精华内容
下载资源
问答
  • SPSS(十三)SPSS之多重对应分析(图文+数据集) 前一篇SPSS(十二)SPSS对应分析(图文+数据集)讲的只是针对两个变量的,我们看其对话框,行列都只是能放一个变量而已,对应的是简单的对应分析,对应操作如下 ...

    SPSS(十三)SPSS之多重对应分析(图文+数据集)

    前一篇SPSS(十二)SPSS对应分析(图文+数据集)讲的只是针对两个变量的,我们看其对话框,行列都只是能放一个变量而已,对应的是简单的对应分析,对应操作如下

     

     但是假如我们研究多个变量呢?不止是两个分类变量之间的关联呢??通过最优尺度分析来解决多组分类变量之间的关联分析。

    最优尺度变换

    最优尺度变换诞生背景

    许多时候我们所分析的变量并非连续性变量,如评分、等级等如果要按照连续变量来分析,则存在一个适当量化的问题;有时候虽然变量均为连续性,但变量间的关系并非简单的线性,而现有的多元分析方法几乎无一例外的是以线性关联为基础进行分析的;多个变量间的复杂联系如何能够简单明了的表现出来?

    所谓最优尺度变换的本质,就是根据数据本身的关联,寻找出最佳的原始变量评分方法,将原始变量一律转化为相应的分值,并在转化时将变量间的关联一律变换为线性,这样就解决了以上问题

    可以同时分析多个分类变量间的关系,并同样用图形方式表示出来

    在变量种类上更加丰富,已可以处理各种类型的变量,如对无序多分类分析、有序多分类变量和连续性变量同时进行分析的问题

    最优尺度缺点

    • 不能自动筛选变量,需要用户根据经验和分析结果进行耐心筛选
    • 对样本量要求较大,特别是对少数极端值和罕见类别频数的变化非常敏感
    • 由于结果往往以图形方式呈现,不加注意可能会得到完全错误地分析结果
    • 所作的最优尺度变换是基于数据本身而来,当增减变量、或者对变量进行变换后重新拟合时,相应的结果可能完全不同

     最下边的选定分析里有三种分析方法。也就是最优尺度对应的三种分析方法。

    最佳度量水平里有两个选项,所有变量均为多重标称,或某些变量并非多重标称。那么什么叫多重标称呢?多重标称的意思可以理解为就是分类变量。也就是说你的变量都是分类变量的话,那你就选第一个,如果不是的话,那就是选第二个。然后变量集的数目又有两个选项,一个集合,或两个集合。这个意思是在问你你的变量是全都放到一个集合里呢还是分开放到好几分集合里。如果放在一个集合里,那就是对应分析的简单扩展,用来分析多个分类变量的关系。如果是放在多个集合里,那就是用来分析放在不同集合的变量之间的相关性(就是在做集合与集合之间的相关分析)

    • Homogeneity (HOMALS)

    同质性分析,即多重对应分析

    以图形化方式展示多个分类变量间的关系

    • Categorical Principal Components (CatPCA)

    其实质为分类变量的主成分分析

    当一些变量为名义测量外的其它测量(有序分类或连续性变量)时使用

    也就是MR中常用的多维偏好分析

    • Nonlinear Canonical Correlation (OVERALS)

    非线性典型相关方法

    用于分析两个或多个变量集之间的关系

    允许变量为任何类型

     

    案例:轿车特征与一些用户特征的数据之间的联系如何

    某次调查得来的轿车特征与一些用户特征的数据,请分析汽车原产地(norigin)、汽车大小(nsize)、轿车类型(ntype)、是否租房(nhome)、有无双份收入(nincome)、性别(nsex)、婚姻状况(nmarit)之间的联系如何

    数据集如下

    2	1	2	2	2	2	1
    2	1	2	2	2	2	1
    1	3	1	2	2	2	1
    1	2	1	2	2	2	1
    2	2	1	2	2	2	1
    2	2	1	2	2	2	1
    2	2	1	2	2	2	1
    2	2	1	2	2	2	2
    2	1	1	2	2	2	1
    2	3	3	1	2	2	1
    3	3	3	1	2	2	1
    1	3	3	1	2	2	1
    1	3	3	1	2	2	2
    1	2	3	1	2	2	1
    2	2	3	1	2	2	2
    1	1	3	1	2	2	1
    2	1	3	1	2	2	1
    2	1	3	1	2	2	1
    2	1	3	1	2	2	1
    2	1	3	1	2	2	2
    2	1	3	1	2	2	2
    2	1	3	1	2	2	2
    1	1	3	1	2	2	2
    2	1	3	1	2	2	2
    1	1	3	1	2	2	2
    1	2	2	1	2	2	1
    3	2	2	1	2	2	1
    1	2	2	1	2	2	1
    1	2	2	1	2	2	1
    1	2	2	1	2	2	1
    1	2	2	1	2	2	1
    1	2	2	1	2	2	2
    2	2	2	1	2	2	2
    2	2	2	1	2	2	3
    2	1	2	1	2	2	1
    2	1	2	1	2	2	1
    3	1	2	1	2	2	1
    2	1	2	1	2	2	1
    2	1	2	1	2	2	1
    3	1	2	1	2	2	1
    2	1	2	1	2	2	1
    2	1	2	1	2	2	1
    3	1	2	1	2	2	2
    2	1	2	1	2	2	2
    3	1	2	1	2	2	2
    2	1	2	1	2	2	3
    1	3	1	1	2	2	1
    1	3	1	1	2	2	1
    1	3	1	1	2	2	2
    1	3	1	1	2	2	2
    1	3	1	1	2	2	2
    1	3	1	1	2	2	2
    3	3	1	1	2	2	2
    1	3	1	1	2	2	2
    1	3	1	1	2	2	2
    1	3	1	1	2	2	2
    1	2	1	1	2	2	1
    2	2	1	1	2	2	1
    3	2	1	1	2	2	1
    2	2	1	1	2	2	1
    3	2	1	1	2	2	1
    2	2	1	1	2	2	1
    2	2	1	1	2	2	1
    1	2	1	1	2	2	1
    1	2	1	1	2	2	1
    2	2	1	1	2	2	1
    1	2	1	1	2	2	1
    2	2	1	1	2	2	1
    3	2	1	1	2	2	2
    3	2	1	1	2	2	2
    3	2	1	1	2	2	2
    2	2	1	1	2	2	2
    2	2	1	1	2	2	2
    1	2	1	1	2	2	2
    1	2	1	1	2	2	2
    1	2	1	1	2	2	2
    1	2	1	1	2	2	2
    2	2	1	1	2	2	2
    1	2	1	1	2	2	2
    1	2	1	1	2	2	2
    2	2	1	1	2	2	2
    2	2	1	1	2	2	2
    1	2	1	1	2	2	2
    1	2	1	1	2	2	2
    2	2	1	1	2	2	2
    2	2	1	1	2	2	2
    1	2	1	1	2	2	2
    3	2	1	1	2	2	2
    2	2	1	1	2	2	3
    1	1	1	1	2	2	1
    2	1	1	1	2	2	1
    1	1	1	1	2	2	1
    2	1	1	1	2	2	1
    2	1	1	1	2	2	1
    1	1	1	1	2	2	1
    2	1	1	1	2	2	2
    1	1	1	1	2	2	2
    2	1	1	1	2	2	2
    2	1	1	1	2	2	2
    1	1	1	1	2	2	2
    2	1	1	1	2	2	2
    2	2	2	2	1	2	3
    3	2	2	2	1	2	3
    1	2	2	2	1	2	3
    1	2	2	2	1	2	3
    2	1	2	2	1	2	3
    2	1	2	2	1	2	3
    2	1	2	2	1	2	3
    2	1	2	2	1	2	3
    2	1	2	2	1	2	3
    3	1	2	2	1	2	3
    1	1	2	2	1	2	3
    1	1	2	2	1	2	3
    2	1	2	2	1	2	4
    2		2	2	1	2	3
    1	2	1	2	1	2	3
    2	2	1	2	1	2	3
    1	2	1	2	1	2	3
    1	2	1	2	1	2	4
    1	2	1	2	1	2	4
    1	2	1	2	1	2	4
    2	2	1	2	1	2	4
    3	1	1	2	1	2	1
    1	1	1	2	1	2	1
    2	1	1	2	1	2	3
    2	1	1	2	1	2	3
    2	1	1	2	1	2	3
    2	1	1	2	1	2	4
    3	3	3	1	1	2	3
    1	3	3	1	1	2	4
    2	2	3	1	1	2	4
    2	1	3	1	1	2	3
    2	1	3	1	1	2	3
    1	1	3	1	1	2	4
    1	2	2	1	1	2	3
    2	2	2	1	1	2	3
    2	2	2	1	1	2	3
    3	2	2	1	1	2	4
    3	1	2	1	1	2	3
    1	1	2	1	1	2	3
    2	1	2	1	1	2	3
    3	1	2	1	1	2	3
    1	2	1	1	1	2	3
    2	2	1	1	1	2	3
    3	2	1	1	1	2	3
    1	2	1	1	1	2	4
    2	1	1	1	1	2	3
    2	1	1	1	1	2	4
    2	1	1	1	1	2	4
    2	2	3	2	2	1	1
    2	2	3	2	2	1	1
    2	1	3	2	2	1	1
    1	1	2	2	2	1	1
    2	1	2	2	2	1	1
    2	1	2	2	2	1	1
    2	1	2	2	2	1	3
    1	3	1	2	2	1	1
    2	2	1	2	2	1	1
    1	1	1	2	2	1	1
    2	1	1	2	2	1	1
    2	1	1	2	2	1	1
    1	1	1	2	2	1	1
    1	3	3	1	2	1	2
    1	2	3	1	2	1	1
    2	2	3	1	2	1	2
    2	2	3	1	2	1	2
    1	2	3	1	2	1	2
    1	1	3	1	2	1	1
    2	1	3	1	2	1	1
    2	1	3	1	2	1	2
    2	1	3	1	2	1	2
    1	3	2	1	2	1	3
    1	2	2	1	2	1	1
    2	2	2	1	2	1	1
    2	2	2	1	2	1	1
    3	2	2	1	2	1	1
    2	2	2	1	2	1	1
    2	2	2	1	2	1	1
    2	2	2	1	2	1	2
    2	2	2	1	2	1	2
    3	2	2	1	2	1	3
    2	2	2	1	2	1	3
    3	2	2	1	2	1	3
    1	1	2	1	2	1	1
    3	1	2	1	2	1	1
    3	1	2	1	2	1	1
    2	1	2	1	2	1	1
    3	1	2	1	2	1	1
    2	1	2	1	2	1	1
    2	1	2	1	2	1	1
    2	1	2	1	2	1	1
    2	1	2	1	2	1	2
    3	1	2	1	2	1	2
    3	1	2	1	2	1	2
    2	1	2	1	2	1	3
    1	3	1	1	2	1	2
    1	3	1	1	2	1	2
    1	3	1	1	2	1	2
    1	3	1	1	2	1	2
    2	2	1	1	2	1	1
    1	2	1	1	2	1	1
    1	2	1	1	2	1	1
    2	2	1	1	2	1	1
    1	2	1	1	2	1	2
    3	2	1	1	2	1	2
    2	2	1	1	2	1	2
    3	2	1	1	2	1	2
    2	2	1	1	2	1	2
    1	2	1	1	2	1	2
    2	2	1	1	2	1	2
    2	2	1	1	2	1	2
    1	2	1	1	2	1	2
    1	2	1	1	2	1	2
    3	2	1	1	2	1	2
    2	2	1	1	2	1	4
    2	1	1	1	2	1	1
    2	1	1	1	2	1	1
    3	1	1	1	2	1	1
    3	1	1	1	2	1	1
    1	1	1	1	2	1	1
    2	1	1	1	2	1	1
    2	1	1	1	2	1	1
    2	1	1	1	2	1	2
    2	1	1	1	2	1	2
    1	1	1	1	2	1	2
    2	1	1	1	2	1	2
    2	1	1	1	2	1	2
    2	1	1	1	2	1	2
    1	1	1	1	2	1	2
    1	1	1	1	2	1	2
    2	1	1	1	2	1	3
    1	3	3	2	1	1	3
    3	3	3	2	1	1	3
    2	2	3	2	1	1	3
    2	1	3	2	1	1	3
    2	1	3	2	1	1	3
    2	1	3	2	1	1	3
    1	1	3	2	1	1	3
    2	1	3	2	1	1	3
    2	1	3	2	1	1	3
    2	1	3	2	1	1	3
    1	2	2	2	1	1	1
    2	2	2	2	1	1	3
    1	2	2	2	1	1	3
    2	2	2	2	1	1	3
    2	2	2	2	1	1	3
    1	2	2	2	1	1	3
    1	1	2	2	1	1	1
    2	1	2	2	1	1	2
    2	1	2	2	1	1	3
    1	1	2	2	1	1	3
    2	1	2	2	1	1	3
    2	1	2	2	1	1	3
    2	1	2	2	1	1	3
    2	1	2	2	1	1	3
    2	1	2	2	1	1	3
    3	1	2	2	1	1	3
    1	3	1	2	1	1	3
    1	3	1	2	1	1	3
    1	3	1	2	1	1	3
    1	2	1	2	1	1	1
    1	2	1	2	1	1	2
    2	2	1	2	1	1	3
    1	2	1	2	1	1	3
    2	2	1	2	1	1	3
    1	2	1	2	1	1	3
    2	2	1	2	1	1	3
    1	2	1	2	1	1	3
    1	2	1	2	1	1	3
    2	1	1	2	1	1	3
    2	1	1	2	1	1	3
    3	1	1	2	1	1	3
    2	1	1	2	1	1	3
    2	1	1	2	1	1	3
    2	1	1	2	1	1	4
    1	3	3	1	1	1	1
    1	3	3	1	1	1	3
    2	2	3	1	1	1	1
    1	2	3	1	1	1	2
    1	2	3	1	1	1	3
    2	1	3	1	1	1	2
    1	1	3	1	1	1	2
    3	1	3	1	1	1	2
    2	1	3	1	1	1	3
    1	1	3	1	1	1	3
    3	2	2	1	1	1	3
    1	2	2	1	1	1	3
    1	2	2	1	1	1	3
    2	2	2	1	1	1	3
    3	2	2	1	1	1	3
    2	1	2	1	1	1	2
    2	1	2	1	1	1	3
    2	1	2	1	1	1	3
    1	1	2	1	1	1	3
    2	1	2	1	1	1	3
    2	1	2	1	1	1	3
    2	1	2	1	1	1	3
    3	1	2	1	1	1	3
    2	1	2	1	1	1	3
    3	1	2	1	1	1	3
    2	1	2	1	1	1	3
    2	1	2	1	1	1	3
    2	1	2	1	1	1	3
    1	3	1	1	1	1	1
    1	3	1	1	1	1	2
    1	3	1	1	1	1	2
    1	3	1	1	1	1	2
    1	3	1	1	1	1	2
    1	3	1	1	1	1	2
    2	3	1	1	1	1	2
    1	3	1	1	1	1	2
    1	3	1	1	1	1	3
    1	3	1	1	1	1	3
    1	3	1	1	1	1	3
    2	2	1	1	1	1	1
    1	2	1	1	1	1	2
    1	2	1	1	1	1	2
    2	2	1	1	1	1	2
    3	2	1	1	1	1	2
    1	2	1	1	1	1	2
    1	2	1	1	1	1	2
    2	2	1	1	1	1	2
    3	2	1	1	1	1	2
    1	2	1	1	1	1	2
    2	2	1	1	1	1	3
    1	2	1	1	1	1	3
    2	2	1	1	1	1	3
    2	1	1	1	1	1	1
    2	1	1	1	1	1	2
    2	1	1	1	1	1	2
    1	1	1	1	1	1	2
    2	1	1	1	1	1	2
    2	1	1	1	1	1	3
    2	1	1	1	1	1	3
    1	3	1	2	2		2
    1	2	1	2	2		2
    1	2	1	1	2		1
    1	1	2	2	1		3
    3	1	2	2	0		1

    结果解释:
    类别点联合图为主要重点,我们在图中得到可能的解释,要回到原始的数据表看是否支持自己的观点(添加X/Y参考线找出原点),分析结果和简单对应分析图解读一致

    按案例数加注标签的对象点:表示出每个个体在空间的分布,很难从中得到有价值的信息,一般我们可以存储其坐标,再进行聚类分析,再和个体背景变量关联,做一些预测和关联分析

    辨别度量图:可以看出变量在各维度携带的信息量,图中我们看出性别无论在那个维度,携带信息量都很少,如果后续想要简化模型,可以考虑那些变量可以剔除 

    多重对应分析注意事项

    • 由于算法不同,当分析两个变量时,结果不会等同于简单对应分析,但是基本相同
    • 不推荐同时分析过多变量
    • 必要时应当对频数较少的类别加以合并或者剔除
    • 得到结果后应当和原始表格加以仔细对照,以确保分析结果的正确性
    展开全文
  • SPSS(十二)SPSS对应分析(图文+数据集)

    万次阅读 多人点赞 2019-05-28 17:08:47
    SPSS(十二)SPSS对应分析(图文+数据集) 对应分析的介绍 对应分析其实是对分类变量进行信息浓缩的方法,之前的主成分分析/因子分析针对的是连续型的变量 分析分类变量间关系时 卡方检验只能给出总体有无关联的...

    SPSS(十二)SPSS对应分析(图文+数据集)

    对应分析的介绍

    对应分析其实是对分类变量进行信息浓缩的方法,之前的主成分分析/因子分析针对的是连续型的变量

    分析分类变量间关系时

    • 卡方检验只能给出总体有无关联的结论,但不能进行精细分析,在变量类别极多时于事无补
    • Logistic模型在多分类时我们可以使用哑变量,但是例如56各民族,我们要弄55个哑变量,自变量还要考虑交互项,几百个参数,过于笨拙

    解决办法

    • 精细建模:对数线性模型

    对数线性模型在探究分类变量与分类变量之间的关系时非常强大,不过太过复杂,不好解释

    • 直观展示:对应分析(对于对数线性模型我们可以偷点懒,不要那么精细,让其好解释一点)

     

    对应分析的特点

    • 是多维图示分析技术之一,结果直观、简单
    • 与因子分析有关,等价于分类资料的典型相关分析
    • 用于展示两个/多个分类变量各类间的关系(比如:高收入、黑人、男性倾向于反对开战)
    • 研究较多分类变量间关系时较佳
    • 各个变量的类别较多时较佳(均为四类以上)

     

    对应分析的实质(理论很复杂,但是结果很明了简单)

    • 就是对列联表中的数据信息进行浓缩,然后以易于阅读的图形方式呈现出来
    • 以默认的卡方测量方式为例,首先以列联表为分析基础,计算基于H0假设的标化单元格残差

    • 将每行看成是一条记录,基于列变量相关系数阵进行因子分析,计算出列变量各类的负荷值
    • 将每列看成是一条记录,基于行变量相关系数阵进行因子分析,计算出行变量各类的负荷值

    一句话来说就是计算出残差,残差做因子分析提取主成分之后绘图(散点图)表示

     

    对应分析的局限性

    • 不能进行变量间相关关系的检验仍然只是一种统计描述方法
    • 解决方案的所需维度需要研究者决定
    • 对极端值敏感对于小样本不推荐使用

     

    案例:头发与颜色间存在何种关联

    数据集如下

    98	1	1
    343	1	2
    326	1	3
    688	1	4
    48	2	1
    84	2	2
    38	2	3
    116	2	4
    403	3	1
    909	3	2
    241	3	3
    584	3	4
    681	4	1
    412	4	2
    110	4	3
    188	4	4
    85	5	1
    26	5	2
    3	5	3
    4	5	4

    第一列的数据是加权的

    我们先使用百分比堆积图看会比较直观一些

    我们的对应分析就是比上面那个更加直观的表示出来,对应分析只是一种统计描述的方法,我们要先进行卡方检验

    结果如下 :

    Pearson卡方检验Sig.<0.05证明两个变量并不是没有关联的,并不是完全独立的

    对应分析建模

    定义其范围

     

    结果解读
    摘要:就是提取了几个维度,最多可以提取三个维度,我们看到其只取了两个维度;摘要里面有卡方检验,其实我们前面单独做卡方检验没有必要,和前面我们自己手动做卡方检验结果一致;比较有用的是惯量比例里面的解释,指的是这个信息携带了百分之多少的原始信息量

    概述行、列点:在两个维度坐标空间中计算出其对应的坐标

    行和列点:这个就是对应分析图,也就是我们最终结果呈现

     

    为了方便结果查看,我们添加X/Y参考线,位置都为0

    (0,0)代表无任何倾向,无任何关联

    得到这张图

     

    对应分析图的阅读

    每个维度可能代表了一种特征

    实际上就是一个提取出的主成分,但由于分类变量的信息较少,可能找不到合理的解释

    1.考察同一变量的区分度:如果同一变量不同类别在某个方向上靠得较近,则说明这些类别在该维度上区别不大。

    2.考察不同变量的类别联系:一般而言,落在从图形原点(0,0)处出发相同方位上大致相同区域内的不同变量的分类点彼此有联系。散点间距离越近,说明关联倾向越明显;散点离原点越远,也说明关联倾向越明显。

     

    (注意:远点周围的点不要去解释,因为原点代表无任何倾向,无任何关联)

    对应分析图的正确解释

    • 错误的解释:金色头发的儿童中蓝色、浅色眼睛者居多
    • 正确的解释:相对于平均水平而言,金色头发的儿童中蓝色、浅色眼睛的比例要高一些,也就是高于其他颜色头发的儿童

     

     

    对应分析补充扩展

    假如某一个变量的类别数据量太少我们不想纳入模型分析,可以设置其为补充型,选为补充型之后类别不会纳入模型,但是会显示结果

    变量下面的框框,定义范围,类别约束里面选类别为补充型

     

    假如我们想把两个类别当成一个类别来观察,还是在刚才那里设置,设置为类别必须相等

     

    对应分析中应注意的问题

    分析目的:重在观察行、列变量间的联系

    数据类型:无序分类较佳,如果均为有序分类,且变量较多时,采用多维偏好分析更合适

    样本量:对极端值敏感,分析时有必要去除频数过少的单元格,对于小样本不推荐使用

    变量间关联:不能将对应分析作为筛选相关变量的方法,变量纳入前最好先做卡方检验

     

    展开全文
  • 七种角度分析对应分析方法

    千次阅读 2014-05-04 21:34:48
    对应分析方法与对应解读方法——七种分析... 这里主要介绍大家了解对应分析的基本方法,如何帮助探索数据,分析列联表和卡方的独立性检验,如何解释对应,当然大家也可以看到如何用SPSS操作对应分析和对数据格式的

    对应分析方法与对应图解读方法——七种分析角度


        对应分析是一种多元统计分析技术,主要分析定性数据Category Data方法,也是强有力的数据图示化技术,当然也是强有力的市场研究分析技术。

        这里主要介绍大家了解对应分析的基本方法,如何帮助探索数据,分析列联表和卡方的独立性检验,如何解释对应图,当然大家也可以看到如何用SPSS操作对应分析和对数据格式的要求!

        对应分析是一种数据分析技术,它能够帮助我们研究由定性变量构成的交互汇总表来揭示变量间的联系。交互表的信息以图形的方式展示。主要适用于有多个类别的定类变量,可以揭示同一个变量的各个类别之间的差异,以及不同变量各个类别之间的对应关系。适用于两个或多个定类变量。

    主要应用领域:

    • 概念发展   (Concept Development)
    • 新产品开发  (New Product Development)
    • 市场细分     (Market Segmentation)
    • 竞争分析     (Competitive Analysis)
    • 广告研究     (Advertisement Research)

    主要回答以下问题:

    • 谁是我的用户?
    • 还有谁是我的用户?
    • 谁是我竞争对手的用户?
    • 相对于我的竞争对手的产品,我的产品的定位如何?
    • 与竞争对手有何差异?
    • 我还应该开发哪些新产品?
    • 对于我的新产品,我应该将目标指向哪些消费者?
    数据的格式要求
    •  对应分析数据的典型格式是列联表或交叉频数表。 常表示不同背景的消费者对若干产品或产品的属性的选择频率。背景变量或属性变量可以并列使用或单独使用。
               两个变量间——简单对应分析。
               多个变量间——多元对应分析。
    案例分析:自杀数据分析
    上面的交互分析表,主要收集了48961人的自杀方式以及自杀者的性别和年龄数据!POISON(毒药)GAS(煤气)HANG(上吊)DROWN(溺水)GUN(开枪)JUMP(跳楼)(我们就不翻译成中文了,读者可以把六个方式想象成品牌或别的什么)
    当然,我们拿到的最初原始数据可能是SPSS数据格式记录表,
    其中,性别取值1-male 2-female,年龄取值1-5,分别表示不同年龄段。
    要回答的问题是:
    1-不同性别的人在选择自杀方式上有什么差别?
    2-不同年龄的人在选择自杀方式上有什么差别?
    3-不同性别年龄的人在选择自杀方式上有什么差别?
    我们首先,把性别字段乘上10加上年龄字段生成新字段sexage,取值是11-15,21-25,然后分别用M/F和年龄组中值代表Sexage字段的变量值标,这样我们就可以进行简单对应分析了!

    现在问大家,如果你看到上面的6×10的矩阵-列联表,你能看出什么差异?
    现在我们采用SPSS软件进行对应分析!
    (我现在用的是SPSS17.0多语言版本,前两天听博易智讯的人说,现在SPSS已经有18.0版本了,不过从对应分析方法角度我还是希望用11.5版本,因为可以自己拆分重新组合修改图形,现在的版本是图片了,不能随心所欲的修改,不爽!)

    分别定义好行列变量以及它们的取值范围!
    对应分析中,6×10的列联表(交互表)可以得到行列维度最小值减1的维度,我们看到第一维度Dim1解释了列联表的60.4%,第二维度Dim2解释了列联表的33.0%,说明在两个维度上已经能够说明数据的93.4%,这是比较理想的,当然我们也可以看卡方检验等!
    下面我们主要解释如何解读对应图(小蚊子的博客中也有非常相似的解释,我非常欣赏他的博客)
    首先对SPSS分析得到的对应图进行修饰和编辑,在零点增加两条中线!
    解读方法:
    1-总体观察:
    我们从图上左右可以看出,左边全部是M*,男性,右边F*全部是女性,说明男女有显著差异;同时看横轴中线上方都是年龄大的,下面都是年龄小的,说明年龄有差异;这样就一目了然看出和回答了前两个问题;

    2-观察邻近区域
    我们从图上可以看出,老的男性比较喜欢HANG,GAS和GUN是年轻男性的偏好;老的女性比较喜欢DAWN,年轻的女性比较偏好POISON;

    3-向量分析——偏好排序
    我们可以从中心向任意点连线-向量,例如从中心向GUN做向量,然后让所有的人往这条向量及延长线上作垂线,垂点越靠近向量正向的表示越偏好这种方法。
    记住:是垂点到GUN正向排名,从图中我们可以看出,希望GUN方法的人依次是M15、M30、M45、M60、M80、F15等等;依次类推,我们还可以从中心向任意一种方法作垂线,都可以排出每种方法选择人群的偏好次序;当然,你也可以从中心往所有的人作向量,得到每一类人在选择六种方法上的偏好排名!
    你是否可以看出,F15年轻的女性对六个“品牌”的偏好吗?

    4-向量的夹角——余弦定理
    接着,我们可以从向量夹角的角度看不同方法或不同人之间的相似情况,从余弦定理的角度看相似性!
    从图上我们可以看出,当我们从中心向任意两个点(相同类别)做向量的时候,夹角是锐角的话表示两个方法具有相似性,锐角越小越相似;也就是说,GUN和GAS是相似品牌,当如也是竞争品牌,也具有替代性,如果这次开枪没有自杀成功,下次他一定选择毒气啦;我们也看出F15和F30的人比较相似,但F15与M80就有非常大的差异了,因为如果作向量他们是钝角,几乎是平角了!

    5-从距离中的位置看:越靠近中心,越没有特征,越远离中心,说明特征越明显
    从这张对应图中我们看到,有些点远离中心,有些点靠近中心,这说明什么呢?从几何空间的角度,如果我对每一人都一样的好,在规范图上我就应该站在大家的重心,也就是中心;这说明越靠近中心的点,越没有差异,(记住:没有差异并不代表不重要,只是没有差异,因为统计的技术是研究差异的技术,差异越大往往重要性就大!),越远离中心特征越明显,也就是说,如果听到一个M80的人自杀了,估计你就会想到是不是HANG啦!

    从品牌角度思考,说明越远离中的的品牌,消费者很容易识别,说明品牌特征(特色、特点)明显,越靠近中心的品牌,消费者不易识别,也说明你的品牌定位没有显著可识别的特征,没有差异认知!

    6-坐标轴定义和象限分析
    我们还没有定义坐标轴呢?从第一点的分析,其实我们很快就可以定义坐标轴的含义了!(当然有时候对应图的座位是非常难定义的)
    因此,落在第四象限的是年轻的女性所喜欢的品牌!

    7-产品定位:理想点与反理想点模型
    我们可以在图上以POISON为定位点,以POISON为圆心,以它的利益为半径画圆,那么我们可以得出这样的结论:越先圈进来的人就是最喜欢这个品牌的消费群,越先圈进来的品牌越可能是竞争品牌;当然,你也可以以某类人作为圆心,同意解读;如果POISON是市场不存在的,在调查中可以设定为理想点,这样我们就可以得到理想点模型,同理也可以得到反理想点模型分析!

    8-市场细分和定位
    最后,研究人员可以根据前面的分析和自身市场状况,进行市场细分,找到目标消费群,然后定位进行分析!最终选择不同的目标市场制定有针对性的营销策略和市场投放!
    我们也可以尝试采用多元对应分析,但不如简单对应分析有意义!
    简单对应分析的优点:
    定性变量划分的类别越多,这种方法的优势越明显,揭示行变量类别间与列变量类别间的联系,将类别联系直观地表现在二维图形中(对应图),可以将名义变量或次序变量转变为间距变量。
    简单对应分析的缺点:不能用于相关关系的假设检验,维度要由研究者决定,有时候对应图解释比较困难,对极端值比较敏感。



    展开全文
  • 对应分析

    万次阅读 2018-10-21 17:58:45
    对应分析的提出:因子分析的不足 因子分析法分为R型因子分析和Q型因子分析。R型因子分析研究变量(指标)之间的相关关系,Q型因子分析研究样本之间的相关关系。 有时不仅关心变量之间或样本之间的相关...
    对应分析的提出:因子分析的不足
    • 因子分析法分为R型因子分析和Q型因子分析。R型因子分析研究变量(指标)之间的相关关系,Q型因子分析研究样本之间的相关关系。
    • 有时不仅关心变量之间或样本之间的相关关系,还关心变量和样本之间的对应关系,这是因子分析方法不能解释的。
    对应分析(correspondence analysis)概念
    • 定义:研究样本和变量之间的关系
    • 作用:对应分析是分析两组或多组因素之间关系的有效方法,在离散情况下,建立因素间的列联表来对数据进行分析。
    • 应用条件:在对数据作对应分析之前,需要先了解因素间是否独立。如果因素之间相互独立,则没有必要进行对应分析

                            

                            

     

    对应分析基本原理

                       

     

                      

     

    对应分析计算步骤
    • Q型和R型因子分析分别反映了数据的不同方面,他们之间必然有内在的联系,对应分析通过巧妙的数学转换,将Q型和R型因子分析有机地结合起来
    • 即通过求过渡矩阵Z,从而有变量差矩阵A=Z'Z与样本的协方差矩阵B=ZZ'.而矩阵A和B有相同的非零特征根,记为\lambda _1\geq \lambda _2\geq ...\geq \lambda _p. 记矩阵A的特征根\lambda _i,特征向量为U_i,矩阵B对应的特征向量就是ZU_i=V_i

                  

                   

    对应分析注意问题
    • 不能用于相关关系的假设检验
    • 维度由变量所含的最小类别决定
    • 对极端值敏感性研究
    • 研究对象要有可比性
    • 变量的类别应涵盖所有情况
    • 不同标准化分析的结果不同
    展开全文
  • 统计分析--对应分析

    千次阅读 2019-05-19 20:24:19
    统计分析–对应分析sas/r实现 --------仅用于个人学习知识整理和sas/R语言/python代码整理 1.前言 对应分析,主要适用于有多个类别的分类...以下通过实际例子 使用sas及r语言 进行实现,以及附上对应分析图的...
  • 对应分析图解读的七种方法

    千次阅读 2014-05-04 21:44:27
    对应分析图解读的七种方法   转载▼ ... 今天刚听完沈浩老师对对应...本资料重点在数据解读,这点是非常重要的,大部分人会做对应分析,但不一定知道怎么用它。所以整理出来供大家参考,希望对你们有帮助~~~
  • spss 对应分析

    2019-12-26 14:06:32
    把一个交叉表结果通过图形的方式展现出来,用以表达不同变量之间以及不同类别之间的关系 个案加权,默认的数据要求是每一行就是一个个案,由于二维列表是两个分类变量的交叉汇总,将...【分析】【降维】【对应分...
  • R 对应分析ca

    千次阅读 2020-05-12 18:40:13
    R中自带数据HairEyeColor 用头发颜色和眼睛颜色形成的列联表做二元对应分析
  • 对应分析及R使用

    万次阅读 2018-11-04 19:51:46
    对应分析是在因子分析基础上发展起来的,因子分析分为R型和Q型因子分析,R型是对变量(指标)做因子分析,Q型是对样品做因子分析,研究样品之间的相互关系,对应分析是把R和Q统一起来,通过R型因子分析直接得到Q型...
  • R语言3.12 对应分析

    2020-03-12 12:07:40
    对应分析是主成分和因子分析的进一步扩展 对应分析的提出是基于因子分析的不足,因子分析方法分为R型因子...对应分析的作用:分析两组或多组因素之间关系的有效方法,在离散情况下,建立因素间的列联表来对数据进行...
  • 在统计学中,统计数据主要可分为四种类型,分别是定类数据,定序数据,定距数据,定比变量。 1.定类数据(Nominal):名义级数据数据的最低级,表示个体在属性上的特征或类别上的不同变量,仅仅是一种标志,没有...
  • 常用的数据分析方法有:聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。 1、聚类分析(Cluster Analysis) 聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将...
  • SPSS工具:对应分析--品牌形象定位

    千次阅读 2018-09-13 20:43:57
    对应分析是一种多元统计数据分析: 至此,对应分析过程已经讲完。看看分析的结果吧:      
  • apache-flume-1.8.0-bin、kafka_2.11-0.10.0.0、spark-2.0.0-bin-hadoop2.7hadoop-2.8.0、hbase-1.2.6、apache-hive-2.1.1-bin、zookeeper-3.4.10、sqoop-1.4.7.bin__hadoop-2.6.0apache-storm-1.1.0未完待续......
  • 对应分析:在同一张上,直观的展现样本和属性的聚类效果,同时省去因子选择、因子轴旋转等复杂过程。具体操作,可以概括为,先将矩阵标准化(比如概率矩阵),再将样本集和属性集作为两组点集表示在同一个二维...
  • 数据挖掘与数据分析

    万次阅读 多人点赞 2018-05-28 13:58:14
    一、数据挖掘和数据分析概述 数据挖掘和数据分析都是从数据中提取一些有价值的信息,二者有很多联系,但是二者的侧重点和实现手法有所区分。 数据挖掘和数据分析的不同之处: 1、在应用工具上,数据挖掘一般要通过...
  • 数据分析-数据分析方法

    千次阅读 2015-11-17 14:34:49
    数据分析作用与对应分析方法 对比分析法 1)分类:静态比较和动态比较 静态比较:同一时间条件下对不同总体指标的比较,如不同部门、不同地区、不同国家的比较,也叫横向比较,简称横比。 动态比较:在同一总体...
  • I。多重对应分析 &nbsp; 多重对应分析在超过两个以上定类变量时有时候非常有效,当然首先我们要理解并思考,如果只有三个或...对应分析数据的典型格式是列联表或交叉频数表。常表示不同背景的消费者对若干产品...
  • 逻辑分析、层次分析 简单数据可视化矢量 条柱:标准条/柱形、分组条/柱形、堆栈条/柱形、组合 直方 散点 饼图 线图:折线、曲线、阶梯 面积:标准面积、堆栈面积、百分比...
  • SPSS数据分析

    千次阅读 2018-06-29 23:02:27
    无非就是数据类型的区别后,就能理解应该用什么样的分析方法,对应分析方法无非是找一些参考资料进行即可。甚至在线网页SPSS软件直接可以将数据分析结果指标人工智能地分析出来,这有多难呢?本文章将周老师...
  • 数据分析数据预处理、分析建模、可视化

    万次阅读 多人点赞 2020-08-08 15:03:21
    概述:简介、思路、发展...数据分析方法:描述统计、假设检验、信度分析、相关分析、方差分析、回归分析、聚类分析、判别分析、主成分分析、因子分析、时间序列分析等; 数据可视化:Excel、PowerBI、Tableau、Python;
  • 在一些新闻报道和商业杂志上,会经常看到一些运用地图来分析展示商业现象,这样一种利用地图来反映和分析数据的形式叫数据地图。在商业数据分析过程中,数据地图是很直观的可视化的表达形式,比如利用地图展示各区域...
  • 如何从列联表获得对应分析的结果

    千次阅读 2018-09-03 20:30:52
    对应分析所针对的原始数据必须有行向量和列向量, 在轻松获得所感兴趣的两个变量组成的列联表之后, 要进行多步转换,才能获取结果. 获取列联表 Sub1 &lt;- data.frame(F$自评成绩, F$可能性) %&gt;% ...
  • * 对应分析 RFM分析 RFM分析是针对销售行为的一种分析方法,在SPSS中有对应的分析模块,叫做直销模块。其作用就是通过对客户行为的分析,筛选出具有高价值的客户。具体的方法简单来说就是选取几个指标,对指标...
  • SPSS与对应分析(类别简单型)

    千次阅读 2018-08-12 18:13:22
    对应分析用SPSS做并不难,比较困难的是解读分析出来的东西。本文只是步骤,结果解读后续再写~ 分析变量的方法主要有: 类型一:变量间型-R型(主成分分析) 类型二:样本间型:(转置后再进行因子分析(步骤相同...
  • 2019年就这么匆匆过去了,就在前几天国家电影局发布了2019年中国电影市场数据数据显示去年总票房为642....不过作为一名严谨求实的数据分析师,我从官方数据中看出了一点端倪:国产票房增幅都已经高达8.65%了,为什...
  • 安装R语言 R语言安装和python类似,都是需要安装一个界面的软件,因此需要安装两个程序。...得到如所示界面 导入EXCEL文档 在环境导入数据集处点击从Excel导入 第一次使用会加载一段时间...
  • 数学建模常用模型16 :对应分析

    千次阅读 2018-08-20 14:44:04
    对应分析( correspondence analysis )是在R型和Q型因子分析基础上发展起来的多元统计分析方法,又称为R-Q型因子分析。 例 试用对应分析研究我国部分省份的农村居民家庭人均消费支出结构。选取7个变量:A为食品...
  • 电商产品评论数据情感分析
  • 1.典型相关分析:两组变量之间的相关问题 cancor() cancor(x, y, xcenter = TRUE, ycenter = TRUE) ...注意分析前要对数据进行标准化 scale():对数据进行标准化和中心化 scale(x, center...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,216,217
精华内容 486,486
关键字:

对应分析数据图