http://hdl.handle.net/11089/14325 Fri, 03 Apr 2026 21:45:15 GMT 2026-04-03T21:45:15Z https://dspace.uni.lodz.pl:443/xmlui/bitstream/id/622b6466-19ff-4934-bf8e-17c118100bdf/ http://hdl.handle.net/11089/14325 http://hdl.handle.net/11089/14489 Likert Scale and Change in Range of Response Categories vs. the Factors Extraction in EFA Model Tarka, Piotr The objective of the article is the comparative analysis of Likert rating scale based on the following range of response categories, i.e. 5, 7, 9 and 11 in context of the appropriate process of factors extraction in exploratory factor analysis (EFA). The problem addressed in the article is related primarily to the methodological aspects, both in selection of the optimal number of response categories of the measured items (constituting the Likert scale) and identification of possible changes, differences or similarities associated (as a result of the impact of four types of scales) with extraction and determination the appropriate number of factors in EFA model.; Celem artykułu jest analiza porównawcza skali Likerta o różnej podstawie rozpiętości kategorii odpowiedzi: (5, 7, 9 i 11 stopniowej), w kontekście procesu wyodrębniania czynników w eksploracyjnej analizie czynnikowej (EFA). Poruszany w artykule problem dotyczy przede wszystkim wątków metodologicznych zarówno w kwestii wyboru optymalnej liczby kategorii w sferze mierzonych pozycji składających się na skalę Likerta jak i rozpoznania zmian, różnic lub podobieństw towarzyszących (w wyniku oddziaływania czterech typów skal) procesowi wyodrębniania i określania odpowiedniej liczby czynników w modelu EFA. Thu, 01 Jan 2015 00:00:00 GMT http://hdl.handle.net/11089/14489 2015-01-01T00:00:00Z http://hdl.handle.net/11089/14488 Better Alternatives for Stepwise Discriminant Analysis Stąpor, Katarzyna Discriminant Analysis can be best defined as a technique which allows the classification of an individual into several distinctive populations on the basis of a set of measurements. Stepwise discriminant analysis (SDA) is concerned with selecting the most important variables whilst retaining the highest discrimination power possible. The process of selecting a smaller number of variables is often necessary for a variety number of reasons. In the existing statistical software packages SDA is based on the classic feature selection methods. Many problems with such stepwise procedures have been identified. In this work the new method based on the metaheuristic strategy tabu search will be presented together with the experimental results conducted on the selected benchmark datasets. The results are promising.; Analiza dyskryminacyjna to jedna z metod umożliwiających klasyfikację obserwacji do jednej z predefiniowanych klas na podstawie wartości pomierzonych cech. Celem krokowej analizy dyskryminacyjnej (KAD) jest wybór podzbioru cech wejściowych przy zachowaniu możliwie dużej mocy dyskryminacyjnej. Zmniejszenie wymiarowości wejściowej przestrzeni cech jest konieczne z wielu powodów. W istniejących na rynku, komercyjnych pakietach do obliczeń statystycznych, KAD bazuje na klasycznych metodach selekcji cech. Metody te generują wiele problemów. W prezentowanej pracy zostanie przedstawiona alternatywna metoda wykorzystująca metaheurystykę przeszukiwania z tabu. Wyniki eksperymentalne na wzorcowych zbiorach danych są obiecujące. Thu, 01 Jan 2015 00:00:00 GMT http://hdl.handle.net/11089/14488 2015-01-01T00:00:00Z http://hdl.handle.net/11089/14487 Introduction Domański, Czesław; Zalewska, Elżbieta Thu, 01 Jan 2015 00:00:00 GMT http://hdl.handle.net/11089/14487 2015-01-01T00:00:00Z http://hdl.handle.net/11089/14486 Feature Selection and the Chessboard Problem Kubus, Mariusz Feature selection methods are usually classified into three groups: filters, wrappers and embedded methods. The second important criterion of their classification is an individual or multivariate approach to evaluation of the feature relevance. The chessboard problem is an illustrative example, where two variables which have no individual influence on the dependent variable can be essential to separate the classes. The classifiers which deal well with such data structure are sensitive to irrelevant variables. The generalization error increases with the number of noisy variables. We discuss the feature selection methods in the context of chessboard-like structure in the data with numerous irrelevant variables.; W artykule podjęto dyskusję nad aspektem przeszukiwania w metodach selekcji zmiennych. Posłużono się znanym z literatury przykładem szachownicy, gdzie zmienne, które indywidualnie nie mają mocy dyskryminacyjnej (mają jednakowe rozkłady w klasach) mogą rozpinać przestrzeń, w której klasy są dobrze separowalne. Uogólniając ten przykład wygenerowano zbiór z trójwymiarową strukturą szachownicy i zmiennymi zakłócającymi, a następnie zweryfikowano metody selekcji zmiennych. Rozważono też możliwość zastosowania analizy skupień jako narzędzia wspomagającego etap dyskryminacji. Thu, 01 Jan 2015 00:00:00 GMT http://hdl.handle.net/11089/14486 2015-01-01T00:00:00Z