Multiblock analyses that take into

Multiblock analyses that take into account individual data such as DISTATIS (Abdi et al. 2007, 2012; Abdi and Valentin 2007c), MCA (Takane 1980; Abdi and Valentin 2007b; Cadoret et al. 2009), or common com- ponents and specific weights analysis (SORT CC, Qannari et al. 2009) have also been used recently. Multiple factor analysis ([MFA] Escofier and Pagès 1983; see also Abdi and Valentin 2007a; Abdi et al. 2013) can also be used (see Dehlholm et al. 2012a). All these techniques provide a com- mon map (often called a compromise) and also show how each assessor positions the products in the common space. Some of these techniques also provide a map of the assessors. These techniques will generally lead to similar conclusions for the relative position of the products. However, the specific χ2 distance metric used in MCA makes salient products that are rarely associated with other products, and therefore, these rare products may define dimensions by themselves (see also the section on analysis of the example).

Kết quả (Việt) 1:

Phân tích multiblock đưa vào tài khoản các dữ liệu cá nhân như DISTATIS (Abdi et al. 2007, năm 2012; Abdi và Valentin 2007 c), MCA (Takane năm 1980; Abdi và Valentin 2007b; Cadoret et al. 2009), hoặc phổ biến com-ponents và phân tích cụ thể trọng lượng (loại CC, Qannari et al. 2009) cũng đã được sử dụng gần đây. Nhiều yếu tố phân tích ([MFA] Escofier và Pagès 1983; xem thêm Abdi và Valentin 2007a; Abdi et al. 2013) cũng có thể được sử dụng (xem Dehlholm et al. 2012a). Tất cả các kỹ thuật này cung cấp bản đồ com-mon (thường được gọi là một thỏa hiệp) và cũng hiển thị như thế nào mỗi assessor vị trí các sản phẩm trong không gian chung. Một số các kỹ thuật này cũng cung cấp bản đồ các hội thẩm. Các kỹ thuật này thường sẽ dẫn đến các kết luận tương tự cho các vị trí tương đối của các sản phẩm. Tuy nhiên, số liệu cụ thể χ2 khoảng cách, được sử dụng trong MCA làm nổi bật các sản phẩm hiếm khi kết hợp với các sản phẩm khác, và do đó, những sản phẩm hiếm có thể xác định kích thước của mình (xem thêm phần phân tích của các ví dụ).

Kết quả (Việt) 2:

Multiblock phân tích đó đưa vào tài khoản dữ liệu cá nhân như DISTATIS (Abdi et al 2007, 2012;. Abdi và Valentin 2007c), MCA (Takane 1980; Abdi và Valentin 2007b;. Cadoret et al 2009), hoặc ponents đồng chung và riêng trọng lượng phân tích (Sắp xếp CC, Qannari et al. 2009) cũng đã được sử dụng gần đây. Nhiều yếu tố phân tích ([MFA] Escofier và trang 1983; xem thêm Abdi và Valentin 2007a;. Abdi et al 2013) cũng có thể được sử dụng (xem Dehlholm et al 2012a.). Tất cả những kỹ thuật này cung cấp một bản đồ com- mon (thường được gọi là một sự thỏa hiệp) và cũng cho thấy làm thế nào mỗi giám định vị trí các sản phẩm trong không gian chung. Một số trong những kỹ thuật này cũng cung cấp một bản đồ của các nhà đánh giá. Những kỹ thuật này thường sẽ dẫn đến kết luận tương tự cho các vị trí tương đối của sản phẩm. Tuy nhiên, cụ thể các số liệu khoảng cách χ2 sử dụng trong MCA làm cho sản phẩm nổi bật mà hiếm khi được kết hợp với các sản phẩm khác, và do đó, những sản phẩm hiếm hoi có thể xác định kích thước của mình (xem thêm phần phân tích các ví dụ).