多维尺度与对应分析

现代统计学1.因子分析(Faｃｔor Ａｎalysis)因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子(之所以称其为因子,是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息.运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。

2．主成分分析主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的.主成分分析一般很少单独使用：a，了解数据。

(screeninｇ the daｔa)，b，和ｃｌuｓteｒ aｎaｌysｉs一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。

（ｒeduce dimensiｏｎality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。

主成分分析和因子分析的区别1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。

2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。

３、主成分分析中不需要有假设(ａｓｓｕｍptions）,因子分析则需要一些假设。

因子分析的假设包括：各个共同因子之间不相关，特殊因子（speｃific fａct ｏr）之间也不相关，共同因子和特殊因子之间也不相关.４、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的,可以旋转得到不同的因子。

５、在因子分析中,因子个数需要分析者指定（spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。

我们知道对应分析是一种图示分析技术，通过对应分析图能够简单直观的将变量间的关系加以呈现，多维尺度分析和对应分析类似，也是将变量间的关系通过图形进行展现，关于二者的区别后面会做论述。

一、多维尺度分析简介多维尺度分析Multidimensional Scaling，简称MDS，是一种探索性数据分析技术，主要是用适当的降维方法，将多个变量通过坐标定位在低维空间中(二维或三维)，变量之间的欧氏距离就可以反映它们之间的差异性和相似性。

多维尺度分析根据数据集特征分为：1.不考虑个体差异MDS模型2.考虑个体差异MDS模型MDS模型允许多种类型的数据输入，并且在实际应用中，也有多种测量相似性或差异性的方法，根据分析数据的类型分为：1.度量化MDS模型：也称为古典MDS模型，所输入的数据是直接反映变量间差异或相似的距离或比率，例如城市间的距离就是现成的反映差异的数据。

2.非度量化MDS模型：输入的数据不是直接反映变量间的差异，而是通过对其属性的评分，间接的反映变量间的差异或相似性。

二、多维尺度分析的分析步骤1.界定问题明确研究的问题和范畴，确定相关的变量种类和数量2.获取数据根据实际情况获取分析数据3.选择MDS模型根据获得的数据类型，选择相应的MDS模型4.确定维度MDS模型是为了生成一个用尽可能小的维度对数据进行最佳拟合的空间感知图，因此要确定一个合适的维度，维度太高不易于解读，维度太低会影响拟合度，通常采用二维或三维。

5.模型评价考察应力系数Stress和拟合指数RSQ，应力系数越小越好，RSQ越大越好6.解读图表多维尺度分析最重要的结果是感知图，图中各点之间的距离直接反映了各变量的相似或差异程度，除了查看差异程度之外，如果要对图表进行整体的分析解读，还需要对每个维度进行解释。

三、多维尺度分析与对应分析的异同相同点：1.都是可以得出有直观的图形结果，并且也都常用在市场分析中2.都具有降维，数据浓缩的思想，实际上，多元统计分析都是基于将高维空间的数据压缩至低维空间进行分析。

对应分析数据一、概述对应分析数据是一种数据分析方法，用于研究两个或者多个变量之间的关系。

通过对数据进行对应分析，可以揭示变量之间的相关性，并匡助我们理解数据暗地里的模式和趋势。

本文将介绍对应分析数据的基本概念、步骤和应用场景。

二、基本概念1. 对应分析对应分析是一种多元数据分析方法，它通过将多个变量映射到一个低维空间中，从而揭示变量之间的关系。

对应分析可以匡助我们发现数据中的结构和模式，进而进行更深入的分析。

2. 对应图对应图是对应分析结果的可视化表示。

对应图通常是一个二维平面图，其中每一个数据点表示一个观测值，不同的颜色或者符号表示不同的组别或者类别。

通过观察对应图，我们可以看到数据点之间的关系和趋势。

三、步骤对应分析数据的步骤如下：1. 数据准备首先，需要准备要进行对应分析的数据。

数据可以是任何类型的，可以是定量数据（如数值）或者定性数据（如类别）。

确保数据的质量和完整性非常重要。

2. 数据标准化对应分析需要对数据进行标准化，以消除不同变量之间的量纲差异。

常用的标准化方法包括Z-score标准化和归一化等。

3. 计算对应分析利用对应分析的算法，对标准化后的数据进行计算，得到对应分析的结果。

对应分析的算法有多种，常用的包括主成份分析（PCA）和多维尺度分析（MDS）等。

4. 绘制对应图将对应分析的结果绘制成对应图，以便更直观地观察数据之间的关系和趋势。

对应图可以通过各种数据可视化工具来实现，如散点图、气泡图等。

5. 解读对应图通过观察对应图，我们可以解读数据之间的关系和趋势。

可以观察数据点的分布情况、类别之间的距离和相对位置等。

根据对应图的结果，可以进一步进行数据分析和决策。

四、应用场景对应分析数据在各个领域都有广泛的应用，以下列举几个常见的应用场景：1. 市场调研对应分析数据可以匡助市场调研人员了解不同产品或者品牌之间的关系和竞争状况。

通过对应分析，可以发现市场中的潜在细分市场和目标客户群体。

对应分析、多维尺度分析在市场细分中的应用一、分析方法对应分析方法（correspondence analysis）是将R型因子分析与Q型因子分析相结合、对指标与样品同时进行分类的一种多元统计分析方法。

由于R型因子分析与Q型因子分析都是反映一个整体的不同侧面，两者之间具有一定的内在联系，对应分析就是通过过渡矩阵两者结合起来。

1、计算数据变换矩阵Z设有n个样品，p个指标x1，x2，…，xp，数据记为xij。

对数据xij进行对应变换，得到：Z=［zij ］n×p，其中，2.进行R型因子分析计算矩阵Z′Z的特征值：λ1≥λ2≥…≥λp。

根据累积贡献率80%、85%或90%，取前m个特征值，计算相应的单位特征向量，从而得到R型因子载荷矩阵；在两两因子轴平面上作出指标散点图。

3.进行Q型因子分析对上面计算出的m个特征值，计算矩阵ZZ′的单位特征向量，从而得到Q 型因子载荷矩阵；在与R型相应的因子平面上作出样品散点图。

4.合理进行解释与推断根据对应分析的原理、方法，针对不同的实际问题，进行合理地解释、分析。

二、多维标度分析多维标度分析（multidimensional scaling MDS）：是一组通过直观的空间图，表示研究对象的感知和偏好的分析方法。

对应分析（correspondence analysis）则是一种用于定性资料的MDS技术，其优点在于调查对象提供数据的负担减轻了。

(一)通过计算得到对象之间的距离矩阵对于任意两个评价对象i，j:如果Fi =Fj，即两个对象处于同一个组内，被访者k认为这两个对象是相似的，那么将他们之间的距离记为：Dijk=0,如果Fi ≠Fj，则将它们之间的距离记为Dijk=1于是我们可以得到被访者k对研究对象之间的相似性评价。

我们不妨记这个矩阵为D k=(D ijk)对于所有n个被访者，我们将被访者的距离矩阵相加作为总体的距离矩阵：根据矩阵的构造方法，很容易看出这个矩阵是一个对称矩阵，并且满足D ii=0(二)作空间知觉图于是我们得到了总体的矩阵，通过多维尺度分析软件（如SPSS）对该矩阵进行分析，就可以绘出研究对象在被访者总体的空间知觉图。

多维尺度与对应分析多维尺度分析（Multidimensional Scaling，简称MDS）是一种用于分析和可视化数据间的相似性和差异性的统计技术。

它可以将多维的数据映射到一个低维的空间中，从而使得数据的结构和关系可以更容易地被理解和分析。

多维尺度分析的基本思想是，通过计算数据间的相似性矩阵或者距离矩阵，然后通过数学方法将高维的数据映射到一个低维的空间，使得数据间的相似性和差异性在低维空间中得到保持。

通常，二维或者三维的空间是最常用的低维空间，可以通过散点图或者其他可视化手段进行展示。

对应分析（Correspondence Analysis，简称CA）是多维尺度分析的一种扩展，它适用于分析两个或者多个变量之间的关系。

对应分析可以用于分析数据表中的行和列之间的关系，并通过将行和列都投影到一个低维空间中，展示它们之间的关系。

多维尺度分析和对应分析是互为补充的技术，它们都可以用于发现数据中的模式、结构和关系。

这两种分析方法的目标都是通过降维来提取和可视化数据中的信息，同时保留数据间的相似性和差异性。

多维尺度分析和对应分析在许多领域都有广泛的应用。

比如，在社会科学中，它们可以用于研究人们对产品、政策或者观点的态度和偏好；在市场研究中，它们可以用于分析产品和品牌之间的相似性和差异性；在生物学中，它们可以用于分析不同物种之间的相似性和差异性等等。

在进行多维尺度分析和对应分析时，通常需要经历以下几个步骤：1.数据准备：首先，需要明确定义变量和测量方式，并将数据整理成矩阵的形式。

对于多维尺度分析，常常使用距离矩阵来表示数据间的相似性或者差异性；对于对应分析，常常使用频率矩阵或者卡方矩阵来表示数据间的关系。

2.计算相似性或者距离矩阵：根据数据的特点和要求，选择合适的相似性或者距离度量方法，计算出数据间的相似性或者差异性矩阵。

3.进行多维尺度分析或者对应分析：根据矩阵数据，利用合适的算法进行多维尺度分析或者对应分析，得到低维空间中的投影结果。

多维尺度分析多维尺度分析（MultiDimensional Scaling）是分析研究对象的相似性或差异性的一种多元统计分析方法。

采用MDS可以创建多维空间感知图，图中的点（对象）的距离反应了它们的相似性或差异性（不相似性）。

一般在两维空间，最多三维空间比较容易解释，可以揭示影响研究对象相似性或差异性的未知变量-因子-潜在维度。

在市场研究领域主要研究消费者的态度，衡量消费者的知觉及偏好。

涉及的研究对象非常广泛，例如：汽车、洗头水、饮料、快餐食品、香烟和国家、企业品牌、政党候选人等。

通过MDS分析能够为市场研究提供有关消费者的知觉和偏好信息。

MDS一般需要借助SPSS或SAS统计分析软件，输入有关消费者对事物的知觉或偏好数据，转换为一组对象或对象特征构成的多维空间知觉或偏好图——感知图。

应用MDS，收集的数据值大小必须能够反应两个研究对象的相似性或差异性程度。

这种数据叫做邻近数据，所有研究对象的邻近数据可以用一个邻近矩阵表示。

反映邻近的测量方式：•相似性-数值越大对应着研究对象越相似。

•差异性-数值越大对应着研究对象越不相似。

测量邻近性数据的类型：•两个地点（位置）之间的实际距离。

（测量差异性）•两个产品之间相似性或差异性的消费者心理测量。

（差异性或相似性）•两个变量的相关性测量。

（相关系数测量相似性）•从一个对象过渡到另一个对象的转换概率。

例如概率反应了消费者对品牌或产品偏好的变化。

（测量相似性）•反映两种事物在一起的程度。

例如：用早餐时人们经常将哪两种食品搭配在一起。

（测量相似性）•谁喜欢谁，谁是谁的领导，谁传递给谁信息，谁是谁的上游或下游等等社会网络数据等（测量相似性）邻近数据即可以直接测量（距离），也可以通过计算得到（变量间的相关系数）。

MDS最经典的案例就是用感知图表现美国主要城市的航空距离！我们采用SAS进行分析，选择Market模块，选择MDS方法，SAS可以直接处理矩阵数据！非常简单得到结果：你可以对着美国的地图和各个城市的地理位置，是否能够看出MDS给你的方位和差异感觉！请大家自己试一试用MDS分析中国主要省会城市之间航空距离的MDS分布。

对应分析对应分析的基本思想对应分析( Correspondence Analysis )又称为相应分析，是由法国统计学家于1970提出的，是在R型和Q型因子分析基础上，发展起来的一种多元相依的变量统计分析技术。

它通过分析由定性变量构成的交互汇总表来揭示变量间的关系。

当以变量的一系列类别以及这些类别的分布图来描述变量之间的联系时，使用这一分析技术可以揭示同一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。

对应分析方法是通过对交互表的频数分析来确定变量及其类别之间的关系。

例如，在分析顾客对不同品牌商品的偏好时，可以将商品与顾客的性别、收入水平、职业等进行交叉汇总，汇总表中的每一项数字都代表着某一类顾客喜欢某一品牌的人数，这一人数也就是这类顾客与这一品牌的“对应”点，代表着不同特点的顾客与品牌之间的联系。

通过对应分析，可以把品牌、顾客特点以及它们之间的联系同时反映在一个二维或三维的分布图上，顾客认为比较相似的品牌在图上的分布就会彼此靠近在一起。

根据顾客特点与每一品牌之间的距离，就可以判断它们之间关系的密切程度。

在对应分析中，每个变量的类别差异是通过直观图上的分值距离来表示。

这个距离并不是我们通常所说的距离，而是经过加权的距离，在加权的过程中，以卡方值的差异表现出来。

因此，对应分析的基础是将卡方值转变为可度量的距离。

卡方值是由累计交叉汇总表中每一交互组的实际频数与期望频数的差值计算得出。

如果卡方值是负值，就说明这一单元中实际发生频数低于期望频数。

每一单元格(每个行变量类别与列变量类别在表中的交叉点)频数的期望值取决于它在行分布中所占比例和列分布中所占比例。

如果某一单元格的卡方值是正值，而且数值很大，就说明这一单元格对应的行变量与列变量有很强的对应关系，这两个类别在图上的距离就会很近。

反之，若为负值，则在图上的距离就会远。

总之，对应分析是通过对定性变量构成的交互表进行分析，将定性变量的数据转变成可度量的分值，减少维度并做出分值分布图。