属性数据分析讲解.docVIP

属性数据分析 一属性变量和属性数据 通常所指属性数据(categorical data)，是说反映事物属性的数据，也称为定性数据或类别数据，它是属性变量取的值。属性变量可能是表示事物属性，取值为事物属性的量反映事物的客观属性，例如变量“性别”取值为男，女；又如变量是中医所分人的体质，取值为平和，气虚，阳虚，阴虚，瘀血，痰湿，湿热，气郁，特凛。对事物表态的量表达人们主观对事物的评论，例如变量是“某人对某个政策的态度”，取值是赞成，中立和反对；又如变量是“人对医疗效果的评价”，取值为特好，好，一般，差，很差。区间值变量取值为多个互不重叠区间：例如变量是“顾客的购买水平”，取值分为[0，100)，[100,200)，[200,300)和300以上。 “属性变量”是反映事物的客观属性或对事物表态，以及区间值变量，它是一种变量，它取的值之间不能做加，减，乘，除等运算，而且所取的值只能是有限个，属性变量取的值也称为属性变量的“水平”。 二属性数据表示形式 属性变量有4种表示形式：原始属性变量形式、指示变量形式（调查数据常用）、频数形式和列联表。 例1 某连锁超市要检验商品销售情况与陈列方式是否相关，随机抽取了10家门店，分别以共3种方式陈列（即第一个属性变量是“陈列方式”，取值A、B、C），各门店销售情况分为 “high”及“low”两类（即第二个属性变量是“销量”，取值“high”和“low”）。这两个属性变量的统计资料4种形式如下： 属性变量形式的样本是把各个属性变量的1次观测值排成1行；例如例1中属性变量“销量”和“排列方式”的第1个观测值（第1个门店）的观测值是“high”和“B”，就把“high”、“B”排在第一行，见下表 表 超市数据属性变量形式 销量 排列方式 high B high B high B high A high C low B high C high A low B high C 指示变量形式是列出各个属性变量的所有值，对每个值建立一个变量，例如例1中两个属性变量取值“high”、“low”、“A”、“B”、“C”；建立5个指示变量：sl，sh,ma,mb,mc.每次观测中，属性变量的哪个值出现了，就在对应列中用1表示，否则用0表示；例如对于超市数据建立5个变量后：sh表示变量销售额高，sl表示变量销售额低,ma表示排列方式是A，mb并表示排列方式是B，mc表示排列方式是C。第1次观测中属性变量的值是“high”和“B”，这时观测值就是1,0,0,1,0，…见下表 表 超市数据指示变量形式 sh sl ma mb mc 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 0 0 1 1 0 1 0 0 0 1 0 1 0 1 0 0 0 1 在做调查时（例如对街道行人作调查），通常要求被调查人在调查表上打勾和叉，整理这些调查表，勾和叉分别改为1和0，得到的就是指示变量形式的样本；大学生舌象体质调查数据就是两种形式数据混合，使用时必须注意。 指示变量形式。 把属性变量形式汇总，同样观测数据只记一次，其相同次数称为频数，得到的就是频数形式数据，超市数据频数形式见下表；例如例1中销量“high”且排列方式是“A”的门店有3个，频数就记为3，汇总观测值记为“high、A、3”，下表中最后一列是频数。 表 超市数据频数形式 销量 排列方式 频数 high B 3 high A 2 high C 3 low B 2 两个属性变量的列联表就是把频数形式数据，写成一个长方形表，其中最左列给出一个属性变量（行变量）的值，最上面的变量名行給出另一个属性变量（列变量）的值，频数填在对应格中，见下表，列联表能直观反映数据特点，经常使用。所以有时频数形式数据也称为列联表。2个属性变量的列联表最常使用；3，4个属性变量的频数形式数据也能排在平面上。属性变量多于2的列联表称为“高维列联表”。 表 超市数据的列联表 排列方式 销量 A B C high 2 3 3 low 0 2 0 三对应分析 一般统计书籍只介绍到列联表及其分析，上世纪70年代以来出现了许多分析属性数据的方法：对应分析，logistic回归，广义线性模型，重复测量模型等等。本次重点介绍对应分析。对应分析是研究属性变量的值间关系，带有直观图象展示的一种分析方法。“列联表”分析能解决属性变量间是否有联系的判断问题，但对于它们是怎样联系的却不能给出具体结论。对应分析要研究属性变量的取值之间是怎样联系的,它把属性变量取的各个值投影成一幅“地图”上的点，距离较近的点显示关