|
另外，本文采用主成分分析方法对量化后的音位特征数据（表1）进行处理。主成分分析（Principle Component Analysis）是目前非常流行也较为成熟的多变量统计方法。其中心思想是从原来众多具有一定相关性的特征中抽取重要的信息内容，重新组合这些信息成一组互相无关的综合指标解释原来的特性，解释能力的多少根据特征矩阵的特征根的大小判断。每一个综合特征是原多个特征的线性组合，所以可以进一步分析观测数据与特征的结构性。由于主成分分析不需要任何的假设，所以具有较广泛的应用。该方法不仅可以减少特征数量；自适应地获取不同语言特征的重要性（张梦翰和李晨雨2013）；还可以观察数据间的相似性，通过绘制主成分散点图可以发现观测数据的聚合关系；并且计算结果易于可视化。本文采用SPSS18.0统计分析软件进行主成分分析，并绘制散点图。 根据主成分分析计算出第一个主成分的贡献率为48.53%，第二个主成分的贡献率为23.84%，前两个主成分的累积贡献率超过了70%，说明两个新综合指标能够表达原始特征数据中超过70%信息（见表4）。所以选取前两个主成分作为这11个方言点的新的特征，并绘制出在新主成分特征下11个方言点的散点图（见图2），观察该11个方言点的分布情况。 最后，为了将方言点投影在地图上观察特征在地理上的分布，需要建立用于地理投影的数据表。该数据表的前两列是每个方言点的经纬度数值，数据来源于Google Map（谷歌地图）；第三列分别选取第一或者第二主成分。通过克里格插值算法对数据表进行插值计算，结果以高程模拟方式在地图上显示（见图3和图4）。人类群体遗传学专家（Cavalli-Sforza et al.1994）很早就尝试将主成分分析方法与地理信息相结合绘制特定主成分的等值线地图，称为综合图（Synthetic Map）。在群体遗传学领域，综合图不仅能非常直观的展示不同地域群体之间遗传结构上的异同，而且还浓缩了不同群体特征信息（文波2003：39）。为了展现语言特征在地理分布上的综合差异，本文采用Surfer10软件绘制综合图。 
(责任编辑：admin) |