Multiple Korrespondenzanalyse (MCA)

Die multiple Korrespondenzanalyse bildet alle Kategorien von drei oder mehr kategorialen Variablen ab, etwa Umfrageantworten oder Fehleraufzeichnungen, sodass zusammenhängende Kategorien nahe beieinander erscheinen. Für genau zwei Variablen verwenden Sie die einfache Korrespondenzanalyse. Zeilen mit fehlenden Werten werden verworfen. Die Ausgabe umfasst eine Trägheitstabelle je Dimension, eine Kategorientabelle mit Masse, Koordinaten, Qualität und Beiträgen sowie eine Karte der ersten beiden Dimensionen.

Zuletzt geprüft

Kernaussage

Die multiple Korrespondenzanalyse (MCA) bildet jede Kategorie von drei oder mehr kategorialen Variablen auf einer Karte ab, sodass häufig gemeinsam auftretende Kategorien, etwa Kundentyp, Kanal und Tarif, nahe beieinander liegen.

Auf dieser Seite
  1. Zweck
  2. Wichtigste Funktionen
  3. Statistische Methoden
  4. Eingabefelder und Optionen
  5. Beschreibung der Ausgabe
  6. Beispiel

Zweck

Die multiple Korrespondenzanalyse (Multiple Correspondence Analysis, MCA) bildet jede Kategorie von drei oder mehr kategorialen Variablen auf einer Karte ab. Kategorien, die häufig von denselben Befragten angegeben oder an denselben Einheiten festgestellt werden, liegen nahe beieinander. Verwenden Sie sie, um Umfrageantworten, Fehleraufzeichnungen oder Auditfeststellungen mit mehreren kategorialen Feldern zu untersuchen, zum Beispiel um zu sehen, welche Kundentypen zu welchen Kanälen und Servicetarifen passen oder welche Schichten, Linien und Fehlerarten gehäuft gemeinsam auftreten. Für genau zwei Variablen verwenden Sie die einfache Korrespondenzanalyse.

Wichtigste Funktionen

  • Analysiert drei oder mehr kategoriale Spalten gleichzeitig; jede Kategorie wird zu einem Punkt auf der Karte.
  • Trägheitstabelle (Inertia) für jede Dimension mit Prozentsätzen und kumulierten Prozentsätzen.
  • Kategorientabelle mit Masse, Trägheit, Koordinaten, Qualität, quadrierten Korrelationen und Beiträgen für die von Ihnen gewählte Anzahl von Dimensionen.
  • Spaltendiagramm aller Kategorien auf den ersten beiden Dimensionen, nach Variable gefärbt.
  • PDF-Export der Ergebnisse.

Statistische Methoden

Zeilen mit einem fehlenden Wert in einer der ausgewählten Variablen werden verworfen, und jeder Wert wird als Kategorienbezeichnung behandelt. Die Daten werden in eine Indikatormatrix Z mit einer 0/1-Spalte je Kategorie jeder Variablen umgewandelt (insgesamt K Spalten für J Variablen). Die MCA ist eine Korrespondenzanalyse dieser Matrix: Z wird durch ihre Gesamtsumme geteilt, was die Anteile P ergibt, mit Zeilenmassen r und Spalten- (Kategorien-)Massen c, und die standardisierten Residuen S = Dr^−½ (P − r cᵀ) Dc^−½ werden durch Singulärwertzerlegung zerlegt. Jeder Singulärwert d ergibt eine Dimension mit der Trägheit d². Es gibt K − J Dimensionen, und die Gesamtträgheit beträgt stets (K − J) / J; sie hängt also nur von der Anzahl der Kategorien ab, nicht von den Daten.

Die Kategorienkoordinaten sind Hauptkoordinaten, Dc^−½ V D. Die Masse (Mass) ist der Anteil einer Kategorie an der Gesamtsumme der Indikatormatrix, also ihre relative Häufigkeit geteilt durch J. Inert ist der Anteil der Kategorie an der Gesamtträgheit. Die Qualität (Quality) ist der Anteil des quadrierten Abstands der Kategorie vom Zentrum, den die berichteten Dimensionen wiedergeben (von 0 bis 1); Corr ist dieser Anteil für eine einzelne Dimension und Contr der Anteil der Trägheit einer Dimension, auf den die Kategorie entfällt. Da die Indikatorkodierung die Trägheit auf viele Dimensionen verteilt, erklären die ersten beiden Dimensionen bei der MCA meist einen viel kleineren Prozentsatz als bei der einfachen Korrespondenzanalyse; die Karte kann dennoch nützlich sein, doch Kategorien mit geringer Qualität werden nicht gut dargestellt.

Eingabefelder und Optionen

Feld

Beschreibung

Categorical variables

Drei oder mehr kategoriale Spalten. Halten Sie Strg oder Command gedrückt, um mehrere auszuwählen. Für genau 2 Variablen verwenden Sie stattdessen die einfache Korrespondenzanalyse (Simple Correspondence Analysis).

Number of components

Für wie viele Dimensionen Quality, Corr und Contr in der Kategorientabelle ausgegeben werden. Standard 2; 1 bis 20, begrenzt auf die verfügbare Anzahl. Die Grafik zeigt immer die ersten 2.

Title

In der Grafik angezeigter Titel. Standard Multiple Correspondence Analysis.

multiple-correspondence-analysis-inputs


Abbildung 1 – Optionen für das Beispiel: fünf Umfragefragen als kategoriale Variablen, 2 Komponenten.

Beschreibung der Ausgabe

  • Grafik Multiple Correspondence Analysis – jede Kategorie auf Dimension 1 gegen Dimension 2 (Trägheitsanteile in den Achsentiteln), nach Variable gefärbt. Jeder Punkt ist mit seiner Kategorie beschriftet; Farbe und Legende geben die Variable an, und beim Überfahren mit dem Mauszeiger werden beide angezeigt. Die Beschriftungen werden so platziert, dass sie sich nicht überlappen.
  • Total inertia – die Gesamtträgheit und die Anzahl der Dimensionen.
  • Analysis of Indicator Matrix – Component (Dim1, Dim2, ...), Inertia, Percent und Cumulative Percent für jede Dimension.
  • Column Contributions – Category, Variable, Mass, Inert, die Koordinate auf jeder berichteten Dimension, Quality sowie Corr und Contr für jede berichtete Dimension.
  • PDF-Export über Download.

multiple-correspondence-analysis-output


Abbildung 2 – Kategorienkarte für fünf Umfragefragen von 160 Kunden: Dimension 1 (14.6%) reicht von niedrigem Einkommen, Basic-Tarif und unter 30-Jährigen bis zu hohem Einkommen, Premium-Tarif und 45- bis 59-Jährigen.

Beispiel

Ein Marketingteam im Einzelhandel befragte 160 Kunden zu fünf Fragen: Altersgruppe (vier Gruppen), Einkommensniveau (Low, Medium, High), Region (North, South, East, West), bevorzugter Kanal (Online, In Store, Mobile App, Phone) und Servicetarif (Basic, Standard, Premium). Es möchte sehen, welche Antworten zusammengehören, um gezielte Angebote zu planen. Das Team wählt alle fünf Spalten als Categorical variables und behält Number of components = 2 bei.

Die 18 Kategorien ergeben 13 Dimensionen und eine Gesamtträgheit von 2.6. Dimension 1 erklärt 14.56% und Dimension 2 11.7%, zusammen 26.26%: normal für eine MCA mit so vielen Kategorien, doch die Karte sollte als grobe Zusammenfassung gelesen werden. Dimension 1 reicht von Income Level: Low (−0.687), Service Plan: Basic (−0.771) und Age Group: Under 30 (−0.770) links bis Income Level: High (1.393), Service Plan: Premium (0.956) und Age Group: 45 to 59 (0.967) rechts. Income Level: High trägt 23.1% zur Trägheit von Dimension 1 bei, mehr als jede andere Kategorie. Auf Dimension 2 liegen Income Level: Medium (−0.804), Age Group: 30 to 44 (−0.821) und Service Plan: Standard (−0.595) unten beieinander.

Region: South (Qualität 0.0054) und Preferred Channel: In Store (0.0475) liegen nahe dem Zentrum mit sehr geringer Qualität: Sie werden auf dieser Karte schlecht dargestellt und gehören zu keiner der Gruppen. Für das Team bilden Einkommensniveau und Servicetarif das Hauptmuster, gefolgt vom Alter, während Region und Kanal wenig beitragen. In den Rohdaten wählten 60.4% der Kunden mit niedrigem Einkommen Basic und 52.8% der Kunden mit hohem Einkommen Premium. Wird Region aus der Analyse entfernt, steigt der Anteil der ersten beiden Dimensionen auf 32.57%.

Häufig gestellte Fragen

Was ist die multiple Korrespondenzanalyse?

Die multiple Korrespondenzanalyse (MCA) bildet jede Kategorie von drei oder mehr kategorialen Variablen auf einer Karte ab; Kategorien, die häufig von denselben Befragten angegeben oder an denselben Einheiten festgestellt werden, liegen nahe beieinander. Sie wird eingesetzt, um Umfrageantworten, Fehleraufzeichnungen oder Auditfeststellungen zu untersuchen, zum Beispiel welche Schichten, Linien und Fehlerarten gehäuft gemeinsam auftreten.

Was ist der Unterschied zwischen MCA und einfacher Korrespondenzanalyse?

Die einfache Korrespondenzanalyse ist für genau zwei kategoriale Variablen gedacht, die MCA für drei oder mehr. Die MCA analysiert eine Indikatormatrix mit einer 0/1-Spalte je Kategorie. Da diese Kodierung die Trägheit auf viele Dimensionen verteilt, erklären die ersten beiden Dimensionen bei der MCA meist einen viel kleineren Prozentsatz als bei der einfachen Korrespondenzanalyse.

Wie interpretiert man eine MCA-Grafik?

Kategorien, die auf der Karte nahe beieinander liegen, treten häufig gemeinsam auf. Lesen Sie die Achsenprozentsätze als den Trägheitsanteil, den jede Dimension erklärt. Prüfen Sie die Quality jeder Kategorie, von 0 bis 1: Kategorien mit geringer Qualität, die oft nahe dem Zentrum liegen, werden auf der Karte schlecht dargestellt und sollten nicht als Teil einer Gruppe interpretiert werden. Contr zeigt, welche Kategorien jede Dimension bestimmen.

Warum ist die erklärte Trägheit bei der MCA so gering?

Die Gesamtträgheit beträgt bei der MCA stets (K - J) / J, wobei K die Anzahl der Kategorien und J die Anzahl der Variablen ist; sie hängt also nur von der Anzahl der Kategorien ab. Die Indikatorkodierung verteilt diese Trägheit auf viele Dimensionen, sodass ein geringer Prozentsatz auf den ersten beiden Dimensionen normal ist; die Karte sollte als grobe Zusammenfassung gelesen werden.