The Application of Canonical Correlation to Two-Dimensional Contingency Tables
Notice bibliographique
Résumé
This paper re-introduces and demonstrates the use of Mickey's (1970) canonical correlation method in analyzing large two-dimensional contingency tables.This method of analysis supplements the traditional analysis using the Pearson chi-square.Examples and a MATLAB source listing are provided.Almost every elementary statistics textbook has some coverage of the chi-square test (e.g., Comrey & Lee, 2007, Kirk, 2007, Howell, 2002).In particular, the chi-square test is presented in the analysis of categorical data.Most of these textbooks will take the reader up to the contingency table that involves the cross tabulation of two categorical variables.With contingency tables, there are two modes of analyses (Kennedy, 1983): (1) Symmetric and (2) Asymmetric.In the symmetrical case, no distinction is made between the two variables as to which is the dependent variable and which is the independent variable.The primary interest is in whether the two variables are related.In the asymmetric case one of the categorical variables is identified as the independent variable and the other categorical variable is the dependent variable.Here the interest is in The authors wish to thank the editor and an anonymous reviewer for clarifying the different variations that exist in canonical correlation analysis.They point out two major aspects to canonical correlation.The first is the nature of the input data and the second is the algorithm used to extract the canonical coefficients and correlation.The editor also wrote in SPSS a program to create a dummy data set from a contingency table suitable for analysis using the Mickey method [available on the journal's web site].
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».