Упрощенная HTML-версия
По содержанию в MCA условно выделяют три основных под
раздела:
1) MCA
многомерныхраспределений
и их основных характерис
тик;
2) MCA
характера и структуры взаимосвязей
между компонен
тами исследуемого многомерного признака.
Методы, принадлежащие к первым двум подразделам, в основ
ном, включают алгоритмы, основанные на предположениях о веро
ятностной природе данных. Один из этих методов (дисперсионный
анализ) мы использовали для статистической обработки результа
тов изучения индивидуального риска заболевания КЭ людей, под
вергшихся присасыванию клещей.
3)
MCA геометрической структуры исследуемой совокупности
многомерных наблюдений.
Методы, принадлежащие к этой груп
пе, не укладываются в рамки какой-либо вероятностной модели.
Принципиальным для них является понятие расстояния либо меры
близости между анализируемыми объектами (элементами). Эти ме
тоды решают задачи классификации и включают: кластерный ана
лиз, дискриминантный анализ и многомерное шкалирование [270].
С помощью корреляционного анализа данных по 15 эндемич
ным районам нам не удалось выявить связи между объемами вак
цинации или ИГП и уровнем заболеваемости в 1999-2009 гг., что
не удивительно, так как этот метод MCA основан на предполо
жении о вероятностной природе данных. Очевидно, в отличие от
индивидуального риска заболевания конкретного человека, некор
ректно рассматривать заболеваемость населения КЭ в эндемичных
районах только с позиции случайности и использовать для статис
тической оценки математический аппарат, основанный на теории
вероятностей. Тем более проблематично с помощью корреляцион
ного анализа пытаться получить доказательства позитивного вли
яния увеличения объемов вакцинации на уровень заболеваемости
КЭ, поскольку связь между этими явлениями априори не случайна.
Объемы вакцинации изначально выше в тех районах, где в допри-
вивочном периоде отмечался наиболее высокий уровень заболева
емости.
Учитывая вышесказанное, из всех методов многомерного ста
тистического анализа наиболее приемлемым для решения воп
163