Grafiken und Statistik in R

horseshoe effect Siehe arch effect.
I
Inertia ist ein Maß für die totale Varianz in einem Datensatz. Sie steht direkt in Beziehung zu dem
physikalischen Konzept (auch in Ökosystemen so), daß ein Objekt, welches die Tendenz hat in Bewegung zu
sein auch in Bewegung bleiben möchte. Ebenso bei Objekten mit stehender Tendenz. Bei den unimodalen
Ordinationstechniken (DCA & CCA) ist die Inertia eher als Spannweite der Art um ihren häufigsten
Wert (Modalwert) oder Optimum im Ordinationsraum zu verstehen als die Varianz der Artenabundanz.
http://www.okstate.edu/artsci/botany/ordinate/glossary.htm.
Intervallskala Intervallskalen sind metrische Skalen, in denen über den Unterschied zweier Meßwerte ausgesagt
werden kann, ob er größer, gleich oder kleiner als der Unterschied zweier anderer Meßwerte ist. Das bedeutet:
Skalenwerte einer Intervallskala können bezüglich ihrer Differenzen (und Summen) verglichen werden. Erst
auf dem Niveau von Intervallskalen ist die Addition oder Subtraktion von Meßwerten sinnvoll und erlaubt.
Beispiel: Temperatur in Grad Celsius : Die Differenz zwischen den Temperaturen 7 und 10 C ist genauso groß
wie die Temperaturdifferenz zwischen 20 und 23 C°. Für viele psychologische Skalen wird Intervallskalenniveau
angestrebt (z. B. Persönlichkeits- und Intelligenztests). Siehe auch Skalenniveau.
J
Jaccard Dies ist ein Index, in welchem gemeinsam fehlende Größen aus der Betrachtung ausgeschlossen werden.
Übereinstimmungen und Nichtübereinstimmungen werden gleich gewichtet. – für Binärdaten, s. Distanzmaße.
jackknife Es gibt noch ein „Gegenstück“ zum bootstrap, das jackknife. Dieses mißt die Güte eines Schätzers
(z.B.: Mittelwert, Median – allg.: θ∗ ) anhand seiner Sensibilität gegenüber Datenveränderungen, indem die
jackknife-Prozedur jeden Datenpunkt einzeln entfernt, und dann den Schätzer θ∗ i neu berechnet. Schließlich
wird dann der jackknife-korrigierte Schätzer (θ∗ jack ) berechnet (Dormann und Kühn 2004). In gibt es für
das jackknife eine eigene Funktion jackknife im package bootstrap.
K
k - means
Bei diesem Verfahren wird die
Anzahl der Cluster vorgegeben. In seiner einfachsten Version
arbeitet das Verfahren wie folgt. Gegeben seinen k ≥ 1 Cluster
und n Datensätze, sowie eine Abstandsfunktion zwischen
den Daten. Für k = 2 wird folgendermaßen vorgegangen:
1. Zwei (k) Kernpunkte werden zufällig
ausgewählt (•). Die schwarze Linie ( ) ist die geometrische
Grenze zwischen Gruppe eins und Gruppe zwei. 2. Berechnen
der Zentren bzw. des Durchschnittes (= means - Teil) von
Gruppe eins und Gruppe zwei (•). Gruppengrenze ist jetzt ( ).
3. Neuer Kernpunkt ist •. Dazu wird neues Zentrum berechnet
(•). Dieser Vorgang wird sooft wiederholt, bis sich alle k
Kernpunkte stabilisieren, d.h. nicht mehr verschieben. (Quelle:
http://www.bilyap.com/dwhd/kmeans.php?ottrid=zzQH7IoYEI)
Anmerkung: Größtes Problem von k-means ist die Wahl der Anzahl der Cluster. Die Wahl der Startwerte
(Seeds) kann das Ergebnis des Algorithmus entscheidend beeinflussen. ⇒ Oft werden daher die Ergebnisse
anderer Clustermethoden zur Bestimmung der Seeds benutzt. Durch die Mittelwertbildung können auch
163