Visualization of the Linear Ordination Techniques Results Using an Example of the Analysis of Property Crime in Poland

Abstract

Streszczenie: Zaletą liniowych technik ordynacyjnych (analizy głównych składowych -PCA i analizy redundancji -RDA) jest m.in. możliwość prezentacji graficznej uzyskanych wyników w przestrzeni dwuwymiarowej z wykorzystaniem diagramów ordynacyjnych (biplotów i triplotów). W pracy omówiono metody wizualizacji wyników PCA i RDA oraz zwrócono uwagę na rolę metod graficznych przy interpretacji uzyskanych wyników. Ze względu na wykorzystane w przykładzie dane liczbowe, szczegółowym celem pracy jest ocena wpływu wybranych czynników społeczno-ekonomicznych na przestępczość przeciwko mieniu w Polsce oraz ocena przydatności metod wizualizacji w tego typu analizach.Słowa kluczowe: analiza redundancji, analiza głównych składowych, biplot, triplot, przestępczość przeciwko mieniu. Summary:The advantages of linear ordination techniques (principal components analysis − PCA and redundancy analysis − RDA) include, among others, the possibility of graphical presentation of the analysis results in two-dimensional space using ordination plots (biplots and triplots). The paper discusses methods for visualizing the results of PCA and RDA and emphasizes the role of graphical methods for the interpretation of the results. The specific objective of the papaer is to assess the influence of selected socio-economic factors on crime against property in Poland and to evaluate the usefulness of graphical methods in this type of analysis.

Changes in the Thickness of Ice Cover on Water Bodies Subject to Human Pressure (Silesian Upland, Southern Poland)

“…It turned out that similar PCA clusters are observed for all water bodies, therefore an exploratory model was run for all water bodies studied. Both PCA and RDA are exploratory data analysis techniques used to detect relationships between variables and to present data structure; they can be used as preliminary methods before more formal data analysis methods are applied (Misztal, 2017).…”

“…In the charts, vectors show the explanatory (LA, V, H, and ST AWT) and explained (average ice thickness-AIT and maximum ice thickness-MIT) variables; the water bodies studied are also shown, depicted as points (Figure 5). The direction of the vector corresponds to the direction of the greatest variability of the explanatory variable, and its magnitude is proportional to the significance of this variable (Misztal, 2017). The closer a point depicting the object in question is to a given variable, the more the phenomenon in question is correlated with that variable.…”