SPSS学习笔记——最优尺度分析(多重对应分析)

本文探讨了使用最优尺度分析处理变量间关联性的方法。通过卡方检验预分析变量关联,发现性别与其他变量关联性较低,进一步分析中将其剔除。文章详细讲解了如何观察变量在因子上的判别度,及分类合理性判断,为数据降维提供指导。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

预分析:
先对变量间的两两关联性进行卡方检验,除了性别和大多变量没有相关性,其他变量间基本都有相关性,尝试保留性别。

【分析】-【降维】-【最优尺度】-【定义】
全部选入“分析变量”
【变量】-把所有变量选入“联合类别图”

看区分测量表,维1和维2的值不能太大也不能太小,也不能一样,竖着也要算一个平均值。
最大的就是解释最好的

在这里插入图片描述
性别离远点太近了,区分度小,就把性别删掉。
剔除性别后再做一遍,看类别的联合图。

如果未婚有孩子和已婚有孩子,区分不开,黏在一起,也要剔除,或者把这两个合并。

注意如上所述:最优尺度分析除了看图以外,要观察各行变量和列变量在生产的因子上的判别度,以及还要分析各个变量的分类是否合理,是否需要合并某些分类。

SPSS中进行最优尺度分析(Optimal Scaling)和非线性典型相关分析(Nonlinear Canonical Correlation Analysis, OVERALS)是一种处理多组变量之间复杂关系的统计方法。以下是详细的步骤和操作方法: ### 最优尺度分析 1. **数据准备**: - 确保数据已经正确输入到SPSS中,并且每个变量的测量水平(名义、有序、间隔)已经正确设置。 - 对于分类变量,需要将其转换为虚拟变量(Dummy Variables)[^2]。 2. **启动最优尺度分析**: - 打开SPSS,点击 `Analyze` > `Data Reduction` > `Optimal Scaling`。 - 在弹出的对话框中,选择 `Multiple Optimal Scaling`,然后点击 `Define`。 3. **选择变量**: - 在 `Define Multiple Optimal Scaling` 对话框中,将需要分析的变量拖入 `Variables` 列表中。 - 选择每个变量的测量水平(Nominal, Ordinal, Interval)[^2]。 4. **设置分析选项**: - 点击 `Options` 按钮,选择 `Iteration History` 和 `Transformations`,以便查看迭代过程和变量变换结果。 - 点击 `Plots` 按钮,选择 `Object Space` 和 `Variable Space`,以便生成图形结果。 5. **运行分析**: - 点击 `OK` 按钮,SPSS将开始计算最优尺度变换,并生成结果。 6. **解释结果**: - 查看 `Iteration History` 表,确认模型是否收敛。 - 查看 `Transformations` 表,了解每个变量的变换方式。 - 查看 `Object Space` 和 `Variable Space` 图形,直观理解变量之间的关系[^2]。 ### 非线性典型相关分析(OVERALS) 1. **数据准备**: - 确保数据已经正确输入到SPSS中,并且每个变量的测量水平已经正确设置。 - 对于分类变量,需要将其转换为虚拟变量[^1]。 2. **启动非线性典型相关分析**: - 打开SPSS,点击 `Analyze` > `Data Reduction` > `Nonlinear Canonical Correlation Analysis`。 - 在弹出的对话框中,选择 `OVERALS` 方法,然后点击 `Define`。 3. **选择变量组**: - 在 `Define Nonlinear Canonical Correlation Analysis` 对话框中,将需要分析的变量分组拖入 `Set 1`, `Set 2`, `Set 3` 等列表中。 - 选择每个变量的测量水平(Nominal, Ordinal, Interval)[^1]。 4. **设置分析选项**: - 点击 `Options` 按钮,选择 `Iteration History` 和 `Transformations`,以便查看迭代过程和变量变换结果。 - 点击 `Plots` 按钮,选择 `Object Space` 和 `Variable Space`,以便生成图形结果。 5. **运行分析**: - 点击 `OK` 按钮,SPSS将开始计算非线性典型相关分析,并生成结果。 6. **解释结果**: - 查看 `Iteration History` 表,确认模型是否收敛。 - 查看 `Transformations` 表,了解每个变量的变换方式。 - 查看 `Canonical Correlations` 表,了解变量组之间的典型相关系数。 - 查看 `Object Space` 和 `Variable Space` 图形,直观理解变量之间的关系[^1]。 ```python # 示例代码:生成虚拟变量 import pandas as pd # 假设df是包含分类变量的数据框 df = pd.DataFrame({ 'Category': ['A', 'B', 'C', 'A', 'B'] }) # 生成虚拟变量 df = pd.get_dummies(df, columns=['Category']) print(df) ``` ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值