Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Fausto Gusmeroli<br />
Lo scaling multidimensionale (MDS - Multidimensional scaling) comprende<br />
anch’esso una serie di tecniche, alcune metriche (MMS - Metric multidimensional scaling),<br />
strettamente correlate alla PCA nei loro algoritmi algebrici lineari, altre non metriche<br />
(NMS - Nonmetric multidimensional scaling), estranee all’autoanalisi, indicati<br />
laddove le dissimilarità o distanze non obbediscano agli assiomi metrici. Prerogativa<br />
comune è che gli ordinamenti sono prodotti a partire dalle matrici secondarie, perciò le<br />
matrici primarie possono anche essere ignote. Tra le procedura metriche spicca l’analisi<br />
delle coordinate principali (PCO o PcoA - Principal coordinates analysis), una generalizzazione<br />
della PCA che fornisce un sistema di coordinate nel quale sono preservate<br />
completamente le distanze originali e i cui primi pochi assi fornisco usualmente una<br />
buona rappresentazione di queste. Mentre nella PCA le distanze tra gli oggetti o tra le<br />
variabili sono misurate come distanze euclidee, qui è permesso l’uso di misure diverse,<br />
come la differenza percentuale. In tal caso l’analisi può risultare più efficiente della<br />
PCA, nonostante rimanga il problema degli effetti d’arco, per il controllo dei quali<br />
sono stati proposti specifici algoritmi correttivi. L’analisi può produrre autovalori negativi,<br />
i quali indicano che la matrice di partenza non è euclidea. Se questi sono pochi<br />
e modesti non rappresentano un problema, altrimenti impongono il ricorso a procedure<br />
non metriche, come NMS, che si possono applicare a qualsiasi matrice di distanza o<br />
dissimilarità 30 .<br />
I metodi non metrici usano solo le informazione di ordine di rango (dunque in matrici<br />
di dati quantitativi si ha perdita di informazione), tentando di ordinare gli oggetti in poche<br />
dimensioni, tali che l’ordine di rango nel nuovo spazio, definito comunque in forma<br />
di coordinate metriche, rispecchi il più possibile l’ordine di rango originale (la bontà della<br />
soluzione è valutata comparando le distanze di ordinamento e le originali). L’intento<br />
è di sostituire l’assunzione di linearità con una meno rigida e problematica assunzione<br />
di monotonicità, ma ciò comporta una notevole laboriosità di calcolo senza garanzia di<br />
qualità dei risultati. Questi, infatti, non solo dipendono dalla configurazione iniziale arbitraria<br />
con la quale inizia il processo iterativo, ma denunciano in genere gli stessi difetti<br />
dei metodi metrici del modello lineare, sono cioè validi per dati poco variabili e soffrono<br />
della distorsione ad arco. La ragione sta nel loro modello di risposta monotonico che,<br />
seppur migliore del modello lineare, non è comunque l’ideale per approssimare una curva<br />
ditonica qual’è la Gaussiana. I metodi non metrici possono così non giustificare la<br />
maggiore gravosità computazionale, consigliando di circoscrive il loro impiego alle sole<br />
situazioni precluse ai metodi metrici.<br />
L’analisi delle variate canoniche (CVA - Canonical variates analysis) o semplicemente<br />
analisi canonica, è una tecnica che si riconduce sia all’analisi delle componenti,<br />
sia all’analisi della varianza a più dimensioni 31 . A differenza dei precedenti ordinamenti,<br />
richiede un preventivo raggruppamento degli oggetti in due o più entità, realizzato<br />
in rapporto a criteri o regole indipendenti dai dati, e ricerca degli assi linearmente<br />
30 L’analisi delle componenti principali, l’analisi di corrispondenza, l’analisi dei fattori e delle coordinate<br />
principali generano ordinamenti che preservano direttamente o indirettamente l’informazione metrica nei dati. Essi,<br />
come visto, presuppongono l’esistenza di relazioni lineari tra le variabili e la violazione di questa condizione può<br />
creare problemi nell’interpretazione dei risultati. Minime deviazioni dalla linearità sono tollerate praticamente da<br />
tutti i metodi (robustezza), ma una forte non linearità causa le distorsioni ad arco.<br />
31 L’analisi delle variabili canoniche può essere interpretata anche come un caso particolare dell’analisi di<br />
correlazione canonica, illustrata nel capitolo seguente.<br />
122