主題分數解釋我們正在研究“文本資源管理器”方法，並嘗試傳達主題分數的解釋。 例如，主題內某個術語的負值與正值相比。 您能否將我們引導給可以提供一些示例幫助的人？幫助菜單建議，與正值相比，負值項的出現頻率會降低，但是當我們查看實際數據集時，似乎並沒有出現這種情況。
因此，看來這是一個線性標度，其中每一端都是正數，而一端是負數。 一個詞越接近量表的一端，將表明該詞是正面用法還是負面用法。 任何觀點都值得讚賞。
回复：主題分數解釋嗨，勞拉，
抱歉，我讀了這個答案，但我從未說過謝謝。非常感謝！這非常有幫助。
傑夫
回复：主題分數解釋從技術上講，相反的情況也適用，但實際上，我不希望您遇到這種情況。原因是我們僅在大多數大載荷為負時才翻轉符號。對於文本數據，具有較大的正數不是很常見和負負荷。僅在這些情況下，您才希望找到相反的情況。總之，在檢查主題負荷和分數時，您做對了事情，以確保您了解主題的含義。您希望能夠標記每個主題（例如，“對產品的滿意度”），以便隨後將分數解釋為“分數越高，對產品的滿意度越高”，反之亦然。
最好，
〜勞拉
回复：主題分數解釋謝謝，這對我的直接例子有幫助。 類似的問題是我也應該期望相反嗎？例如，主題得分圖中的一個很強的否定示例會導致主題得分為正，而該文本暗示該分數應為強烈否定？
回复：主題分數解釋你好 @reese_sj ，
感謝您指出了這一點！確實，在某些情況下，奇異值分解會導致主題帶有全負負載。為了便於解釋主題，加載的符號被翻轉，因此它們始終是積極的。在這些情況下，主題得分也應該翻轉，但當前不是。我們已經意識到這一點，併計劃在將來的版本中解決此問題。現在，您可以創建一個新的公式列，該列將主題得分乘以-1。一種確定需要翻轉哪些主題得分的簡單方法是（1）查看報告上的“主題得分圖”，（2）選擇得分最高的觀察值，（3）單擊“顯示文本”，然後（4）檢查文檔與主題詞之間的對應關係。
這是“ Pet Survey.jmp”數據的示例：
我啟動了文本資源管理器，運行了帶有所有默認設置的潛在語義分析和主題分析。前兩個主題的主要內容是： 
然後，我們可以查看得分圖並獲得主題1最高得分的文本。
積極的主題內容與文檔的內容相對應。從而，更高主題1中的得分指向的文檔更多關於“看守的狗”。
相反，當我們以主題2的最極端值檢查文本時，我們發現降低分數對應於更多關於“愛斯基摩人在冬天享受雪橇騎行” 
識別分數何時應該翻轉的最簡單方法是，當最極端的值是負數但該主題的負擔是正數時： 
希望這使您能夠繼續進行分析！
最好，
〜勞拉
回复：主題分數解釋主題分數解釋可能存在的問題：
我有一個主題“似乎”會對我的星級產生積極影響。我使用DTM和指標列來查看主題“ Absolutley”和“ Love”中的2個主要術語。如圖所示，當我使用其中一個詞時，我的星級會上升，如果同時使用兩個詞，則它會上升得更高。 請注意，這是一個非常小的N。
進一步探討這一點，似乎當我保存主題時，計數與該術語的評分方式之間存在負相關關係。 即使負載為正，也會發生這種情況。 我能夠遍歷並找到該主題的內容，但是如果我將其加載到genreg（或任何其他建模方法）中，我不知道效果是否正確-對主題沒有任何正面或負面影響手動瀏覽每個主題和術語，以確保它們得到適當處理。
如下所示，如果我使用“絕對”和“愛”兩個詞，則它們使用得更多或一起使用時，按照任何建模方法，都會明顯產生負面影響。
回复：主題分數解釋我一定會嘗試的。謝謝。
回复：主題分數解釋斯科特
如果您的目標是篩選與結果變量相關的術語，則可能只需要運行帶有DTM列的GenReg。 由於回歸量很大，因此需要一段時間才能完成。例如，輸出是“是/否”類型響應，我在18,000行數據集上運行了帶有1,782個二進制DTM列的套索。完成大約20分鐘。我發現483個有效（非零）項。如果僅保留具有統計意義的值（p值<0.05），則項數僅為203。
一種更直觀的方法是使用詞云中的“著色/按列值”選項。通過結果變量為單詞著色，可以查看哪些單詞與結果關聯。顏色混合的那些與結果無關。
健
回复：主題分數解釋順便說一句，我使用了百分號，並且該條目被重新編碼為“ Bleep”。也許另一個重新編碼機會：）（笑臉）。
回复：主題分數解釋隨著我對主題的不斷發展和完善，我正在尋找有關添加停用詞的指南。 我知道每個術語都與每個主題相關，但是我想一種減少每個主題多樣性的方法，以便減少與該主題有很強相關性的術語。 這使我能夠對感興趣的特定主題採取適當的措施。 我當前的數據集有一個結果變量。
您能否評論以下方法：構建主題（基於奇異值** bleep％截止值的主題數），保存文檔主題向量，對主題運行genreg，查看影響最小的主題，從影響力較小的每個主題中找出潛在客戶，並將其添加為停用詞，然後重複該過程，直到獲得“可行的”解決方案為止。
回复：主題分數解釋傑夫
感謝您的提問。讓我補充一下勞拉的出色解釋。是的，術語主題加載表示術語和相應的潛在主題之間的相關性。但是，出於對DTM可能太大的擔憂，JMP並未對其文檔主題向量（即主題得分）進行縮放，因此文檔主題向量與DTM列之間的相關性與報告的術語主題不匹配。加載。但是，正如您所發現的，它們非常接近。
健
回复：主題分數解釋你好 @JeffSwartzel ，
很好的問題！潛在語義分析（LSA）和主題分析（TA）依賴於稀疏奇異值分解（SVD）以非常有效的方式表徵數據的結構。也就是說，儘管具有包含數百或數千列的文檔術語矩陣（DTM），但稀疏SVD算法使我們只能獲得奇異值和奇異矢量（最重要的）的一小部分。
為了繼續利用稀疏SVD，在旋轉的PCA和TA中計算TA分數的方式有所不同（請注意，標準PCA和LSA之間的分數相同）。在旋轉的PCA中，分數通過DTM的相關矩陣和奇異值的反比例進行縮放（將DTM的相關矩陣取反對於大型語料來說將是棘手的；可以想像將具有數千列的矩陣取反）。而TA分數忽略了這種縮放。TA分數只是DTM在旋轉的較低維空間上的投影。
此外，我們發現儘管計算有所不同，TA評分與PCA評分高度相關（> .90）。重要的是，主題加載是DTM列與相應PCA組件的確切關聯。因此，我們可以將TA分數視為PCA分數的很好的近似值。
HTH，
〜勞拉
PS這些是公式：
pcaScores = DTM_s *逆（DTM_cor）* evec * Diag（Sqrt（eval））* rotMat
taScores = DTM_s * evec * rotMat
其中DTM_s是標準化DTM，DTM_cor是DTM的相關矩陣，evec是DTM的特徵向量（或右奇異值），eval是DTM的特徵值（或平方奇異值），並且rotMat是旋轉矩陣。
回复：主題分數解釋謝謝！回复：主題分數解釋對於任何其他閱讀此書的人，都有一個點播版本的 jian 的網絡廣播：
營銷分析和消費者研究 。
回复：主題分數解釋你好 @JeffSwartzel ，那是 jian 在今天的Mastering JMP網絡廣播中。
通過在此處給他加標籤，他會收到有關您的問題的通知，並可以適當地發出聲音。
謝謝！
回复：主題分數解釋克里斯，你好
我剛剛觀看了一個名為“使用JMP Pro進行增強的營銷分析和消費者研究（高級）”的JMP網絡研討會。
我很想念演講者的名字感到很尷尬，但是認為他對主題加載非常直觀。如果我正確理解他，則可以將主題中某個特定單詞的主題加載解釋為文檔術語矩陣中該單詞的向量與相應文檔主題向量之間的相關性。為了構成一個偽造的示例，假設我們有“主題1”，而該主題中的第一個術語是“橙色”。“橙色”上的負載顯示為0.85361。如果計算文檔術語矩陣中“主題1”和“橙色”向量之間的相關性，則其也應為0.85361。
我認為這是一個很好的解釋，我嘗試自己重新創建它，但是遇到了一些麻煩。相關性接近但不精確。您對為什麼會出現這種情況有任何想法嗎？如果有幫助，我可以嘗試提供“ Aircraft Incidents.jmp”文件的示例。
任何幫助表示讚賞！
謝謝，
-傑夫·斯瓦特澤爾
回复：主題分數解釋謝謝。 關於文檔，我確實有一個後續問題。 當前，它指出在“主題”分析中，負值表示排斥力，並且與正值相比出現的頻率較小。
file：/// C：/Program%20Files/SAS/JMPEA/14/Help/index.html#page/jmp%2FBA_Text_Explorer_19.html%23ww428969
回复：主題分數解釋謝謝，這是非常有幫助的。
史考特
回复：主題分數解釋嗨，斯科特（Hi Scott）-通過理解（1）SVD結果與文檔術語矩陣（DTM）的PCA相同，以及（2）主題分析是一種在文本資源管理器（TE）中理解基於SVD的結果的最佳方法。SVD的VARIMAX旋轉結果，這意味著主題分析在數學上與DTM的因子分析相同。
這意味著您可以從因子分析的文本中收集到的所有解釋性工具和經驗法則都適用於主題分析。 這包括
（1）分數的符號沒有意義。 JMP數值工具可以使每個尺寸的最大載荷（未旋轉載荷）為正。 採用此約定可以使結果可重複且唯一（否則要求5個維度，然後10個維度可能導致結果相差-1倍）。 必須遵守載荷慣例並將其應用於分數。
（2）基於集中式和縮放式SVD的主題分析對於因子數量上限具有與傳統因子分析相同的規則。 例如，如果只有10個大於1.0的奇異值，那麼您永遠不會要求超過10個主題。
JMP R＆D的常駐多變量分析專家Laura Castro-Schilo撰寫了兩個出色的博客，介紹瞭如何理解和利用Text Explorer和經典的多元統計方法之間的對應關係。
JMPer電纜： 文本瀏覽器的新外觀
JMPer電纜： 社會科學中的文本分析：新的可能性
@reese_sj 寫道：
我們正在研究“文本資源管理器”方法，並嘗試傳達主題分數的解釋。 例如，主題內某個術語的負值與正值相比。 您能否將我們引導給可以提供一些示例幫助的人？幫助菜單建議，與正值相比，負值項的出現頻率會降低，但是當我們查看實際數據集時，似乎並沒有出現這種情況。
因此，看來這是一個線性標度，其中每一端都是正數，而一端是負數。 一個詞越接近量表的一端，將表明該詞是正面用法還是負面用法。 任何觀點都值得讚賞。
