第九讲对应分析.pptVIP

可见，可以表示成各列轮廓的加权平均。类似地，即可以表示成各行轮廓的加权平均。第30页，共83页，星期日，2025年，2月5日例将由个人组成的样本按心理健康状况与社会经济状况进行交叉分类，分类结果见表9.1.3。第31页，共83页，星期日，2025年，2月5日将表9.1.3中的数据除以，得到对应矩阵，列于表9.1.4中。表9.1.4给出的行密度和列密度向量为第32页，共83页，星期日，2025年，2月5日行轮廓矩阵为列轮廓矩阵为第33页，共83页，星期日，2025年，2月5日两个马赛克图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密度。第34页，共83页，星期日，2025年，2月5日对社会经济的每一种状况，0、1、2、3四个小方块的高度显示了列轮廓，A、B、C、D、E五种社会经济状况的小方块宽度显示了列密度。第35页，共83页，星期日，2025年，2月5日2、行（列）点之间的距离如果两个行（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。因此，引入距离来分别描述各种状态之间的接近程度。需要指出的是，行点与列点之间并没有直接的距离关系。第36页，共83页，星期日，2025年，2月5日将每一行视为P维空间中的一个样本点，每个样本点的坐标是个变量在该样本点的相对比例。经过这个变换后对n个样本的研究就变成了对n个样本点的相对关系的研究。这里只对行做详细说明第37页，共83页，星期日，2025年，2月5日任意两个样本与之间的距离：消除变量的数量级加权距离第38页，共83页，星期日，2025年，2月5日等价于我们有了一个新的矩阵：第39页，共83页，星期日，2025年，2月5日类似的，可将p个变量看成n为空间的点，按照同样的方法即可得到两个变量间的加权距离：第40页，共83页，星期日，2025年，2月5日也即是等价于我们有了一个新的矩阵：第41页，共83页，星期日，2025年，2月5日3、总惯量总惯量还可以行轮廓和列轮廓的形式表达如下：第42页，共83页，星期日，2025年，2月5日称为第行轮廓到行轮廓中心的卡方（）距离，它可看作是一个加权的平方欧氏距离。同样，是第列轮廓到列轮廓中心的卡方距离。故总惯量可看成是行轮廓到其中心的卡方距离的加权平均，也可看成是列轮廓到其中心的卡方距离的加权平均。它既度量了行轮廓之间的总变差，也度量了列轮廓之间的总变差。其中第43页，共83页，星期日，2025年，2月5日对应分析就是在总惯量信息损失最小的前提下，简化数据结构以反映量属性变量之间的相关系数。实际上，总惯量的概念类似于主成分分析或因子分析中总方差总和的概念。第44页，共83页，星期日，2025年，2月5日？样本与变量间的关系要通过样本来获得变量的观测值，反之又要通过变量来对样本进行刻画和解释。3、对应分析的基本理论第45页，共83页，星期日，2025年，2月5日对应分析是将R型因子分析与Q型因子分析结合起来进行统计分析的统计方法。对变量进行因子分析称R型因子分析，对样本进行因子分析称Q型因子分析对应分析从R型因子分析出发，而直接获得Q型因子的分析结果。根据R型和Q型分析的内在联系，将变量和指标同时反映到相同坐标轴的一张图形上，旨在以简洁、明了的方式揭示属性变量之间及属性变量各种状态之间的相关关系。便于对问题分析。第46页，共83页，星期日，2025年，2月5日对应分析提供三个方面的信息：指标之间的信息样本之间的信息指标与样本之间的信息这些关系是通过作图来表示的。第47页，共83页，星期日，2025年，2月5日样本数据第48页，共83页，星期日，2025年，2月5日第49页，共83页，星期日，2025年，2月5日概率矩阵第50页，共83页，星期日，2025年，2月5日i=1,2,…,n称为n个p维空间中样本点,研究两个样本点K,L之间的欧氏距离。第51页，共83页，星期日，2025年，2月5日加权