課題，許多科學家與研究單位都積極地投入大量的研究資源，目的就是要研究這些龐大的資料要如何去分析，或是解讀。特別是大型網站上的資料，使用者的數量和可點選的項目是隨著時間不斷增加，如何分析這類的資料是一個重要的課題。 我們將介紹如何利用Python程式的特性對大型網站進行使用者偏好分析，透過亂數投影和分解-合成多元尺度法的合作，做到使用者偏好網路的建制，協助大型網站對使用者進行即時性的閱讀項目推薦。我們提出Data is cache for dimension reduction 的概念，說明大資料計算必須配合資料庫才能達到真正的快速計算結果。

No description available.

本論文では大規模カテゴリカルデータのデータ解釈の場面で生じる問題を考えた．データが大規模な場合，クラスター分析や視覚化などで，データの潜在的な構造を調べる方法が有用とされるが，対象ごとにカテゴリの解釈が異なったり，同じ属性でも回答傾向が異なったりすると解釈が複雑になる．本論文ではそのように既存手法をシンプルに適用するのでは解釈が難しいようなデータに対して，よりわかりやすい解釈をするための手法を開発した． / Large-scale categorical data are often obtained in various fields. As an interpretation of large-scale data tends to be complicated, methods to capture the latent structure in data, such as a cluster analysis and a visualization method are often used to make data more interpretable. However, there are some situations where these methods failed to capture the latent structure that is interpretable (e.g., interpretation of categories by each respondent is different). Therefore in this paper, two problems that often occur in large-scale categorical data analysis is considered, and new methods to address these issues are proposed. / 博士(文化情報学) / Doctor of Culture and Information Science / 同志社大学 / Doshisha University

第一章為導論，包括研究動機與研究目的、研究範圍、研究分析架構、研究限制及本 文結構。 第二章共分三節，為文獻探討部份，分別介紹尺度法與多屬性決策、非計量多元尺度 法、及聯合分析法。 第三章分五節，說明本研究的研究設計，從受測體之建立、問卷設計，以至於分析模 式及步驟均有詳細的說明。 第四章研究果汁產品在飲料市場中的地位，細分為三節，首先說明在產品空間中果汁 與其他種飲料之相關位置，其次分析各類飲料產品具有各產品屬性的情況，最後分析 不同背景下的消費者在各類飲料上的差異程度。 第五章分兩節，分析果汁產品中，各屬性因素之各個水淮對產生偏好之貢獻有多大？ 對各屬性因素間之互動效果亦有所探討。 第六章細分為三節，用聯合分析法對果汁市場加以區隔，從找出較適當的個人背景區 隔變數開始，到更進一步衡量出各背景因素對某一特定產品偏好的影響程度。 第七章為結論與建議。

高級人力的培育和充分利用, 是政府施政的基本目標,當我們論及高級人 力的運用時,具有大專(含)以上學歷的工作者對目前職業的滿意程度是不 能忽略的一項因素。「職業滿意度」是指就業者在工作情境中所得到的心 理反應狀態而言。滿意程度的高低, 會影響到工作的效率,以至於整個工 作單位的績效。因此, 工作者滿意程度與否,亦為探討人力運用問題時重 要的一環。本文以實際問卷調查資料,就影響職業滿意度的因素對就業者 的職業滿意度作判別分析。傳統上的判別分析方法,都是用來處理連續性 資料, 而本文所要分析的資料都是離散資料 , 即屬質化(qualitative)的 變數。文中介紹一種離散資料的判別分析方法, 及應用在實際資料的分析 結果;另外,本文進而嘗試以一般用於處理連續性資料的常態假設及無母數 統計法來分析離散資料, 所得的判別結果與離散資料 判別法相比較。最 後本文以叢聚分析法, 來討論職業別對職業滿意度的叢聚狀況。

優惠券行銷一直是業界在推行促銷的主流，在美國，消費品廠商在分配促銷預算時，即首重銷售促進（sales promotion）的推行，當中又以發行減價優惠券（coupon）所佔比例為大宗；而在台灣，早在七０年代即有業者使用優惠券的銷售促進方式，依據消保會估計，台灣一年發行禮券金額約達300億元。只是當禮券的使用漸為氾濫之後，發行業者為了節省支出或獲取較高收益，開始附加諸多使用限制，同時亦巧立各種名目如商品券、酬賓禮券等，不僅使優惠券種類細目繁多，連帶的使用規則亦略有差異；但相對地，業者卻未在廣告上詳細說明所贈送之優惠券的相關限制，因此導致消費者在決定是否前往購物或消費時，係處於資訊不對稱之情況，需憑藉其本身主觀知覺判斷該優惠券的使用規定。有鑑於此，本研究認為有必要從消費者的角度思考，瞭解消費者對於不同名稱優惠券的認知情況，並希望以此研究結果，提供業界或政府主管單位擬定相關決策之依據。 本研究主要採用非計量多元尺度之分析方法，推導出消費者對於目前百貨業者常用之七種滿千送百促銷優惠券與現金的相對位置知覺圖，並輔以訪談法為知覺定位圖之兩軸下定義。研究之重要結論如下： 1. 女性比男性更易受到滿千送百促銷活動影響。 2. 消費者多為被動地接收廠商活動訊息，而非主動搜尋相關資訊。 3. 消費者採取購買行動之前，並未全然瞭解優惠券使用規則。 4. 優惠券使用時，限制愈少而愈能自由使用，帶給消費者的知覺價值愈 高。 5. 現金為最理想的優惠方式，禮券與商品禮券同屬優惠方式『理想群』中。 6. 知覺定位圖之兩軸，橫軸代表『等同現金之程度』，縱軸定代表『感覺被禮遇之程度』。禮券為最等同現金之優惠券，感覺被禮遇程度最高者為商品券。 7. 優先針對禮券、商品券，及商品禮券進行管制。