定性数据分析10

nullnull 第七章 对应 对应分析的重点对应分析的重点1、什么是对应分析？ 2、理解对应分析的基本思想 3、对应分析的基本步骤 ４、结合SPSS软件进行案例分析７.1 交叉列联表７.1 交叉列联表 描述属性变量（定类或定序尺度变量）的各种状态或是相关关系。 null当属性变量A和B的状态较多时，很难透过列联表作出判断。 怎样简化列联表的结构？ 利用降维的思想。如因子分析和主成分分析。但因子分析的缺陷是在于无法同时进行R型因子分析和Q型因子分析。 怎么办？ ***７.２　对应分析的基本理论***７.２　对应分析的基本理论1、什么是对应分析？ 　　　对应分析是利用“降维”的，以两变量的交叉列联表为研究对象，通过图形的方式，直接揭示变量之间以及变量的不同类别之间的联系，特别适合于多分类属性变量研究的一种多元统计分析方法。 2、对应分析的基本思想： 首先，编制两品质型变量的交叉列联表，将交叉列联表中的每个数据单元看成两变量在相应类别上的对应点； 　　　然后，对应分析将变量及变量之间的联系同时反映在一张二维或三维的散点图上，并使联系密切的类别点较集中，联系疏远的类别点较分散； 　　　最后，通过观察对应分布图就能直观地把握变量类别之间的联系．null3、对应分析的一大特点： 可以在一张二维图上同时表示出两类属性变量的各种状态，以直观描述原始数据结构。 对应分析的关键问题是： 如何将多个类别点表示在低维空间中，以便于直接观察 如何确定各类别点的坐标，以易于鉴别类别间联系的强弱 ７.３对应分析的基本步骤７.３对应分析的基本步骤１、编制交叉列联表并计算概率矩阵Ｐ ２、根据Ｐ矩阵确定数据点坐标 ３、行变量和列变量的分类降维处理 ７.４　对应分析的基本操作和案例７.４　对应分析的基本操作和案例１、对应分析的基本操作： null 第８章　典型相关分析 null现实中： 如鸡蛋、猪肉的价格（作为第一组变量）和相应产品的销量（第二组变量）有相关关系。如投资性变量（劳力投入、财力投入、固定资产投资等）与国民收入（工农业收入、建筑业收入、等）具有相关关系。 如何研究两组变量之间的相关关系？ 设两组变量用X1,X2….,XP以及Y1,Y2…YP表示。 （1）分别研究Xi和Yj之间的相关关系，列出相关系数表。其缺陷：当两组变量较多时，处理较烦琐，不易抓住问题的实质。（2）采用主成分分析的方法，每组变量分别提取主成分，再通过主成分之间的关系反映两组变量之间的关系。 null例：鸡蛋、猪肉的价格用X1和X2表示；鸡蛋、猪肉的销量用Y1和Y2表示。 构造第一组和第二组变量的线性组合： F1=a11X1+ a12X2 Z1=a11Y1+ a12Y2 满足F1和Z1的相关性最大化。 典型相关分析 null１、什么是典型相关分析？ 　　典型相关分析是研究两组变量之间相关关系的多元统计分析方法．它借用主成分分析降维的思想，分别对两组变量提取主成分，且使两组变量提取的主成分之间的相关程度达到最大，而从同一组内部提取的各主成分之间互不相关，用从两组之间分别提取的主成分的相关性来描述两组变量整体的线性相关关系． null典型相关关系研究两组变量之间整体的线性相关关系，它是将每一组变量作为一个整体来进行研究而不是分析每一组变量内部的各个变量．所研究的两组变量可以是一组为自变量，而另一组变量为因变量；两组变量也可以是同等的地位，但典型相关关系要求两组变量都至少是间隔尺度．null 第9章　定性数据的建模分析 null 对定性变量间关系的描述可用交叉列联表。但交叉列联表存在以下缺陷： （1）不能充分分析多变量交互效应，不能有效分析多变量之间的关联。 （2）在进行两个变量之间的关联分析时缺乏对其他变量影响的有效控制。 （3）不能准确定量描述一个变量对另一个变量的作用幅度。 如何避免以上缺陷，充分揭示出定性变量之间的复杂关系？null （1）对数线性模型 将概率取对数后分解处理： null 其优点是可以把方差分析和线性模型方法相结合，估计模型中各个参数，而这些参数值使各个变量的效应和变量间的交互作用效应得以数量化。 （2）Logistic 模型 是将概率比取对数后，再进行参数化而获得。设因变量y为二值定性变量，用0和1表示两个不同状态，y=1的概率p＝P（y=1)是研究对象。若有多个因素影响y的取值，这些因素就是自变量，记为：x1,x2…xk(既可以是定性变量也可以是定量变量）。 Logistic 线性回归模型：