对应分析 课件.ppt

对应分析 行和列变量的相关问题 在因子分析中，或者只对变量（列中的变量）进行分析，或者只对样品（观测值或行中的变量）进行分析；而且利用载荷图来描述各个变量之间的接近程度。 典型相关分析也只研究列中两组变量之间的关系。 行和列变量的相关问题 然而，在很多情况下，所关心的不仅仅是行或列本身变量之间的关系，而是行变量和列变量的相互关系； 这就是因子分析等方法所没有说明的了。先看一个例子。 例子（数据ChMath.txt ) 为了考察汉字具有的抽象图形符号的特性能否会促进儿童空间和抽象思维能力。该数据以列联表形式展示在表中： 在研究读写汉字能力与数学的关系的研究时，人们取得了232个美国亚裔学生的数学成绩和汉字读写能力的数据。 例子（数据ChMath.txt ) 该数据关于汉字读写能力的变量有三个水平： “纯汉字”意味着可以完全自由使用纯汉字读写， “半汉字”意味着读写中只有部分汉字（比如日文）， 而“纯英文”意味着只能够读写英文而不会汉字。而数学成绩有4个水平（A、B、C、D）。 人们可以对这个列联表进行前面所说的c2检验来考察行变量和列变量是否独立。结果在下面表中（通过Analyze－Descriptive Statistics－Crosstabs） 所有的检验都很显著，看来两个变量的确不独立。 对应分析 但是如何用象因子分析的载荷图那样的直观方法来展示这两个变量各个水平之间的关系呢？这就是对应分析（correspondence analysis）方法。 对应分析方法被普遍认为是探索性数据分析的内容，因此，读者只要能够会用数据画出描述性的点图，并能够理解图中包含的信息即可。 对应分析 处理列联表的问题仅仅是对应分析的一个特例。一般地， 对应分析常规地处理连续变量的数据矩阵；这些数据具有如在主成分分析、因子分析、聚类分析等时所处理的数据形式。 对应分析 在对应分析中，根据各行变量的因子载荷和各列变量的因子载荷之间的关系，行因子载荷和列因子载荷之间可以两两配对。 如果对每组变量选择前两列因子载荷，则两组变量就可画出两因子载荷的散点图。 由于这两个图所表示的载荷可以配对，于是就可以把这两个因子载荷的两个散点图画到同一张图中，并以此来直观地显示各行变量和各列变量之间的关系。 对应分析 由于列联表数据形式和一般的连续变量的数据形式类似，所以也可以用对应分析的数学方法来研究行变量各个水平和列变量各个水平之间的关系； 虽然对不同数据类型所产生结果的解释有所不同，数学的原理是一样的。下面通过对ChMath.txt数据的计算和结果分析来介绍对应分析。 首先看对应分析结果的一个主要SPSS展示，然后再解释该图的来源和解释。 运用纯汉字的点和最好的数学成绩A最接近，而不会汉字只会英文的点与最差的数学成绩F（或者D，虽然在纵坐标稍有差距）最接近，而用部分汉字的和数学成绩B接近。 对应分析的数学原理是什么？ 结果解释 根据SPSS对数据ChMath.sav的计算，得到一些表格。 其中第一个就是下面的各维的汇总表。这里所涉及的是行与列因子载荷之间的关系；选择行和列变量的显著的因子载荷的标准是一样的。选择多少就涉及几维。为了画出散点图，就至少要选择两维了。 表中的术语 Inertia－惯量, 为每一维到其重心的加权距离的平方。它度量行列关系的强度。 Singular Value－奇异值（是惯量的平方根），反映了是行与列各水平在二维图中分量的相关程度，是对行与列进行因子分析产生的新的综合变量的典型相关系数。 Chi Square－就是关于列联表行列独立性c2检验的c2统计量的值，和前面表中的相同。其后面的Sig为在行列独立的零假设下的p-值，注释表明自由度为(4-1)×(3-1)=6，Sig.值很小说明列联表的行与列之间有较强的相关性。 Proportion of Inertia－惯量比例，是各维度（公因子）分别解释总惯量的比例及累计百分比，类似于因子分析中公因子解释能力的说明。 解释 从该表可以看出，由于第一维的惯量比例占了总比例的93.9%，因此，其他维的重要性可以忽略（虽然画图时需要两维，但主要看第一维－横坐标）。 在SPSS的输出中还有另外两个表分别给出了画图中两套散点图所需要的两套坐标。 解释 该表给出了图中三个汉字使用点的坐标：纯汉字(-.897,-.240)，半汉字(.102,.491)，纯英文(.970,-.338)，以及四个数学成绩点的坐标：数学A(-.693,-.345)，数学B(-.340,.438)，数学C(.928,.203)，数学D(1.140,-.479)。 两表中的概念不必记；其中Mass为行与列的边缘概率；Score in Dimension是各维度的分值 (二维图中的坐标)；Inertia