Miksi indikaattorin normalisointi

Yleensä jonkinlaisen laadun vakavuus yrittää kuvata numeroa. Useimmiten tällainen numero X muodostuu pisteiden määrään. Sikäli kuin laillinen - kysymys on erilainen. Oletamme, että tällainen numero X saatiin ja mielekäs.

Yleensä muuttuu jonkin verran vähäisestä arvosta X Min (heijastavat laadun puuttumista) joidenkin enimmäisarvoon x max (äärimmäinen ilmentymä, läsnäolo, vakavuus, ...).

Sen hankkiminen ratkaisee ongelman vertaamalla kahta esinettä, mutta vain tämän osoittimen osalta. Tässä ei kuitenkaan ole kovin hyvä. Meidän on aina muistettava, mikä rajoittaa indikaattorin muutokset. Ja nämä vaihtelut ovat monipuolisimmat ... ja jopa arvioi, kuinka voit sulkea arvon alueen reunoille tai sen keskelle. Yleensä puhdas harrop.

Jos puhumme vertailusta kahdesta eri indikaattorista - tapaus on täysin saumat. Tietenkin on mahdotonta verrata ominaisuuksia suoraan. Tehdä tämä, verrattuna numeroita on mitoitettu. Mutta indikaattori tulkitaan yleensä vakavuusaste Jonkin verran laatua. Ja voit vertailla sitä! Mutta tämän vuoksi ne olisi saatettava yhteen mittakaavaan niin, että kahden asteen alku ja päät samanaikaisesti.

Mutta miksi vain nämä kaksi? Tehdään tällainen muuntaminen kaikille indikaattoreille! Sitä kutsutaan normirovka (ei pidä sekoittaa normalisointi!). Tämän jälkeen voimme verrata erilaisia \u200b\u200btekniikoita saadut indikaattorit.

2. Indikaattorit

Kaikilla esineiden (tai vastaajien) numeeristen ominaisuuksien monimuotoisuudella kaksi laajaa luokkaa voidaan erottaa niistä:

• unipolarinenilmaisee vain jonkinlaisen laadun saatavuus (intensiteetti, vakavuus, ...);
• bipolaariHeijastaa paitsi laadun saatavuuden aste, mutta myös sen "painopiste".

3. UniPolaarisen indikaattorin normaali

Tieteessä on jo pitkään ollut niin, että arvot normalisoidaan välillä 0 - 1.

Tehdä tämä, muunnostoiminto y \u003d f (x): llä on oltava seuraavat ominaisuudet:

y (x min) \u003d 0; y (x max) \u003d 1; DY / DX\u003e 0 (1)

Kaikki ominaisuudet, joissa on tällaisia \u200b\u200bominaisuuksia MB Käytetään normalisointiin. Jos esimerkiksi x max, voit valita toiminnon

On helppo nähdä, että asianmukaisen toiminnon valinnan vuoksi voit ottaa huomioon arvioiden vääristymisen erilaiset vaikutukset. Esimerkiksi vastaajan riippuvuus äärimmäisiin arvioihin. Samanaikaisesti voi olla tarpeen hakea erilaisia \u200b\u200bvastaajia ja erilaisia \u200b\u200bmuuntamistoimintoja, jotka ottavat huomioon niiden persoonallisuuden, tilan jne. Likimääräiset kaaviot tällaisista toiminnoista - kuviossa. yksi.

Kuva. yksi. Kaaviot Toiminto Normalisointi

Yleisin lineaarinen muuntaminen käytetään:

(2)

Jos uskomme, että X: n kasvu kuvaa laadun a vakavuuden kasvua ja jonkin muun laadun väheneminen, normalisoitu laadun mittaus voi toimia eroina y '\u003d 1-y. Tällainen esimerkiksi laatu "läheisyys" ja "etäisyys" tarkoitetaan. Heidän Metrization paljastaa huonosti toteutuneet aiemmin, mutta melko selvästi ja jopa päinvastoin.

4. Bipolaarisen indikaattorin jättäminen

Yleensä tällainen indikaattori on "liimaus" kahdesta toisiinsa ja antonymaattiset unipolaariset ominaisuudet A ja V.

Usein yksinkertaisesti kieltäytyy ja päinvastoin. Tällaisen periaatteen osalta esimerkiksi semanttisen differentiaalin asteikot rakennetaan. Tällaisen eron paria olisi kuitenkin tarkistettava Antonyms-sanakirjan (esimerkiksi kaksi antonyymiä sanaa "iloinen" - "surullinen" ja "synkät" - eivät ole synonyymejä lainkaan).

Vastaavan arvon normalisointi liittyy valintaan " positiivinen»Y-akselin suunnat. Sellaisenaan mielivaltaisesti Se on valittu mittakaavapylväiden, jonka voimakkuuden kasvu on hyväksytään y. Vastakkaista napaa tulee automaattisesti " negatiivinen" Korostamme, että tässä tapauksessa ei ole mahdollisuutta (aksiologinen arviointi), vain vakiintuneita semanttisia stereotypioita voi olla rooli, mutta ei enää.

Anna summan X arvioida molempien ominaisuuksien vakavuutta (vastaava nimitys esimerkiksi "erittäin rakkaus" tai "hieman vihaa"). Normation voidaan suorittaa käyttämällä mitään toiminnon tyydyttäviä ehtoja (1). Erityisesti se on MB ja lineaarinen transformaatio:

(3)

Ilmeisesti Y [-1; +1].

Molemmat kaavojen (2) ja (3) kuvaavat muodon Y \u003d k · x + b. Niin kaikki tilastolliset päätelmät X: n ja y: n suhteen täysin yhtäpitävä.

5. Pisteet

Kun käytät pistemäärää, on usein useita hienouksia, jotka usein unohdetaan:

• Joskus ei ole vastauksia kaikkiin tähän indikaattoriin liittyviin kysymyksiin. Syyt ovat erilaisia \u200b\u200b- vastausta ei yksinkertaisesti anneta, virhe, kun teet vastauksen tai sen koodauksen, ... lyhyesti - Vastausten käyttöoikeudet ovat.
• Lähes aina tulos on yhtä suuri kuin muiden keskuudessa. Ja pienin pisteet ovat yhtä kuin 1.
• Haluaisin käyttää vastausta muiden kuin muiden asteittain. Mutta hänen panoksensa on otettava huomioon jotenkin eri tavalla.

Kun ballerin asteikko normalisoituu, on vain välttämätöntä ottaa tämä x \u003d s, missä S pistettyjen pisteiden määrä vastaanotettujen vastausten (ja ei määritelty kysymyksiin!). Näin ollen S Min ja S max on vähimmäis- ja enimmäismäärä pisteitä, jotka voidaan kirjoittaa vastaanotettujen vastausten aikana.

Tässä kohdassa käsitellään organisaation tekniikkaa, joka on hyödyllinen käytännön tehtävien ratkaisemisessa. Kaikista tehtävistä (paitsi yksinkertaisimmista), on yleensä kätevämpää käyttää määritettyjen parametrien numeerisia arvoja kuin kirjaimia pikemminkin kuin. Tehtävän jälkeen on esitetty numeeriset arvot, on toivottavaa esittää tässä muodossa lausekkeita niin, että numerot sisällytetään näihin ilmaisuihin ajanvakiona, toisin sanoen järjestelmän haluttujen parametrien suhteessa, jolla on ajan ulottuvuus . Se osoittautuu usein, että vakioaika, joka määrittää järjestelmän dynaamiset ominaisuudet, ovat suuria tai pieniä verrattuna yhteen. Jos vakioajan arvot ovat hyvin erilaiset yksiköstä, on suositeltavaa ottaa toinen askel, nimittäin muuttaa ajan mittakaava, jotta suurimmat määritellyt parametrit olivat normalisoituja arvoja lähellä yhtä. Näin voit yksinkertaistaa laskelmia.

Usein tapahtuu, että on helpompaa soveltaa sytytystä kuvaan eikä aikanaan. Siksi on tarpeen tietää, miten määrittää Fourier-kuva tietylle toiminnalle, joka vastaa normalisoitua aikaa, tuntemaan Fourier-kuvan tavalliselle ajalle. Kuinka tehdä se, tulee selväksi, jos käännät Fourier-muunnoksen määritelmää. Olkoon - toiminnon Fourier kuva määritelmän mukaan

Olkoon - Fourier-toiminnon kuva suhteessa normalisoituun aikaan määritelmän mukaan meillä on

Tyypillisesti toiminnan aika on sama kuin toiminnot, joilla on todellinen aika; Samaan aikaan normalisoidun ajan mittakaava määritellään suhteessa todelliseen. Anna suhde ajan välillä

Tässä arvolla voi olla minkä tahansa ulottuvuuden, mutta tavallisesti se on ajan ulottuvuus ja sitten tapahtuma, joka liittyy siihen, on ulottuvuus. Symbolisesti, kahden toiminnon välinen suhde

kirjoitettu seuraavasti:

Kun olet vaihtanut (2.5-1)

Mutta (2.5-4) mukaan meillä on

Anna normalisoidun monimutkaisen taajuuden (1) liittyy ei-normalisoituun suhteeseen

Perustuu (2.5-6 ja 7), kaava (2.5-5) voidaan kirjoittaa uudelleen

Oikean osan integraalin mukaan määritelmän mukaan on normalisoitu Fourier-muunnos,

Näin ollen, jos on tarpeen löytää normalisoitu kuva tavanomaisen kuvan perusteella, sinun on käytettävä kaavaa

Edellisen perusteella voit sanoa: Jos aikatoiminnon kuvassa voit korvata - ja tuloksena oleva tulos, saamme funktion kuvan tämän kuvan alkuperäisestä muuttujasta, vaikka tämä tulos Saatiin kuva Fourier, se on myös oikeudenmukainen ja kuva Laplasissa. On huomattava, että normalisoidun (asianmukaisen muutetun ajan) kuvan laskentamenetelmä ei ole sovellettavissa normalisoidun vaihteiston tai painofunktion laskemiseen. Lähetystoiminto

sitä voidaan pitää kahden ajan funktioiden kuvien suhdetta, joten normalisoinnin seurauksena näkyvät kertojat vähenevät numeron ja nimittäjältä. Siten normalisoidun siirtofunktion kaava saadaan yksinkertaisesti korvaamalla tämä lauseke kerroin.

Esimerkiksi harkitse normalisoidun kuvan laskemista seuraavalle aikatoiminnoille:

Tämän toiminnon kuva on näkymä

Kaavan soveltaminen

Kääntevän muunnoksen laskeminen vastaanottamalla

Tämä tulos voidaan ilmeisesti saada välittömästi seuraavasta kysymyksestä. On miten laskea jäsenmateriaalin teoremin pohjalta integroidun kvadraatisen virheen arvo, tietäen Fourier-virheen normalisoidun kuvan. Muistuttaa, että Parseval Theorem perustaa seuraavan tasa-arvon:

jossa i on kiinteä nelikulmainen toimintaarvo. Normalisointisääntöjen mukaisesti kaava määritetään

Tietojen kerääminen ja arvioiden hankkiminen

Tietokokoelma voidaan suorittaa eri tavoin. Suosituin tapa on kenttätutkimukset. Ennen kuin tietojen kerääminen on tarpeen määrittää yleisö, jonka perusteella on mahdollista luottaa luokituksen rakentamiseen. Ensinnäkin vastaajilla olisi oltava riittävät pätevyydet vastaamaan kysymyksiin. Toiseksi niiden arvioinnin pitäisi olla puolueeton. Tällöin voi syntyä useita odottamattomia vaikeuksia. Esimerkiksi yliopistojen luokitus, usein kuulustelu opiskelijat tai niiden organisaatioiden tutkinnon suorittaneet. Tämä lähestymistapa voi kuitenkin olla virheellinen seuraavista syistä. Ensinnäkin ei ole aina henkilö valmis myöntämään, että hänen valintansa oli virheellinen ja että muut yliopistot ovat parempia, joihin hän tuli tai joka valmistui. Toiseksi opiskelijat voivat harvoin tehdä vertailevan arvioinnin yliopistoista, koska koulutus he kulkevat vain yhdessä, harvinaisessa kahdessa toimielimessä.

Toinen tapa saada lähdetiedot ovat toissijaisten tietojen analysointi (esimerkiksi valtion tilastokomitea). Tärkein ongelma, jonka kanssa tutkija kasvoi tässä tapauksessa, on aiheuttanut tietoja. Jos luokitus perustuu mediatietoihin, todennäköisyys ei ole arvioida yhtiötä, vaan niiden PR-osastojen työtä.

Älykäs lähestymistapa on käyttää konsolidoituja tietoja eri aikakauslehdissä julkaistun kohteen ominaisuuksista (asiantuntija-aikakauslehdet, Kommersant jne.).

Kriteerien normalisoinnissa ymmärretään paikalliset optimaalisuutta koskevat kriteerit yhdelle ulottumattomalle muotoon.

Kun kotitehtävät, tavallisin tapa tuoda kriteerit miulottomiin ulkonäköön on lineaarinen transformaatio.

f. 1 edullisesti maksimiarvo, siirtymäkaava indikaattorin ei-normalisoidusta arvosta x. 1 normalisoituun ulkonäköön:

,

missä f. 1 min I. f. 1 mA. X.- Näin ollen sallittujen vaihtoehtojen indikaattorin vähimmäismäärä (paras) ja enimmäisarvo (paras) arvo.

Jos jotkin indikaattorit f. 1 edullisesti vähimmäisarvo, siirtymäkaula tallennetaan seuraavasti:

.

Rationing (standardointi) ja datan yhdistäminen

Normated (standardoitu) data. Useissa tehtävissä on kätevä tai jopa tarpeen siirtyä alkuperäisistä havainnoista, joissa i \u003d 1, 2, .... n, normalisoidun (standardoitu), joka lisää edelleen. Olkoon tietoja, joiden perusteella he saivat

Normaalisti (standardoitu) Puhelutiedot

- miulottomat arvot, jotka täyttävät tilan

Osoitamme, että keskimääräinen aritmeettinen normalisoitu data on nolla:

ja dispersio on yhtä suuri kuin yksi:

Tässä tapauksessa, jos normalisoitu arvo on suurempi kuin nolla (.g *\u003e 0), havaittu arvo on keskimäärin suurempi (H.; \u003e x). Jos x " < 0, то x,< х.

Tietojen standardointi (rationing) on \u200b\u200btarpeellinen datanmuunnoksen alkuvaihe, kun käytät monia moniulotteisia tilastollisia menetelmiä - ominaisuustilan ulottuvuuden vähentäminen (fakteeri, komponenttianalyysi, ks. 5), esineiden luokittelu (klusterianalyysi, katso CH. 6), jne. Varsinkin jos muuttujat mitataan asteikoissa, jotka ovat olennaisesti erilaisia \u200b\u200barvoja (mikronia yksiköitä - miljardeja yksiköitä).

Tilastopakettien esiintyvyyden ja kysynnän ansiosta valmistusmenetelmä (standardointi) tehdään yleensä valikossa (kuva 1.31).

Kuva. 1.31. Paketin valikossa olevien tietojen normalisointimenettelyn (standardointi) kutsuminenSta Tistica (StatSoft)

Tietojen yhdistäminen (yhtenäinen asteikko). Integroidun yleistämisen indikaattoreiden rakentamisen yhteydessä tilanne usein ilmenee, kun data-annos ei anna haluttua tulosta. Esimerkiksi meidän on rakennettava olennainen indikaattori maan elämänlaadusta (alue), johon kuuluu kolme lähde muuttujaa - elinikä, lapsen kuolleisuus ja työttömyysaste. Samanaikaisesti jopa kääntämällä nämä kolme indikaattoria yhdeksi mittakaavaksi (esimerkiksi arvot 0 - 1 tai 0: sta N) Meillä on ristiriita seuraavien suunnitelma muuttujien tulkinnassa.

Ensimmäinen muuttuja on elinikä, jolle on tunnusomaista se, että suuremmat arvot, joita se vaatii, korkeampi elämänlaatu maassa (alue). Päinvastoin toinen muuttuja on vauvan kuolleisuus - nostamalla arvot vähentävät elämänlaatua. Kolmas muuttuja - työttömyys - on oma optimaalinen (noin 5% Tarjoaa talouden normaalin toiminnan ja kehityksen). Ja yhdistämällä kaikki kolme merkkiä yhteen kiinteään indikaattoriin, meillä ei ole riittävää tulkintaa tuloksena olevan indikaattorin tulkinnasta. Mitä korkeampi elämän valitettavuus (parempi), lapsen kuolleisuus (huonompi), yli työttömyys (käsittämätön). Tällaisten ongelmien ratkaisemiseksi ja olemassa olevien ongelmien ratkaisemiseksi, menetelmä mahdollistaa menetelmän, joka mahdollistaa kaikkien integroidun indikaattorin rakentamiseen osallistuvat muuttujat yhteen yhtenäiseen asteikkoon.

Yhtenäinen mittakaava. - Käytetään integroidun indikaattoreiden rakentamisessa eri muuttujilta, jotka vastaanottavat arvot 0 - n, joilla on yhtenäinen tulkintajärjestelmä: sitä suurempi muuttujan arvo yhtenäisessä mittakaavassa, sitä suurempi integraalisen indikaattorin arvo. Varten N \u003d Saamme asteikon 0 - 1.

Ensimmäisen tyyppien muuttujat - sitä korkeampi indikaattori, parempi (elinajanodote) - annetaan yhtenäinen mittakaava seuraavasti:

missä XJ - Muuttujan arvo herra havainnoille; Amin ja ATA - vastaavasti pienimmät ja useimmat muuttujan havaitut arvot.

Tämän kaavan mukaan, jos x.t. – amin, sitten "\u003d 0 ja jos .g, - apt, sitten x] \u003d n, nuo. Mitä suurempi muuttujan A arvo on korkeampi (parempi) sen arvon yhtenäisessä asteikolla *.

2. Toisen tyyppiset muuttujat - mitä suurempi indikaattori, pahempi (lapsen kuolleisuus) - annetaan yhtenäiselle tasolle seuraavasti:

Tämän kaavan mukaan, jos A, \u003d AT | 1), mene h. = N, Ja jos a, - \u003d "ne, sitten * \u003d 0, ts. Mitä suurempi muuttujan A, alemman (huonomman) arvon arvo on yhtenäisessä mittakaavassa X /.

3. Kolmannen tyypin muuttujat - Indikaattorilla on tietty AOPT-optimaalinen, tämä arvo on paras, sitä enemmän poikkeama siitä, pahempi (työttömyysaste) - annetaan yhtenäiselle tasolle seuraavasti:

Tämän kaavan mukaan, jos x.t. = AOPT, T. x] = N. Jos a, sillä on korkein mahdollinen poikkeama OTISP: n, sitten A, "\u003d 0. Esimerkiksi jos (tuhka - A, PCS) \u003e\u003e (AOMT-Amin) ja A, \u003d ATA, sitten A" \u003d 0. Siten suurempi muuttujan A arvo poikkeaa optimaalisesta, alemmasta (huonommasta) arvosta A * yhtenäisessä mittakaavassa ja lähemmäksi arvoa A, tämän AOPT: n, sitä paremmin.

• Avazan S. A. Väestön laadun ja elämäntavan analysointi // CEMI RAS. M.: Science, 2012. (nykyaikaisen Venäjän taloustiede).
• Ibid.

Me havainnollistamme normien käytön arvoa esimerkissä laajalti tunnetun k.tomasin menetelmän. Muistuttaa, että siinä päätelmät konfliktien tilanteesta tehdyn määräävän käyttäytymisstrategian osalta tehdään numeeristen tietojen tuella. Nimittäin, kun olet laskenut jokaisen mittakaavan kokonaispisteet, sinun on tunnistettava mittakaava suurin pisteet. Strategiaa tulkitaan hallitsevana konfliktitilanteessa. Laskentatilastot osoittavat, että mittakaavan arvioiden keskimääräiset arvot absoluuttisessa arvossa ovat erilaiset. Ne vaihtelevat miehillä 5,25 pisteestä 7,25 pistettä ja naisia \u200b\u200b3,71 - 7,65 pistettä (ks. Taulukko 11).

Pöytä. 11. Tomas-tekniikan mittakaavan arvioinnin ensisijaiset tilastot

Merkintä.

Keskiverto. - keskimääräiset arvot;

950% ja + 95,0% - keskiarvojen luottamukselliset välit;

Myönnettiin suurimmat keskiarvot.

Näin ollen, jos et ota huomioon venäläisessä näytteessä saadut sääntelytiedot (tai testattu venäläisellä näytteellä), tulkinnassa tulosten tulkinnassa voit tulla virheellisiin johtopäätöksiin. Itse asiassa miehillä ja naisilla on etusija välttämätön strategia. Menetelmän käsikirja ei sano, että yhden viiden strategian hallitsevuus on persoonallisuuden transcultural ominaisuus. Tekniikan mukaan voidaan ymmärtää, että kirjoittaja tulee olosuhteesta yhtäläisestä todennäköisyydestä kullekin viidestä strategiasta. Koska tuloskorttien välillä on tilastollisesti merkittäviä korrelaatioita, on tuskin mahdollista puhua yhtä suuresta mahdollisesta viidestä strategiasta. Tällaisessa tilanteessa, kun määrien jakelun luonteesta ei ole olemassa sääntelytietoja ja tietoja, on luotettavampi luottaa näytteestään laskettuihin tilastoihin. Erityisesti arvioida yhden strategian määräävän aseman vakavuutta SIGMU: n ja luottamusvälien käyttämiseksi. Lisätään, että sääntöjä on suositeltavaa laskea erikseen miehille ja naisille. Toimitettujen tietojen mukaan voidaan havaita, että kahdessa viidessä indikaattorissa eroaa merkittävästi eri kerroksista. Vertailemalla ryhmiä tai alaryhmiä, tämä seksuaalinen spesifisyys voi osoittautua muuttujaksi, jonka vaikutusta ei voida ottaa huomioon.

Laske normit ovat suositeltavia muissa tapauksissa. Tietojen keräämisen aikana saatujen kokeellisten tehtävien alkuperäiset (ensisijaiset) arviot eivät aina ole kätevää käyttää edelleen työssä. Ne muuttuvat tavalla tai toisella. Useimmat transformaatiot ovat Keskitys ja rantiorMS-poikkeamat. Keskityksellä tarkoittaa lineaarista transformaatiota ominaisuuden arvoista, joissa tietyn ominaisuuden jakautumisen keskimääräinen koko on nolla. Skaalauksen suunta ja sen yksiköt pysyvät muuttumattomina.

Rationingin ydin koostuu siirtymisestä toiseen mittakaavaan - standardoituja mittayksiköitä. Kun testaustestien tulokset standardoivat, annostelee useimmiten RMS-poikkeamien avulla. Standardointi suoritetaan testiennusteiden normaalissa jakelussa tai sen lähellä.

Psykologiassa on olemassa useita vaa'at, jotka perustuvat normaalille jakeluun ja eri arvot m ja . Esimerkiksi älykkyyden IQ: n poikkeamat: m \u003d 100,  \u003d 15; Ilmanvaihtoasteikon mittakaavassa M \u003d 10,  \u003d 3. Kokeessa mitattujen eri merkkien jakautuminen on eri arvoja m ja . Vastaanotettujen merkkien siirtäminen eri merkkeistä jakelu samaan ja samalla m ja , saamme enemmän mahdollisuuksia arvioida ja verrata niiden vaihtelua. Sen avulla voimme käyttää normalisoitua poikkeamaa. Normalisoitu poikkeama osoittaa, kuinka paljon SIGM: tä on taipuvainen yhdellä tai toisella vaihtoehdoilla vaihtelun keskimääräisestä tasosta (väliaine aritmeettinen) ja ilmaistaan \u200b\u200bkaavalla:

jossa v on attribuutin arvo (alkuperäisissä kohdissa).

Normalisoidun poikkeaman avulla voit arvioida kokonaisarvoa kokonaisuudessaan kokonaisuudessaan, punnitsee poikkeamansa ja samanaikaisesti nimettyjen arvojen. Jotta voit päästä eroon negatiivisista numeroista T: n saatuun arvoon, voit lisätä vakiota. Kätevästi, jos kaikki numerot, joilla toiminnolla on sama määrä merkkejä. Näiden näkökohtien huomioon ottaen T-arviointiaste on erittäin kätevä. Tämän mittakaavan osalta hyväksytään normaali jakelu, jolla on m \u003d 0,  \u003d 10. Laskentaa uudelleen, vakio otetaan 50: een. Kaava alkuperäisten pisteiden muuntamiseksi T-arvioinnissa on seuraava:

t \u003d 50 + 10 -------

Rationing-menettelyn merkitys tarkastelee esimerkkiä. Oletetaan, että olemme kiinnostuneita tietyistä myyjien kommunikaation nopeudesta myymälän sijainnin ominaisuuksilla suuressa kaupungissa. Jotta voisimme tehdä tiettyjä myyjän kommunikaatioprosentin integroitua arviointia, voimme havainnoida jokaisen testimäärän parametrien, jotka kuvaavat viestintään ostajalle. Esimerkiksi voimme mitata keskimääräisen kontaktin keston silmillä, hymyilee keskimääräinen määrä kiinteässä aikavälillä karkeiden, voimakkaiden valitusten jne. Voit kuvata kaupungin myymälän sijainnin eduista ja haittoja (niin pitkälle kuin "vilkas paikka" jne.). Voit tehdä tämän, voit laskea kaupungin kuljetusreittien määrän, jotka ovat lähellä kaupasta, arvioi sen syrjäisyydet metroasemilta, harkitse läheisten myymälöiden määrää toisen profiilin jne.

Jotta yleisen kommunikaatioindikaattorin tuomiseksi on mahdotonta lisätä hymyn lukumäärää silmien kanssa kosketuksen pituudella ja vähentää ilmaisujen määrä, jotka osoittavat alhaisen puheviljelmän tästä määrästä. On turhaa taittaa väyläreittien lukumäärä naapurikauppojen määrän ja vähentää määrästä etäisyyden lähimpään metriin. On parempi kerätä tarvittava määrä kvantitatiivisia tietoja, suorittaa tutkimuksen useissa myymälöissä, laskevat ensisijaiset tilastot kaikille näille indikaattoreille ja sen jälkeen, kun olet muuttanut alkuperäiset tiedot, saadaksesi T-pisteitä kullekin indikaattorille.

Kun kustakin saadusta tiedoista normalisoituu, alkuperäisten yksiköiden arvot vähennetään keskimääräisellä aritmeettisella ja ero jaetaan Sigma. Saatu arvo kerrotaan 10: llä, sitten lisätään 50 tai vähennetään 50. Viimeisen aritmeettisen vaikutuksen valinta (lisäys tai vähennys) voimme asettaa tämän parametrin suunnan laskettuun integraaliseen arviointiin, toisin sanoen. Voimme asettaa muuntamisen painopisteen, kun otetaan huomioon tämän parametrin erityispiirteet. Jos alkuvaiheessa oleva tietty arvo ylittää keskimääräisen aritmeettisen, voimme normaalisti poikkeamat (ero jaettu Sigma) hajoamaan 50. Se vastaa arvioidun henkisen laadun suurempaa vakavuutta tästä aiheesta kuin keskimäärin näytteemme keskimäärin .

Esimerkiksi enemmän kuin tietty myyjä Sigma-hymyn määrä (kuin keskimäärin) kvantitatiivisesti ilmaistaan: 60 t-pistettä. Kvantitatiivinen arviointi korkean puheviljelmän merkkejä normalisoituneissa poikkeamissa on lisättävä 50 T-pisteeseen ja alhainen puheviljelmä - vähennetään 50 t-pisteestä. Jos esimerkiksi tietyn ominaisuuden kvantitatiivinen arviointi (alkuperäiset kohdat) ylittää poltsigmin keskimääräisen arvon, sitten T-pisteissä se on 45. Tämän muun muuntamisen jälkeen laskemalla Tietyn aiheen kommunikaatiopyynnön integroitu arvo voimme lisätä joitakin T-pisteitä muille.

Tietojen standardoinnin muodossa on suositeltavaa valita ottaen huomioon saadut alkuperäiset arviot ja asteittain. Jos alkuperäisissä kohdissa 1-15, sitten voi olla melko sopiva 2 . Jos asteikojen määrä saavuttaa 30 ja enemmän jakelun leviämisen (epäsymmetrisyys), kääntäkää nämä indikaattorit särkyä leikkaamaan tulokset, ts. Menettää mittaustarkkuuden tarkkuutta. Jos on syytä olettaa, että mittaukset ovat varsin tehokkaita (esimerkiksi on olemassa tietoa hyvästä reatiivisesta luotettavuudesta, suuret korrelaatiot, jotka on saatu mittaamaan indikaattoreita, joilla on selkeät ja luotettavia ulkoisia validointiperusteita jne.), Standardoitujen yksiköiden käyttö on sama tai jopa hieman suurempi määritys.