应用统计学对应分析等.ppt

重庆交通大学管理学院 * * 重庆交通大学管理学院 * * 对应分析-问题背景 描述属性变量（定类或定序尺度变量）的各种状态或是相关关系。 当属性变量A和B的状态较多时，很难透过列联表作出判断。 怎样简化列联表的结构？ 利用降维的思想。如因子分析和主成分分析。但因子分析的缺陷是在于无法同时进行R型因子分析和Q型因子分析。 怎么办？ 精细建模：对数线性模型 直观展示：对应分析 ***　对应分析的基本理论 1、什么是对应分析？ 　　　对应分析是利用“降维”的方法，以两变量的交叉列联表为研究对象，通过图形的方式，直接揭示变量之间以及变量的不同类别之间的联系，特别适合于多分类属性变量研究的一种多元统计分析方法。 2、对应分析的基本思想： 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映在一张二维或三维的散点图上，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 方法特点 是多维图示分析技术之一，结果直观、简单 与因子分析有关 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 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 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 3、方法优点： 可以在一张二维图上同时表示出两类属性变量的各种状态，以直观描述原始数据结构。 4、关键问题： 如何将多个类别点表示在低维空间中，以便于直接观察 如何确定各类别点的坐标，以易于鉴别类别间联系的强弱 原理 以列联表为分析基础，计算基于H0假设的单元格残差 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，计算出列变量各类别的负荷值 将每列看成是一条记录，基于行变量相关系数阵进 编制交叉列联表并计算概率矩阵Ｐ 根据Ｐ矩阵确定数据点坐标 行变量和列变量的分类降维处理 步骤 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。 典型相关分析canonical correlation analysis 现实中： 如鸡蛋、猪肉的价格（作为第一组变量）和相应产品的销量（第二组变量）有相关关系。如投资性变量（劳力投入、财力投入、固定资产投资等）与国民收入（工农业收入、建筑业收入、等）具有相关关系。 如何研究两组变量之间的相关关系？ 设两组变量用X1,X2….,XP以及Y1,Y2…YP表示。 （1）分别研究Xi和Yj之间的相关关系，列出相关系数表。其缺陷：当两组变量较多时，处理较烦琐，不易抓住问题的实质。（2）采用主成分分析的方法，每组变量分别提取主成分，再通过主成分之间的关系反映两组变量之间的关系。 例：鸡蛋、猪肉的价格用X1和X2表示；鸡蛋、猪肉的销量用Y1和Y2表示。 构造第一组和第二组变量的线性组合： F1=a11X1+ a12X2 Z1=a11Y1+ a12Y2 满足F1和Z1的相关性最大化。 典型相关分析 １、什么是典型相关分析？ 　　典型相关分析是研究两组变量之间相关关系的多元统计分析方法．它借用主成分分析降维的思想，分别对两组变量提取主成分，且使两组变量提取的主成分之间的相关程度达到最大，而从同一组内部提取的各主成分之间互不相关，用从两组之间分别提取的主成分的相关性来描述两组变量整体的线性相关关系． 典型相关关系研究两组变量之间整体的线性相关关系，它是将每一组变量作为一个整体来进行研究而不是分析每一组变量内部的各个变量．所研究的两组变量可以是一组为自变量，而另一组变量为因变量；两组变量也可以是同等的地位，但典型相关关系要求两组变量都至少是间隔尺度． MANOVA led hed net WITH arti com man /DISCRIM ALL ALPHA(1) /PRINT=SIG(EIGEN DIM). 信度分析 信度分析用于探索研究事物间的相似性 用于评价问卷这种测量工具的稳定性或可靠性，具体来说就是用问卷对同