应用多元统计分析（第六版）课件-第九章对应分析.pptxVIP

第九章对应分析§9.1引言§9.2行轮廓和列轮廓§9.3独立性的检验和总惯量§9.4行、列轮廓的坐标§9.5对应分析图1

§9.1引言对应分析是用于寻找列联表的行和列之间关联的一种低维图形表示法，它同时可以揭示同一分类变量的各个类别之间的差异。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，然后引入到美国。在对应分析中，列联表的每一行对应（最常是二维）图中的一点，每一列也对应同一图中的一点。该图形方法特别适用于有许多类别的列联表，它能有效地用直观、简洁的图形来描述庞杂的列联表数据中所蕴含的对应关系。由于列联表中行变量和列变量的地位是对称的，所以对应分析方法本身及其所得结论对于行和列也是对称的。2

§9.2行轮廓和列轮廓一、列联表二、对应矩阵三、行、列轮廓3

一、列联表 列12?q合计行1n11n12?n1qn1?2n21n22?n2qn2??????pnp1np2?npqnp?合计n?1n?2?n?qn表9.2.1 p×q列联表4

二、对应矩阵 这里，。 显然有。列12?q合计行1p11p12?p1qp1?2p21p22?p2qp2??????ppp1pp2?ppqpp?合计p?1p?2?p?q1表9.2.2 对应矩阵5

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 ，最后一行用c′表示，即 其中 ，向量r和c的元素分别是行边缘频率和列边缘频率，有时称为行和列密度（或质量，mass）。6

三、行、列轮廓第i行轮廓： 其各元素之和等于1，即。第j列轮廓： 其各元素之和等于1，即。7

行轮廓矩阵 其中。8

列轮廓矩阵 其中。9

可见，r是各列轮廓的加权平均，可看成是c1,c2,?,cq的（某种）中心。类似地，即c′是各行轮廓的加权平均，可看成是r1,r2,?,rp的（某种）中心。10

例9.2.1将由n=1660个人组成的样本按心理健康状况与父母社会经济地位进行交叉分类，分类结果见表9.2.3。表9.2.3心理健康状况-父母社会经济状况数据父母社会经济地位A（高）BCDE（低）心理健康状况0（好）121577236211（轻微症状形成）18810514197712（中等症状形成）112657754543（受损）866094787111

表9.2.4给出的行边缘频率和列边缘频率向量为表9.2.4 从表9.2.3算得的对应矩阵父母社会经济状况A（高）BCDE（低）合计心理健康状况0（好）0.0730.0340.0430.0220.0130.1851（轻微症状形成）0.1130.0630.0850.0580.0430.3632（中等症状形成）0.0670.0390.0460.0330.0330.2183（受损）0.0520.0360.0570.0470.0430.234合计0.3050.1730.2310.1600.1311.00012

行轮廓矩阵为列轮廓矩阵为13

对心理健康的每一种状况，A,B,C,D,E五个小方块的宽度显示了行轮廓，0,1,2,3四种心理健康状况的小方块高度显示了行边缘频率。14

对父母社会经济的每一种地位，0,1,2,3四个小方块的高度显示了列轮廓，A,B,C,D,E五种父母社会经济地位的小方块宽度显示了列边缘频率。15

§9.3独立性的检验和总惯量一、行、列独立的检验二、总惯量16

一、行、列独立的检验在列联表中，检验行变量和列变量相互独立假设的统计量为当独立性的原假设为真，且样本容量n充分大，期望频数 时，拒绝规则为若 ，则拒绝独立性的原假设 17

χ2值取决于n和 这两部分。 越大，表明实际频率pij与独立假设下的期望频率pi?p?j总体上差异越大，也就认为样本数据越是偏离行、列变量相互独立的情形，从