שיטת מחקר
ניתוח רב-משתני
PCA, יחסים בין פרוקסים, קטגוריות וגרדיאנטים עיקריים בנתונים מורכבים.
01
מה השיטה מראה
קו-וריאציה בין פרוקסים, קיבוץ דגימות, גרדיאנטים מרכזיים וקשרים בין קטגוריות או יחידות מרחביות.
כיצד אנו משתמשים בה ב-HEL
לטבלאות מתוקננות עם מספר דגימות מספיק ומשתנים מוגדרים; PCA ומבחנים מפורשים יחד עם ההקשר הארכאולוגי.
02
כיצד השיטה פועלת
ניתוח רב־משתני מחפש מבנה במערכי נתונים שבהם לכל דגימה משתנים רבים. ב־PCA משתנים מתואמים מומרִים לצירים חדשים ואורתוגונליים הלוכדים בהדרגה חלק גדול ככל האפשר מן השונות.
Scores מציגים את מיקום הדגימות במרחב החדש ו־loadings מציגים אילו משתנים מעצבים כל ציר. כך ניתן לזהות קבוצות, גרדיאנטים ומשתנים המשתנים יחד.
PCA אינו מסביר סיבתיות והוא רגיש לסקיילינג, טרנספורמציה וחריגים. יש לחבר את המבנה הסטטיסטי מחדש לשאלה הארכאולוגית ולהקשר המרחבי.
GIS, גאוכימיה, קבוצות ביקורת חזקות ובדיקות המשך של השערות מפורשות.
03
בפועל
- קלט / חומרטבלה מספרית נקייה וקטגוריות הקשר
- קנה מידה / רזולוציהדגימה, פרופיל, אתר ומערך השוואה
- דיגום / הכנהתלוי בשיטה הראשית; מטא-נתונים וחזרות חיוניים
- פלט אופייניPCA scores/loadings, boxplots, מבחני post-hoc ואורדינציות נוספות
04
מגבלות ובקרה
PCA והבדלים סטטיסטיים אינם הסבר סיבתי כשלעצמם; יש לבדוק קנה מידה, קומפוזיציה, ערכים חסרים וגודל קבוצות.
Třebokov: PCA וניתוח מרחבי של אותות גאוכימיים רב-משתניים.
05
מקורות ומחקרי HEL
מחקרים נבחרים שעליהם מבוססים תיאורי השיטות והדוגמאות של Human Earth Lab.