Interpretation der ThemenpartiturWir arbeiten am Text Explorer-Ansatz und versuchen, die Interpretation von Topic Scores zu kommunizieren. Zum Beispiel ein negativer Wert im Vergleich zu einem positiven Wert für einen Begriff innerhalb eines Themas. Können Sie uns an jemanden weiterleiten, der Ihnen anhand einiger Beispiele helfen kann? Das Hilfemenü deutet darauf hin, dass ein negativer Wertterm im Vergleich zu einem positiven Wert weniger häufig vorkommt. Wenn wir uns jedoch die tatsächlichen Datensätze ansehen, scheint dies nicht zu funktionieren.
Es scheint also eine lineare Skala zu sein, bei der jedes Ende positiv und jedes Ende negativ ist. Je näher ein Wort an einem Ende der Skala liegt, desto positiver oder negativer wird eine Verwendung angezeigt. Jede Perspektive wird geschätzt.
Betreff: Interpretation der ThemenpartiturHallo Laura,
Entschuldigung, ich habe diese Antwort gelesen, aber ich habe nie Danke gesagt. Vielen Dank! Das war sehr hilfreich.
-Jeff
Betreff: Interpretation der ThemenpartiturTechnisch würde auch das Gegenteil zutreffen, aber in der Praxis würde ich nicht erwarten, dass Sie auf dieses Szenario stoßen. Der Grund ist, dass wir das Vorzeichen nur umdrehen, wenn die meisten großen Ladungen negativ sind. Bei Textdaten ist es nicht sehr häufig, dass große positive Daten vorliegen und negative Belastungen. Nur in diesen Fällen würden Sie das Gegenteil erwarten. In der Summe tun Sie das Richtige, um Ihre Themenladungen zusammen mit Ihren Punktzahlen zu untersuchen und sicherzustellen, dass Sie die Bedeutung der Themen verstehen. Sie möchten in der Lage sein, jedes Thema zu kennzeichnen (z. B. "Zufriedenheit mit dem Produkt"), damit Sie die Bewertungen als "höhere Bewertungen bedeuten mehr Zufriedenheit mit dem Produkt" oder umgekehrt interpretieren können.
Beste,
~ Laura
Betreff: Interpretation der ThemenpartiturDanke, das hilft bei meinem unmittelbaren Beispiel. Eine ähnliche Frage ist, sollte ich auch das Gegenteil erwarten? Zum Beispiel ein stark negatives Beispiel in den Topic Score Plots, das zu einer positiven Themenbewertung führt, bei der der Text implizieren würde, dass er stark negativ sein sollte?
Betreff: Interpretation der ThemenpartiturHallo @reese_sj ,
Vielen Dank für den Hinweis! In der Tat gibt es Fälle, in denen die Singularwertzerlegung zu Themen mit ausschließlich negativen Belastungen führt. Um die Interpretation von Themen zu erleichtern, werden die Vorzeichen der Ladungen umgedreht, sodass sie immer positiv sind. In diesen Fällen sollten die Themenbewertungen ebenfalls umgedreht werden, sie sind jedoch derzeit nicht. Wir sind uns dessen bewusst und planen, dies in einer zukünftigen Version zu beheben. Im Moment können Sie eine neue Formelspalte erstellen, in der die Themenwerte mit -1 multipliziert werden. Eine einfache Möglichkeit, um herauszufinden, welche Themenbewertungen umgedreht werden müssen, besteht darin, (1) die "Themenbewertungsdiagramme" im Bericht anzuzeigen, (2) die Beobachtungen mit den extremsten Bewertungen auszuwählen, (3) auf "Text anzeigen" zu klicken und (4) Überprüfen Sie die Übereinstimmung zwischen Dokumenten und Begriffen im Thema.
Hier ist ein Beispiel mit den Daten "Pet Survey.jmp":
Ich habe den Text Explorer gestartet, eine latente semantische Analyse und eine Themenanalyse mit allen Standardeinstellungen ausgeführt. Die Top-Ladungen für die ersten beiden Themen sind: 
Wir können uns dann die Punktediagramme ansehen und den Text für die höchsten Punktzahlen von Thema 1 erhalten: 
Die positiven Themenladungen entsprechen dem Inhalt der Dokumente. Somit, höher Punktzahlen in Thema 1 verweisen auf Dokumente, die sind Mehr über "Hunde, die Häuser bewachen".
Wenn wir dagegen den Text in den extremsten Werten von Thema 2 untersuchen, stellen wir fest, dass niedriger Partituren entsprechen Dokumenten, die sind Mehr über "Huskys, die im Winter Schlittenfahrten genießen" 
Der einfachste Weg, um festzustellen, wann die Punktzahlen umgedreht werden sollten, ist möglicherweise, wenn die extremsten Werte negativ sind, die Belastungen für dieses Thema jedoch positiv sind: 
Ich hoffe, dies ermöglicht es Ihnen, Ihre Analyse voranzutreiben!
Beste,
~ Laura
Betreff: Interpretation der ThemenpartiturMögliches Problem bei der Interpretation des Themen-Scores:
Ich habe ein Thema, das sich "positiv" auf meine Sternebewertung auswirkt. Ich habe die Spalten DTM und Indikator verwendet, um die beiden Hauptbegriffe im Thema "Absolutley" und "Liebe" zu betrachten. Wenn ich eines der Wörter verwende, steigt meine Sternebewertung und wenn ich beide Wörter verwende, steigt sie sogar noch höher. Beachten Sie, dass es ein sehr kleines N ist.
Wenn ich weiter darauf eingehe, scheint es, dass beim Speichern meiner Themen eine negative Korrelation zwischen der Anzahl und der Bewertung des Begriffs besteht. Dies geschieht, obwohl die Belastung positiv ist. Ich konnte es für dieses Thema durchgehen und finden, aber wenn ich es in genreg (oder einen anderen Modellierungsansatz) laden wollte, habe ich keine Ahnung, ob die Effekte korrekt sind oder nicht - positiv oder negativ für die Themen ohne Manuelles Durchgehen aller Themen und Begriffe, um sicherzustellen, dass sie angemessen behandelt werden.
Wenn ich unten die Wörter Absolut und Liebe verwende, führt dies umso mehr zu einem negativen Effekt, je mehr Modellierungsansätze verwendet werden, je mehr sie verwendet werden oder wenn sie zusammen verwendet werden.
Betreff: Interpretation der ThemenpartiturIch werde das auf jeden Fall versuchen. Vielen Dank.
Betreff: Interpretation der ThemenpartiturScott,
Wenn Sie die Begriffe herausfiltern möchten, die für Ihre Ergebnisvariable relevant sind, möchten Sie möglicherweise nur das GenReg mit den DTM-Spalten ausführen. Da es sich um eine große Regression handelt, wird es eine Weile dauern, bis sie abgeschlossen ist. Zum Beispiel ist das Ouktom eine Antwort vom Typ Ja / Nein, und ich habe das Lasso mit 1.782 binären DTM-Spalten in einem Datensatz von 18.000 Zeilen ausgeführt. Die Fertigstellung dauerte etwa 20 Minuten. Ich habe 483 aktive Begriffe (ungleich Null) gefunden. Wenn ich nur die statistisch signifikanten behalte (p-Wert <0,05), beträgt die Anzahl der Terme nur 203.
Ein visuellerer Ansatz ist die Verwendung der Option Farbe / Nach Spaltenwert in der Word Cloud. Durch Färben der Wörter anhand der Ergebnisvariablen können Sie sehen, welche Wörter mit den Ergebnissen verknüpft sind. Diejenigen mit gemischten Farben sind nicht oder weniger mit dem Ergebnis verbunden.
Jian
Betreff: Interpretation der ThemenpartiturÜbrigens habe ich ein Prozentzeichen verwendet und der Eintrag wurde als "Bleep" neu codiert ... vielleicht noch eine Möglichkeit, neu zu kodieren 
(Smiley).
Betreff: Interpretation der ThemenpartiturWährend ich mich weiterentwickle und meine Themen verbessere, suche ich nach Anleitungen zum Hinzufügen von Stoppwörtern. Ich weiß, dass jeder Begriff mit jedem Thema korreliert, aber ich möchte eine Möglichkeit finden, die Vielfalt jedes Themas so zu verringern, dass weniger Begriffe mit dem Thema stark korrelieren. Dies ermöglicht es mir, bei ausgewählten Themen von Interesse angemessen zu handeln. Mein aktueller Datensatz enthält eine Ergebnisvariable.
Können Sie bitte den folgenden Ansatz kommentieren: Erstellen Sie die Themen (Anzahl der Themen basierend auf einem singulären Wert ** Piep ** Prozent Cutoff), speichern Sie die Dokumentthemenvektoren, führen Sie Genreg mit den Themen aus, schauen Sie sich die Themen mit der geringsten Auswirkung an. Identifizieren Sie den Hauptbegriff aus jedem Thema mit geringer Auswirkung und fügen Sie ihn als Stoppwort hinzu. Wiederholen Sie dann den Zyklus, bis ich zu einer "praktikablen" Lösung komme.
Betreff: Interpretation der ThemenpartiturJeff,
Vielen Dank für Ihre Frage. Lassen Sie mich zu Lauras ausgezeichneter Erklärung hinzufügen. Ja, der Begriff Themenladen repräsentiert die Korrelation zwischen einem Begriff und dem entsprechenden latenten Thema. Die Dokumentthemenvektoren (dh Themenbewertungen) werden von JMP jedoch nicht aus der Sorge heraus skaliert, dass ein DTM zu groß dafür sein könnte, sodass die Korrelationen zwischen den Dokumentthemenvektoren und den DTM-Spalten nicht mit dem gemeldeten Begriffsthema übereinstimmen Ladungen. Aber wie Sie herausgefunden haben, sind sie sehr nah.
Jian
Betreff: Interpretation der ThemenpartiturHallo @ JeffSwartzel ,
Ausgezeichnete Frage! Latent Semantic Analysis (LSA) und Topic Analysis (TA) basieren auf einer spärlichen Singularwertzerlegung (SVD), um die Struktur der Daten auf sehr effiziente Weise zu charakterisieren. Das heißt, trotz einer Dokumenttermmatrix (DTM) mit Hunderten oder Tausenden von Spalten können wir mit dem spärlichen SVD-Algorithmus nur einen Bruchteil der Singularwerte und Singularvektoren (die wichtigsten) erhalten.
Um die spärliche SVD weiterhin nutzen zu können, werden die TA-Werte in gedrehtem PCA und TA unterschiedlich berechnet (beachten Sie, dass die Werte zwischen Standard-PCA und LSA identisch sind). Bei gedrehter PCA werden die Bewertungen durch die Umkehrung der Korrelationsmatrix des DTM und der Singularwerte skaliert (das Invertieren der Korrelationsmatrix des DTM wäre mit einem großen Korpus nicht möglich; stellen Sie sich vor, Sie invertieren eine Matrix mit Tausenden von Spalten). Während TA-Scores diese Skalierung weglassen. Die TA-Scores sind einfach eine Projektion des DTM auf den gedrehten Raum mit niedrigeren Dimensionen.
Darüber hinaus stellen wir fest, dass die TA-Werte trotz der unterschiedlichen Berechnungen stark mit den PCA-Werten (> 0,90) korrelieren. Wichtig ist, dass die Themenladungen die genaue Korrelation der DTM-Spalte und der entsprechenden PCA-Komponente sind. Daher können wir uns die TA-Scores als sehr gute Annäherungen an die PCA-Scores vorstellen.
HTH,
~ Laura
PS Dies sind die Formeln:
pcaScores = DTM_s * Invers (DTM_cor) * evec * Diag (Sqrt (eval)) * rotMat
taScores = DTM_s * evec * rotMat
Dabei ist DTM_s der standardisierte DTM, DTM_cor die Korrelationsmatrix des DTM, evec die Eigenvektoren (oder rechten Singularwerte) des DTM, eval die Eigenwerte (oder quadratischen Singularwerte) des DTM und rotMat die Rotationsmatrix .
Betreff: Interpretation der ThemenpartiturVielen Dank!Betreff: Interpretation der ThemenpartiturUnd für alle anderen, die dies lesen, gibt es eine On-Demand-Version von @ Jiancao Webcast:
Marketing Analytics und Verbraucherforschung .
Betreff: Interpretation der ThemenpartiturHallo @ JeffSwartzel , das war @ Jiancao beim heutigen Mastering JMP-Webcast.
Wenn Sie ihn hier markieren, wird er über Ihre Frage informiert und kann sich entsprechend anmelden.
Vielen Dank!
Betreff: Interpretation der ThemenpartiturHallo Chris,
Ich habe gerade ein JMP-Webinar mit dem Titel "Verwenden von JMP Pro für erweiterte Marketinganalysen und Verbraucherforschung (Fortgeschrittene)" gesehen.
Es ist mir peinlich, dass ich den Namen des Sprechers verpasst habe, aber ich dachte, dass er eine sehr intuitive Interpretation der Themenladungen gegeben hat. Wenn ich ihn richtig verstanden habe, könnte das Laden des Themas für ein bestimmtes Wort in einem Thema als Korrelation zwischen dem Vektor dieses Wortes in der Dokumenttermmatrix und dem entsprechenden Dokumentthemenvektor interpretiert werden. Nehmen wir an, wir haben "Thema 1" und der erste Begriff in diesem Thema ist "Orangen". Das Laden auf "Orangen" wird als 0,85361 angezeigt. Wenn die Korrelation zwischen "Thema 1" und dem Vektor für "Orangen" in der Dokumenttermmatrix berechnet wird, sollte sie ebenfalls 0,85361 betragen.
Ich dachte, dass dies eine großartige Erklärung ist, und ich habe versucht, sie selbst nachzubauen, aber ich habe einige Probleme. Die Korrelationen sind eng, aber nicht genau. Haben Sie Ideen, warum dies der Fall sein könnte? Wenn es helfen würde, könnte ich versuchen, ein Beispiel mit der Datei "Aircraft Incidents.jmp" bereitzustellen.
Jede Hilfe wird geschätzt!
Vielen Dank,
-Jeff Swartzel
Betreff: Interpretation der ThemenpartiturVielen Dank. Ich habe eine Folgefrage bezüglich der Dokumentation. Derzeit heißt es, dass negative Werte innerhalb der Themenanalyse eine Abstoßungskraft anzeigen und im Vergleich zu positiven Werten weniger häufig auftreten.
Datei: /// C: /Program%20Files/SAS/JMPEA/14/Help/index.html#page/jmp%2FBA_Text_Explorer_19.html%23ww428969
Betreff: Interpretation der ThemenpartiturDanke, das ist sehr hilfreich.
Scott
Betreff: Interpretation der ThemenpartiturHallo Scott, der beste Weg, um die SVD-basierten Ergebnisse im Text Explorer (TE) zu verstehen, besteht darin, zu verstehen, dass (1) die SVD-Ergebnisse mit einer PCA der Dokumenttermmatrix (DTM) identisch sind und (2) die Themenanalyse a VARIMAX-Rotation der SVD-Ergebnisse, was bedeutet, dass die Themenanalyse mathematisch identisch mit einer Faktoranalyse des DTM ist.
Dies bedeutet, dass alle Interpretationswerkzeuge und Faustregeln, die Sie aus einem Text zur Faktoranalyse entnehmen können, für die Themenanalyse gelten. Das beinhaltet
(1) Das Vorzeichen der Partituren hat keine Bedeutung. Die numerischen JMP-Werkzeuge sorgen dafür, dass die größte Belastung für jede Dimension (nicht gedrehte Belastungen) positiv ist. Diese Konvention wurde angenommen, um die Ergebnisse reproduzierbar und einzigartig zu machen (andernfalls kann die Forderung nach 5 Dimensionen und dann nach 10 Dimensionen zu Ergebnissen führen, die sich um den Faktor -1 unterscheiden). Die Konvention für die Ladungen muss durchgeführt und auf die Punktzahlen angewendet werden.
(2) Die auf der zentrierten und skalierten SVD basierende Themenanalyse hat für eine Obergrenze der Anzahl der Faktoren dieselben Regeln wie bei der herkömmlichen Faktorenanalyse. Wenn es beispielsweise nur 10 Singularwerte gibt, die größer als 1,0 sind, würden Sie niemals nach mehr als 10 Themen fragen.
Laura Castro-Schilo, die in JMP F & E ansässige Expertin für multivariate Analysen, hat zwei hervorragende Blogs über das Verständnis und die Nutzung der Korrespondenz zwischen Text Explorer und klassischen multivariaten statistischen Methoden verfasst.
JMPer-Kabel: Das neue Aussehen von Text Explorer
JMPer-Kabel: Textanalyse in den Sozialwissenschaften: Ein neues Spektrum an Möglichkeiten
@reese_sj schrieb:
Wir arbeiten am Text Explorer-Ansatz und versuchen, die Interpretation von Topic Scores zu kommunizieren. Zum Beispiel ein negativer Wert im Vergleich zu einem positiven Wert für einen Begriff innerhalb eines Themas. Können Sie uns an jemanden weiterleiten, der Ihnen anhand einiger Beispiele helfen kann? Das Hilfemenü deutet darauf hin, dass ein negativer Wertterm im Vergleich zu einem positiven Wert weniger häufig vorkommt. Wenn wir uns jedoch die tatsächlichen Datensätze ansehen, scheint dies nicht zu funktionieren.
Es scheint also eine lineare Skala zu sein, bei der jedes Ende positiv und jedes Ende negativ ist. Je näher ein Wort an einem Ende der Skala liegt, desto positiver oder negativer wird eine Verwendung angezeigt. Jede Perspektive wird geschätzt.
