卡方检验可以告诉我们各个变量总体间的关联程度，例如民族*血型，我们能够知道它们之间是有显著关系的，但是无法告诉我们进一步精细分析的结果，如民族各自血型的分布情况，可以归为几类这种精细分析，这种精细分析就可以通过【对应分析】解决。
对应分析的原理：
对应分析背后的原理和因子分析有关，可以理解为对分类信息进行了公因子的提取/浓缩。
对应分析的适用场景：
展示各个类别间的关联关系，会比较清楚
对应分析的优势：
对应分析是一种多维图示分析技术，最终结果也是一张图示（散点图），较为直观、简单、好理解。这种分析方法在法国、日本广受欢迎。
对应分析的缺点：
①不适用于小样本分析（样本越大越精准越稳定）②是一种描述统计方法，而不是统计推断方法（不能进行变量间的相关关系分析）③可以是二维的，也可以三维的结果，解决方案的所需维度需要研究者自行决定
对应分析的分类：
对应分析常用的分析包括简单对应分析、最优尺度分析，本次主要针对简单对应分析
简单对应分析适合1个自变量，1个因变量的情况：
简单对应分析
1.录入原始数据
2.加权统计数据
由于我录入的为统计数据，因此需要加权，若原始数据无需此步骤
数据-加权个案-将【频数】选入频数变量中，点击确定
3.先进行一轮卡方检验
注：因为对应分析只是一种描述统计方法，我们先看下卡方检验结果如何
一定要在进行加权统计之后再进行这步
分别将“头发颜色”“眼睛颜色”选入行列，统计量中选入卡方
查看卡方检验统计结果：
结果显示，p<0.05，行列变量之间存在显著的关联关系
4.对数据进行简单对应分析
分析-降维-对应分析
将”头发颜色“”眼睛颜色“分别选入行和列，并进行各自定义范围
头发颜色的定义范围操作步骤，眼睛颜色同理不赘述
5.结果解读
结果会出现多张图表，我们主要关注的是最后一张散点图
但我们也依次看下多张图表分别的含义
【对应表】里面显示的只是行列交叉频数，【摘要】里面也是交叉数据里面的卡方检验，因此都不用理会。惯量解释比例代表携带多少原始信息量，这里代表前2个维度的信息就足够解释90%以上的信息量，因此第3个维度不用理会。
【概述行点】和【概述列点】表格
在【1&2】2个维度里面分别进行了行列坐标值计算，而计算结果就是最后一张的散点图
【散点图】解读：
（1）双击散点图，从0位置添加行列参考线，主要看（0，0）原点位置在哪里，原点位置代表没有任何倾向性的点
（2）解读角度：散点间距离越近，关联倾向越明显；散点离原点越远，关联倾向越明显
①考察统一变量的区分度：如果同一变量不同类别在某个方向上靠的越近，说明类别在维度上的区分不大
②考察不同变量的类别关系：落在原点处出发相同位置上大致区域内的不同分类点彼此有联系。
6.散点图结论
2个变量共分成了3类，其中“发红色”因为离原点相对较近，无指向性
错误解释×
金色头发的儿童中，蓝色&灰色眼睛居多
正确解释√
相对于平均水平而言，金色头发的儿童中，蓝色&灰色眼睛比例要更高一些（也就是高于其他颜色头发的儿童）
网友评论