Check-all-that-apply questions (CAT

Check-all-that-apply questions (CATA) are increasingly used forsensory characterization with consumers (Meyners & Castura,2014). In this methodology participants are presented with a listof terms from which they should select all those that apply.Data are analyzed by computing the frequency of use of each ofthe terms for describing each of the samples. Then,Correspondence Analysis (CA) is performed on the frequency tableto obtain sample and term configurations which enables visualiza-tion of the similarities and differences among samples, as well astheir main characteristics (Meyners, Castura, & Carr, 2013). In clas-sical CA samples are represented in a multidimensional spaceaccording to the chi-square distance between their profiles (Lê,2014). The main disadvantage of this approach is that terms withlow frequency of mention can have a large impact on the cal-culation of the chi-square distance used for measuring the similar-ity between samples, leading to inaccurate sample configurations(Legendre & Gallagher, 2001; Popper, Abdi, Williams, & Kroll,2011; Rao, 1995). To overcome this potential problem infrequentlyused terms can be excluded from the analysis (Legendre &Gallagher, 2001), but this is undesirable given the loss of informa-tion involved. Using the full set of data, another alternative is touse Hellinger distance when performing CA, as recommended byRao (1995). The advantage of this distance measure is that similar-ity between two samples only depends on the profiles of thosesamples and not on the number of assessors considered forestimating the profiles. Therefore, sample configurations are lessinfluenced by infrequent terms than when chi-square distance isused (Cuadras & Cuadras, 2006; Rao, 1995). While applicationthe Hellinger distance to analyze CATA data for sensory productcharacterizations has been encouraged by Meyners et al. (2013),one of the disadvantages of using Hellinger distance is that this

Kết quả (Việt) 1:

Câu hỏi kiểm tra-tất cả-mà-áp dụng (CATA) đang ngày càng được sử dụng forsensory đặc tính với người tiêu dùng (Meyners & Castura, 2014). Trong phương pháp này, người tham gia được trình bày với một listof điều khoản mà họ nên chọn từ tất cả những người áp dụng. Dữ liệu được phân tích bởi tần suất sử dụng của mỗi của các điều khoản để mô tả cho mỗi người trong số các mẫu máy tính. Sau đó, thư phân tích (CA) được thực hiện trên tần số tableto lấy mẫu và thuật ngữ configurations cho phép visualiza-tion của các điểm tương đồng và khác biệt giữa mẫu, như là tốt astheir đặc điểm chính (Meyners, Castura & Carr, năm 2013). Trong t-sical CA mẫu xuất hiện trong một spaceaccording đa chiều để chi-vuông khoảng cách giữa các profiles (Lê, 2014). Những bất lợi chính của phương pháp này là tần số withlow điều khoản đề cập đến có thể có một tác động lớn trên cal culation khoảng cách chi-vuông được sử dụng để đo lường tương tự-ity giữa mẫu, dẫn đến không chính xác mẫu configurations (Legendre & Gallagher, 2001; Popper, Abdi, Williams, & Kroll, năm 2011; Rao, 1995). Để vượt qua infrequentlyused vấn đề tiềm năng này điều khoản có thể được loại trừ khỏi các phân tích (Legendre & Gallagher, 2001), nhưng điều này là không mong muốn được sự mất mát của informa tion tham gia. Sử dụng các thiết lập đầy đủ của dữ liệu, một lựa chọn khác là dụng Hellinger khoảng cách khi biểu diễn CA, như đề nghị byRao (1995). Ưu điểm của biện pháp này khoảng cách là tương tự như ity giữa hai mẫu chỉ phụ thuộc vào profiles thosesamples và không phải trên số lượng thẩm xem xét forestimating các profiles. Do đó, mẫu configurations là lessinfluenced bởi các điều khoản không thường xuyên hơn khi chi-vuông khoảng cách isused (Cuadras & Cuadras, năm 2006; Rao, 1995). Trong khi applicationthe Hellinger khoảng cách để phân tích dữ liệu CATA cho cảm giác productcharacterizations đã được khuyến khích bởi Meyners et al. (2013), một trong những khó khăn của việc sử dụng Hellinger khoảng cách là đây

Kết quả (Việt) 2:

Kiểm tra-tất cả-mà-áp dụng câu hỏi (CATA) đang ngày càng được sử dụng đặc tính forsensory với người tiêu dùng (Meyners & Castura, 2014). Trong phương pháp này người tham gia được trình bày với một thuật ngữ listof từ đó họ sẽ chọn tất cả những người mà apply.Data được phân tích bằng cách tính toán tần số sử dụng của mỗi ofthe ngữ để mô tả mỗi mẫu. Sau đó, Correspondence Analysis (CA) được thực hiện trên các tần số tableto lấy mẫu và con hạn gurations fi cho phép visualiza-tion của giống và khác nhau giữa các mẫu, cũng astheir đặc điểm chính (Meyners, Castura, & Carr, 2013). Trong Clas-SICAL mẫu CA được đại diện trong một spaceaccording đa chiều với khoảng cách chi-square giữa pro họ fi les (Lê, 2014). Nhược điểm chính của phương pháp này là các điều khoản withlow tần suất đề cập đến có thể có một tác động lớn trên cal-culation của chi-vuông khoảng cách sử dụng để đo tương tự-ity giữa các mẫu, dẫn đến mẫu không chính xác gurations con fi (Legendre & Gallagher, 2001 ; Popper, Abdi, Williams, & Kroll, 2011; Rao, 1995). Để khắc phục vấn đề này có tiềm năng về infrequentlyused có thể được loại trừ khỏi các phân tích (Legendre & Gallagher, 2001), nhưng điều này là không mong muốn cho sự mất mát của informa-tion liên quan. Sử dụng các thiết lập đầy đủ các dữ liệu, thay thế khác là touse Hellinger khoảng cách khi thực hiện CA, theo khuyến cáo byRao (1995). Ưu điểm của việc đo khoảng cách này là tương tự như-ity giữa hai mẫu chỉ phụ thuộc vào pro fi les của thosesamples và không phải trên số người đánh giá xem forestimating các pro fi les. Do đó, mẫu con gurations fi là lessin chịu ảnh hưởng bởi các điều khoản thường xuyên hơn khi chi-vuông khoảng cách isused (Cuadras & Cuadras, 2006; Rao, 1995). Trong khi khoảng cách applicationthe Hellinger để phân tích dữ liệu CATA cho productcharacterizations giác đã được khuyến khích bởi Meyners et al. (2013), một trong những nhược điểm của việc sử dụng Hellinger khoảng cách là đây