应用多元分析第三版第九章对应分析.pptVIP

二、行（列）点之间的距离 在累计贡献率 足够大的对应分析图 中，如果两个行（列）点接近，则表明相应的两个行（列）轮廓是类似的；反之，如果两个行（列）点远离，则表明相应的两个行（列）轮廓是非常不同的。需要指出的是，行点与列点之间并没有直接的距离关系。 * 三、行点和列点相近的意涵 如果一个行点和一个列点相近，则表明行、列两个变量的相应类别组合发生的频数会高于这两个变量相互独立情形下的期望值。 * 例9.4.1 在例9.1.1中，经计算，奇异值、主惯性以及贡献率等的计算结果列于表9.4.1中。总惯量的94.75%可由第一维来解释，前二维解释了高达99.76%的总惯量，几乎解释了列联表数据的所有变差。 表9.4.1 奇异值、主惯量以及贡献率 维 数 1 2 3 奇异值 0.1613 0.0371 0.0082 总 值 主惯量 0.0260 0.0014 0.0001 0.0275 贡献率 0.9475 0.0501 0.0024 1.0000 累计贡献率 0.9475 0.9976 1.0000 * 例9.4.1 行点和列点的前二维坐标矩阵为 将各行点和列点置于同一坐标系中，构成对应分析图，如下图所示。 * * 表9.4.2 行点和列点靠近的分类组合频数及行、列独立情形下的频数期望值 社会经济状况 A（高） B C D E（低） 心理健康状况 0（好） 121（93.8） 57 72 36 21 1（轻微症状形成） 188 105（104.1） 141（139.3） 97 71 2（中等症状形成） 112 65（62.6） 77 54 54 3（受损） 86 60 94 78（62.1） 71（50.9） * 第九章 对应分析 对应分析（correspondence analysis）是用于寻求列联表的行和列之间联系的一种低维图形表示法，它可以从直觉上揭示出同一分类变量的各个类别之间的差异，以及不同分类变量各个类别之间的对应关系。 对应分析是由法国人Benzecri于1970年提出的，起初在法国和日本最为流行，然后引入美国。 在对应分析中，列联表的每一行对应（通常是二维）图中的一点，每一列也对应同一图中的一点。本质上，这些点都是列联表的各行各列向一个二维欧式空间的投影，这种投影最大限度地保持了各行（或各列）之间的关系。 * 第九章 对应分析 §9.1 行轮廓和列轮廓 §9.2 独立性的检验和总惯量 §9.3 行、列轮廓的坐标 §9.4 对应分析图 * §9.1 行轮廓和列轮廓 一、列联表 二、对应矩阵 三、行、列轮廓 * 一、列联表 其中，nij是第i行、第j列类别组合的频数，i=1,2,?,p, j=1,2,?,q ； 为第i行的频数之和，i=1,2,?,p； 为第j列的频数之和，j=1,2,?,q； 为所有类别组合的频数总和。 表9.1.1 p×q列联表 表9.1.1 p×q列联表 表9.1.1 p×q列联表 列 1 2 ? q 合 计 行 1 n11 n12 ? n1q n1? 2 n21 n22 ? n2q n2? ? ? ? ? ? p np1 np 2 ? npq np? 合 计 n?1 n?2 ? n?q n 表9.1.1 p×q列联表 * 二、对应矩阵 这里， 。 显然有 。 列 1 2 q 合 计 行 1 p11 p12 p1q p1? 2 p21 p22 p2q p2? p pp1 pp 2 ppq pp? 合 计 p?1 p?2 p?q 1 表9.1.2 对应矩阵 * 称 为对应矩阵。将对应矩阵表中的最后一列用r表示，即 其中 是元素均为1的q维向量，最后一行用 表示，即 其中 是元素均为1的p维向量，向量r和c的元素有时称为行和列密度（masses）。 * 三、行、列轮廓 第i行轮廓（profile） ： 其各元素之和等于1，即