بررسی عملکرد و کاربرد روش تحلیل درختی در تحقیقات اجتماعی - نعیما محمدی

نوع مقاله: مقاله پژوهشی

نویسنده

استادیار جامعه شناسی

چکیده

این مقاله با توجه به اهمیت رویکردهای مقایسه‌ای در تحقیقات اجتماعی به معرفی روش تحلیل درختی پرداخته که در حوزه علوم اجتماعی کمتر شناخته شده است. روش تحلیل درختی یکی از جدیدترین و انعطاف پذیرترین روش ها برای تحلیل مجموعه های بزرگ، آنالیز اکتشافی، ایجاد طبقه بندی ساده و همچنین تفسیر دادها از طریق تقسیم بندی دوتایی است. کارت، یک استراتژی در تحلیل داده ها با استفاده رده بندی و رگرسیون درختی ارائه داده است که محققان اجتماعی را برای تعیین زیرگروههای همگن و ناهمگن، با ریسک بالا یا پایین با استفاده از آزمون های ناپارامتریک یاری می رساند. کشف اختلاف و تشابه گروه های اجتماعی و نهایتاً پیش بینی وضعیت آن ها در برنامه ریزی های اجتماعی مهمترین کاربرد این روش تحلیل است. استفاده از روش تحلیل درختی در تحقیقات اجتماعی بر خلاف روش های کلاسیک نیازمند فرض های کمتر و شامل طیف وسیعی از داده ها هستند. به همین دلیل در دهه های اخیر این روش ها در برابر مدل های کلاسیک تحلیل ممیزی خطی و رگرسیون خطی مقبولیت عام یافته است. بخصوص که این مدل ها برای حجم بالای داده ها برازش می شود. همچنین مشکل ناشی از داده های گم شده در این مدل وجود ندارد. به منظور روشن تر شدن بحث در این مقاله به بررسی مطالبات اجتماعی زنان در چهار کشور عضو کنفرانس اسلامی (ترکیه، مصر، عربستان سعودی و مالزی)که هر یک آن ها نمونه ایده آل چهار زیرگروه هستند از طریق این نرم افزار گزارش شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Application and Performance of The Decision Tree Analysis in Social Research

چکیده [English]

This paper introduces the importance of comparative approaches in social research methods that are less known in the social sciences. The Decision tree is the one of the newest and most flexible analysis method for analyzing a large collection exploratory data analysis, Classification tree and interpretation of data through binary division. CART software; present a nonparametric analysis strategy to Homogeneous and non-homogenous, high risk and low risk subgroups for social researchers. Exploring the differences and similarities between social groups, and eventually predict their status in social planning is the most important application of this method. Clarifying the subject, in this paper, social demands of women in the four member countries of OIS (Turkey, Egypt, Saudi Arabia and Malaysia) as ideal types of each subgroup are analyzed by this software.

کلیدواژه‌ها [English]

  • Decision tree
  • CART
  • comparative study
  • social research
 

-  طالبان، محمدرضا، (1388). درآمدیروششناسانهبرتحلیلبولیفورانازانقلابایران، فصلنامه علوم اجتماعی، شماره 42، 43.

-  کوثری، مسعود، (1386). تحلیلمقایسه‌ایکیفیدرعلوماجتماعی، نامه علوم اجتماعی، شماره 31.

-  محمدی، نعیما. (1393). بررسی موردی مطالبات زنان در کشورهای ترکیه، مصر، عربستان سعودی و مالزی. فصلنامه مطالعات سیاسی جهان اسلام. دوره 4، شماره 12.

-  محمدی، نعیما. (1392). بررسی جامعه شناختی جنبش‌های اجتماعی زنان در کشورهای عضو کنفرانس اسلامی. رساله دوره دکتری، رشته جامعه شناسی سیاسی. دانشگاه تربیت مدرس.

 

-    Banerjee M, Biswas D, Sakr W and Wood D. (2000). Recursive partitioning for prognostic grouping of patients with clinically localized prostate carcinoma. American Cancer Society, 89: 404-411.

-    Breiman L, Friedman J.H., OlShen R. A. and Ston C. J. (1984). Classification and Regression Trees. California, A Division of Wadsworth Inc.

-    Callaghan F. (2008). Classification trees for survival data with competing risk. [dissertation], Doctor of philosophy, University of Pitters burgh,

-    Cappelli C, D'Elia A. (2006). A tree-based method for selection of variables in models for ordinal data, Quaderni di Statistica, 8: 125-135.

-    Dean L.S. (2007). A Method for detecting optimal splits over time in survival analysis using. tree-structured models. [dissertation], Doctor of philosophy, University of Pitters.burgh.

-    Garzotto M, Beer T, Hodson R, Peters L, Hsieh Y, Barrera E,Klien T,Mori M. (2005). Improved detection of prostate cancer using classification and regression tree analysis, Clinical Oncology; 23 (19): 4322-4329.

-    Gimotty P, Elder D, Fraker D, Botbyl J,Seller K, Elenitsas R, Ming M E, Schuchter, L, Spitz F R,Czerniecki B J,Guerry D. (2007). Identification of high-risk patients among those diagnosed with thin cutaneous melanomas, Clinical Oncology; 25(9): 1129-1134.

-    Hess K R, Abbruzzese M C, Lenzi R, Raber M N, Abbruzzese J L. (1999). Classification and regression tree analysis 0f 1000 consecutive patients with unknown primary carcinoma. Clinical Cancer Research; 5: 3403-3410.

-    Hothorn T, Hornik K, Zeileis A. (2008). Unbiased recursive partitioning: A Conditional inference framework. Journal of Computational and Graphical Statistics, 15(3): 651-674.

-    Hothorn T, Hornik K, Zeileis A. (2006). Unbiased Recursive Partitioning: A Conditional Inference Framework. Computational and Graphical statistics; 15(3):651-674.

-    Kantardzic M (2003).Data Mining: Concept, Model, Method and Algorithms. Wiley, Inter science.

-    Lamborn K. Chang S and Prados M. (2004). Prognostic factors for survival of patients with glioblastoma: Recursive partitioning analysis. Nerro_Oncology; 6: 227-235.

-    Liu J, Letaief K, Coa Z et al. (2004). A Reduced- complexity maximum-likelihood method for Multiuser detection, IEEE Transaction on Communication, 25(2):289-295.

-    Molinaro A, Dudoit S, Van der Laan M. (2004). Tree-based multivariate regression and density estimation with right-censored data. Multivariate Analysis, 90: 154-177.

-    Oberc M. (1993). Tree-structured methods for the proportional hazards model. [dissertation], Doctor of philosophy, University of Toronto,

-    Schittgen R. (1999). Regression trees for survival Data-an approach to select Discontinuous split points by rank statistics Biometrical Journal; 41: 943-954.

-    Segal M. (1988). Regression trees for Censored data. Biometrics,44: 35-48.

-    Takashi O, Cook E.F, NakaMura T,Saito J, Ikawa F, Fukui T. (2006). Risk stratification for in-hospital mortality in spontaneous intra cerebral haemorrhage: A Classification and Regression Tree analysis. QJ Med,99: 743-750.

-    Wang J. (2002). Tree-structured classification for multivariate binary responses. [Dissertation], Doctor of philosophy, North Carolina State University.

-    Wernecke K, Possinger K, Kalb G and Stein J. Validating classification

-    WU Y, Genton M, Stefanski L. (2009). A Comparison of Node-Splitting Rules in Recursive Partitioning Analysis of Multivariate Quantitative Structure Activity Data. Statistics in Biopharmaceutical Research, 1(2): 119-130.