对应分析spss例析

例说SPSS统计分析H时，2χ服从自由度为（n-1）（m-1）的2χ明，在n足够大的情况下，当原假设为分布。

通过对2χ的检验，可以判断两个分类变量是否独立，而当拒绝原假设后，要了解两个分类变量及分类变量各个状态之间的相关关系，可以采用对应分析方法。

对应分析利用降维思想，通过分析原始数据结构，以简洁明了的方式揭示属性变量之间及属性变量各种状态之间的相互关系，其特点是在一张二维图上同时表示出两类属性变量的各种状态，直观地描述原始数据结构。

11.2 对应分析的基本操作下面以SPSS 15为例，介绍对应分析的基本操作流程。

首先单击“Analyze”下“Data Reduction”里的“Correspondence Analysis”，指定行列变量到“Row（Column）”列表框里，并指定对应的行列变量范围，如图11-1所示。

图11-1 对应分析基本操作流程图11.3 对应分析的应用举例对某公司不同职业类型的人员吸烟行为进行调查，共调查有效数据193例，如表11-3所示。

被调查者职业分为5个层次，分别为高级管理者、初级管理者、高级职员、初级职员和文秘，表中用数字1～5表示；吸烟行为分为4种类型，分别为不吸烟、轻微、中等和严重，利用数字1～4表示。

利用对应分析研究职业类型和吸烟行为之间的关系。

（数据来源：SPSS15帮助实例文件smoking.sav）。

表11-3 吸烟行为和职业调查数据职业类型吸烟行为人数职业类型吸烟行为人数1 1 4 3 3 121 2 2 3 4 41 3 3 4 1 181 42 4 2 242 1 4 43 332 234 4 132 3 7 5 1 102 4 4 5 2 63 1 25 5 3 73 2 10 54 2执行〖Analyze〗/〖Data Reduction〗/〖Correspondece Analysis〗命令，弹出“Correspondece Analysis”主对话框，如图11-2所示。

一、实验目的及要求：1、目的用SPSS软件实现对应分析、联合分析及其应用。

2、内容及要求用SPSS自带数据GSS93 subset.sav分析父亲受教育程度和本人受教育程度的关系，母亲受教育程度和本人受教育程度之间的关系以及父亲、母亲受教育程度之间的关系。

二、实验方法与步骤:利用SPSS对GSS93 subset.sav数据进行对应分析，依次点选分析→降维→对应分析，进入对应分析对话框，做如下图所示的设置，得到所需要的结论。

三、实验结果与数据处理：父亲受教育程度和本人受教育程度的关系：表5-1 对应表R's Highest Degree Father's Highest DegreeLT High School High School Junior College Bachelor Graduate 有效边际Less than HS 156 27 1 6 3 193 High school 308 248 11 43 22 632 Junior college 29 34 2 7 3 75 Bachelor 45 79 8 47 27 206 Graduate 25 37 3 18 16 99 有效边际563 425 25 121 71 1205 表5-1对应表(Correspondence Table)是由原始数据按Degree与Padeg分类的列联表，可以看到观测总数n=1205而不是原始数据观测个数1500，这是因为原始数据中有295条记录有缺失。

表5-2 行简要表R’s Highest Degree Father’s Highest DegreeLT High School High School Junior College Bachelor Graduate 有效边际Less than HS .808 .140 .005 .031 .016 1.000 High school .487 .392 .017 .068 .035 1.000 Junior college .387 .453 .027 .093 .040 1.000 Bachelor .218 .383 .039 .228 .131 1.000 Graduate .253 .374 .030 .182 .162 1.000 质量.467 .353 .021 .100 .059表5-3 列简要表R's Highest Degree Father's Highest DegreeLT High School High School Junior College Bachelor Graduate 质量Less than HS .277 .064 .040 .050 .042 .160 High school .547 .584 .440 .355 .310 .524 Junior college .052 .080 .080 .058 .042 .062 Bachelor .080 .186 .320 .388 .380 .171 Graduate .044 .087 .120 .149 .225 .082 有效边际 1.000 1.000 1.000 1.000 1.000表5-2 行简要表和表5-3 列简要表为在统计量(Statistics)对话框中选择行轮廓表(Row profiles)和列轮廓表(Column profiles)交由程序运行的结果。

对应分析1、作用对应分析，又称为 R-Q 型因子分析，适用于有多个类别的分类变量，可以揭示同一个变量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，与卡方检验不同的是，对应分析不单单展示了不同分组的差异性，也能通过 2 维、3 维的方式展示其在空间的关系。

2、输入输出描述输入：至少两项或以上的定类变量。

输出：两个定类变量里面不同分组的空间关系与差异性。

3、案例示例案例：检验不同收入的消费者对品牌的选择的距离。

4、案例数据对应分析案例数据算法至少两项或以上的定类变量，案例数据为品牌和收入水平两个定类变量，定类变量即为离散变量。

5、案例操作Step1：新建分析；Step2：上传数据；Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；Step4：选择【对应分析】；Step5：查看对应的数据数据格式，【对应分析】要求特征序列为类变量，且至少有两项；Step6：点击【开始分析】，完成全部操作。

6、输出结果分析输出结果 1：卡方交叉列联表图表说明：上表为交叉列联表，展示了交叉对应表的结果，包括卡方值、显著性P等。

根据卡方显著性(P < 0.05)，若呈现显著性，则目标字段（Y）与控制字段（X）有着差异关系，否则不适合做对应分析。

结果分析：交叉列联的结果显示，以变量收入为分组项，显著性输出结果 2：因子分析表图表说明：上表为因子分析表，可以分析字段提取的维度的贡献率。

维度的累计贡献率越高，表示可解释的效度与信度效果越好，一般认为累计贡献率高于 80%时，模型表现较为优秀;奇异值：即惯量的平方根，相当于相关分析里的相关系数;主惯量：即常说的特征根，用于说明对应分析的各个维度，能够解释列联表的两个变量之间相互联系的程度。

结果分析：惯量分析表结果显示，当维度达到 2 个的时候，累计贡献率达到 1.0，模型的表现非常优秀。

输出结果 3：维度分析表图表说明：上表为因子维度得分表，即为各个类别项在各维度上的坐标具体值，其代表各点在空间中的距离和位置可反映点之间的关系情况，用于画类别点的联合图，即可直观看出各个类别的距离。

人力资源第12章 SPSS的对应分析第12章 SPSS的对应分析12.1 对应分析概述12.1.1 对应分析的提出研究两个或多个品质型变量之间的相关关系，例如研究储户收入水平与所选择的储蓄种类间是否存在联系的问题，再如分析顾客职业与购买汽车的品牌之间的关系等。

分析品质变量之间的关系通常从编制两变量的交叉列联表入手，并通过对列联表的进一步研究探究变量间的联系。

常见的方法有列联表的卡方检验等。

在变量分类值较多时，上述分析方法通常较难直观地揭示出变量之间的联系以及变量各分类之间的联系。

对应分析正是解决该类问题的一种基于图形分析的直观有效的多元统计分析方法。

12.1.2 对应分析的基本思想对应分析以两变量的交叉列联表为研究对象，利用“降维”的方法，通过图形的方式，直观揭示变量不同类别之间的联系，特别适用于多分类品质型变量的研究。

对应分析的基本思想是:首先编制两品质型变量的交叉列联表，将交叉列联表中的每个数据单元看成两变量在相应类别上的对应点;然后，对应分析将变量及变量之间的联系同时反应在一张二维或三维的散点图，即对应分布图上，并使联系密切的类别点较集中，联系疏远的类别点较分散;最后，通过观察对应分布图就能直观地把握变量类别之间的联系。

12.2 对应分析的基本操作及案例 12.2.1 对应分析的基本操作步骤(1)选择菜单Analyze?Data Reduction?Correspondence，出现窗口如图所示(2)将行变量选择到Row框中，将列变量选择到Column框中，并分别单击Define Range按钮指定行列变量的分类值范围。

在Minimum value框后输入分类最小值，在Maximum框后输入分类最大值，并单击Update按钮，于是各分类值会依次显示在窗口下方的框中;Category Constraints框中的选项，None表示不再对分类值重新分组，Categories must beequal表示指定将哪些分类值合并为一类，Category is supplemental表示指定某些分类值不参与分析。

对应分析spss例析在现实研究中，研究人员很多情况下所关心的除行和列本身变量之间关系外，更想了解行列变量之间的相互关系；将R和Q型分析合二为一；对应分析应运而生。

对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，是近年新发展起来的一种多元相依变量统计分析技术，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。

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。

主要应用在市场细分、产品定位、地质研究以及计算机工程等领域中。

原因在于，它是一种视觉化的数据分析方法，它能够将几组看不出任何联系的数据，通过视觉上可以接受的定位图展现出来。

对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。

它最大特点是能把众多的样品和众多的变量同时作到同一张图解上，将样品的大类及其属性在图上直观而又明了地表示出来，具有直观性。

另外，它还省去了因子选择和因子轴旋转等复杂的数学运算及中间过程，可以从因子载荷图上对样品进行直观的分类，而且能够指示分类的主要参数（主因子）以及分类的依据，是一种直观、简单、方便的多元统计方法。

对应分析法整个处理过程由两部分组成：表格和关联图。

对应分析法中的表格是一个二维的表格，由行和列组成。

每一行代表事物的一个属性，依次排开。

列则代表不同的事物本身，它由样本集合构成，排列顺序并没有特别的要求。

在关联图上，各个样本都浓缩为一个点集合，而样本的属性变量在图上同样也是以点集合的形式显示出来。

例：在对218名受访人员进行收入水平和品牌选择关系的调查研究中，得到如下调查数据，对其进行对应分析。

SPSS需要的数据格式如下DATA ---- weight casesAnalyze----→data reduction--→correspondence analysisModel对话框中Dimensions in solution 2,解的维度；即将样本和指标在二维空间中对应的进行分类。