第八章 相应分析360.pptVIP

图8.4 Statistics子对话框 5.点击Plots按钮，设定输出的统计图，如图8.5。可以指定输出相应分析的散点图Scatterplots，默认只输出包含行列变量的双变量散点图Biplot。也可指定输出行点图Row points和列点图Column points。而ID label width for Scatterplots是指定散点标签的长度，默认20。下方的Line plots项中，可以输出行/列点对应于行/列得分的线图，和散点图类似。 6. 我们在Model，Statistics，Plots三个子对话框中都使用默认设定，点击主对话框的OK按钮，即得到相应分析的结果。 图8.5 Plots子对话框 （二）结果分析： SPSS运行相应分析后会产生以下四张表（表8.4到表8.7）。 1. Correspondence Table（相应分析表），如表8.4，即列联表。 Active Margin为边际频数。大致可以看出Clinton在各个学历层次都有最高的票数。 表8.4 列联表 2. Summary（总览表），如表8.5。 表中从左到右依次是维度编号、奇异值、惯量、卡方统计量、显著性、惯量所占总惯量比例、每个维度的奇异值的标准差和相关系数。Singular Value为特征值的平方根，根据总惯量和特征值求和相等，有0.1392+0.0162=0.019+0.000=0.019。第一个维度惯量0.019，占总惯量的98.7%，第二个维度惯量接近0，仅占总惯量1.3%。因此可以认为只要用一个维度就可以解释行列变量之间所有的关系，但为了说明分析过程，仍然保留两个维度。总惯量35.867÷1844=0.019，满足总惯量和卡方统计量的关系式。同时卡方统计量的自由度8=(3-1)×(5-1)，数值为0.000，说明行列变量之间存在显著的相关性，相应分析是有意义的。 表8.5 总览表 3. Overview Row Points与Overview Column Points（行/列点总览表），如表8.6，表8.7。 现以表8.6为例，Mass项表示行变量中每个类目的边际概率。Score in dimension下面则是行点在两个维度的坐标（SPSS称为得分），即有坐标点Bush（0.194,-0.156），Perot（0.663,0.198），Clinton（-0.346,0.053）。Inertia项为惯量，即每个行点与行重心的加权距离的平方。而行惯量为行点与行重心的加权距离平方和，即0.019=0.002+0.009+0.008。比较表8.6和表8.7的总惯量，可以发现行惯量与列惯量相等。Contribution项有两个部分，分别是行变量的每个类目对维度（公共因子）特征值的贡献，每一个维度对每个类目的特征值的贡献。 如果对每组变量选择前两列因子载荷，那么两组变量就可以画出两个因子载荷的散点图。 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。 由于列联表数据形式和一般的连续变量的数据形式类似，所以也可以用相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。 第二节 列联表 一 列联表的概念 二 有关记号 一、列联表的概念 在实际中经常要了解两组或多组因素(或变量)之间的关系。设有两组因素A和B，其中因素A包含r个水平，即A1，A2，…，Ar；因素B包含c个水平，即B1 ， B2 ， …，Bc 。又设有受制于这两个因素的载体(或客体)的集合总体N。我们希望通过对总体N关于这两组因素的有关资料(或抽样资料)，来分析这两组因素的关系。 例如，要考查在某个人群中关于吸烟或不吸烟(因素A)与得肺癌或不得肺癌(因素B)两组因素之间的关系。通常的作法是，随机地从该人群中抽样，对这两种因素进行调查，设调查了k个人，得到一个二维列联表，见表8.1。 其中，kij为调查的k人中出现因素A的第i个水平和因素B的第j个水平的人数。这样，我们就得到一个两因素，即吸烟与是否得肺癌的2 ?2列联表。 表8.1 二维列联表 表8.2 一般的二维列联表 二、有关记号 为了叙述方便，先引进一些基本概念和记号。 设K=(kij)r ?c为一个r ?c的列联表(表8.2)，称元素kij为原始频数。将列联表K转化为频率矩阵，记为F=(fij) r ?c ，见表8.3。 表8.3 一般的二维频率表 第三节 相应分析的基本理论 一