Core Concepts
両極性データの構造を考慮することで、より正確な関係性クラスタリングが可能となる。
Abstract
本研究では、両極性データの構造に着目した新しいクラスタリング手法「Bipolar Class Analysis (BCA)」を提案する。従来の手法であるRelational Class Analysis (RCA)やCorrelational Class Analysis (CCA)は、両極性データの特性を十分に活用できていないことが問題点として指摘される。
BCAでは、回答者の意見が支持と反対の領域を行き来する様子に着目し、関係性を評価する。具体的には、ポラリティ関数ωを導入し、回答者間の意見の推移パターンを捉える。また、回答の強さを表す尺度として、2つの方法を提案する。
シミュレーション分析の結果、BCAはRCAやCCAよりも、クラスタ数の正確な推定や、クラスタ構造の再現性が高いことが示された。さらに、実データへの適用においても、BCAはRCAやCCAとは異なる結果を導出することが明らかになった。
以上より、BCAは両極性データの特性を適切に捉えることができ、より妥当なクラスタリング結果を得られることが確認された。本手法の提案は、関係性クラスタリングの分野における重要な進展と位置づけられる。
Stats
回答者の意見が支持と反対の領域を行き来する様子は、関係性を評価する上で重要である。
回答の強さを表す尺度として、回答と中立点との距離に基づく方法が有効である。
Quotes
両極性データの構造を考慮することで、より正確なクラスタリングが可能となる。
BCAは、RCAやCCAよりも、クラスタ数の正確な推定や、クラスタ構造の再現性が高い。