11个常见的多变量分析方法.pdfVIP

11个常见的多变量分析方法

在社会科学研究中，主要的多变量分析方法包括多变量方差分析

（Multivariateanalysisofvariance，MANOVA）、主成分分析

（Principalcomponentanalysis）、因子分析（Factoranalysis）、

典型相关（Canonicalcorrelationanalysis）、聚类分析（Cluster

analysis）、判别分析（Discriminantanalysis）、多维量表分析

（Multidimensionalscaling），以及近来颇受瞩目的验证性因子分

析(Confirmatoryfactoranalysis)或线性结构模型（LISREL）与逻辑

斯蒂回归分析等，以下简单说明这些方法的观念和适用时机。

01、多变量方差分析

MANOVA适用于同时探讨一个或多个自变量与两个以上因变量间

因果关系的统计方法，依照研究者所操作自变量的个数，可以分为单

因素（一个自变量）或多因素（两个以上自变量）MANOVA。进行多

变量方差分析时，自变量必须是离散的定类或定序变量，而因变量则

必须是定距以上层次的变量。

02、主成分分析

主成分分析的主要功能在分析多个变量间的相关，以建构变量间

的总体性指标（overallindicators）。当研究者测量一群彼此间具有

高度相关的变量，则在进行显著性检验钱，为避免变量数过多，造成

解释上的复杂与困扰，常会先进行主成分分析，在尽量不丧失原有信

息的前提下，抽取少数几个主成分，作为代表原来变量的总体性指标，

达到资料缩减（datareduction）的功能。进行主成分分析时，并无

自变量和因变量的区别，但是所有的变量都必须是定距以上层次变量。

03、因子分析

因子分析与主成分分析常被研究者混用，因为二者的功能都是通

过对变量间的相关分析，以达到简化数据功能。但不同的是，主成分

分析是在找出变量间最佳线性组合（linearcombination）的主成分，

以说明变量间最多的变异量；至于因子分析，则在于找出变量间共同

的潜在结构（latentstructure）或因子，以估计每一个变量在各因子

上的负荷量（loading）。进行因子分析时，并无自变量和因变量的区

分，但是所有变量都必须是定距以上层次变量。

04、典型相关

典型相关可视为积差相关或多元回归分析的扩展，主要功能在分

析两个变量间的相关。进行多元回归分析的目的，是在分析一个或多

个自变量与一个因变量间的关系，而典型相关中因变量也可以是多个；

也就是说，典型相关的目的在于通过计算得到两个变量线性组合的加

权系数。以使（maximum）两个变量间的相关达到最大化。进行典型

相关时，并无自变量和因变量的区分，但是所有变量都必须是定距以

上层次变量。

05、聚类分析

聚类分析的主要功能在进行分类（classification），当研究者有

观测值时，常会根据观测值的相似性或差异性进行分类，以形成几个

性质不同的类别，简化解释的工作。也就是说，聚类分析根据对变量

进行测量的观察值进行分类，以达到组内同质、组间异值的目的。其

次，聚类分析完成后，通常可以进行判别分析，以识别分类的效度。

当然，在某些时候也可以对变量进行分类（此功能类似因子分析，因

此多采用因子分析解决问题）。进行聚类分析时，并无自变量和因变

量的区分，但是所有变量都必须是定距以上层次变量。

06、判别分析

判别分析是多变量分析中应用相当广泛的统计方法，它可以用来

对样本进行分类的工作；也可以用来了解不同类别样本在某些变量上

的差异情形；同时也可以根据不同类别的样本在某些变量的实际表现，

用来预测新的样本属于某一类别的概率。因此，在行为科学中，常见

的研究者单独使用判别分析，建立判别函数（discriminant

function），以对新样本进行预测