簡單對應分析

簡單對應分析以原始分類資料或列聯表為輸入,將列類別和欄類別繪製在一張圖上。它報告關聯性的卡方檢定、顯示各成分解釋程度的慣量表,以及列和欄的貢獻表。每個變數至少需要 2 個類別。可用它讀懂大型交叉表中的模式,例如各機器上的缺陷類型分配。

最後審閱

核心要點

簡單對應分析將二維計數錶轉換為一張圖,其中比隨機預期更常同時出現的列類別與欄類別彼此靠近。

本頁內容
  1. 用途
  2. 主要功能
  3. 統計方法
  4. 輸入欄位和選項
  5. 輸出說明
  6. 計算範例

用途

簡單對應分析將二維計數錶轉換為一張圖。列類別和欄類別繪製為點,比隨機預期更常同時出現的類別彼此靠近。可用它一眼看出大型交叉表中的模式:哪些缺陷類型與哪些機器相關,哪些投訴類別與哪些產品相關,或顧客把哪些屬性與哪些品牌聯絡在一起。

主要功能

  • 接受原始資料(每項一列,含兩個分類欄),或已彙總為計數的列聯表。
  • 列變數與欄變數之間關聯性的卡方檢定。
  • 慣量表,顯示每個成分(圖的座標軸)解釋了多少關聯。
  • 列和欄的貢獻表:針對所選成分個數給出品質(Qual)、品質佔比(Mass)、慣量、座標、平方相關和貢獻。
  • 五種圖:列與欄的對稱圖、僅列圖、僅欄圖,以及非對稱列圖或欄圖。

統計方法

選擇 Categorical variables 輸入時,工具將列變數與欄變數交叉製表,忽略有遺漏值的列。選擇 Columns of a contingency table 輸入時,每個所選欄存放一個欄類別的計數,每一列為一個列類別;合計為零的列或欄將被剔除。每個變數至少需要 2 個類別。

將計數除以總計 n 得到比例 P,以及列品質 r(P 的列合計)和欄品質 c(欄合計)。標準化殘差矩陣 S = Dr^−½ (P − r cᵀ) Dc^−½ 透過奇異值分解進行拆分。每個奇異值 d 對應一個慣量為 d² 的成分,成分個數為(列數 − 1)與(欄數 − 1)中的較小者。總慣量等於卡方統計量除以 n,工具報告卡方 = n × 總慣量,自由度為(列數 − 1)(欄數 − 1),並給出其 p 值。p 值較小表示列與欄相關聯,因此該圖顯示的是真真實模式。

列的主座標為 Dr^−½ U D,欄的主座標為 Dc^−½ V D。在貢獻表中,Mass 是類別佔總計數的比例,Inert 是其佔總慣量的比例,Corr 是餘弦平方(一個成分對該點的展示程度),Qual 是所報告成分上 Corr 之和,Contr 是該點對某成分慣量的貢獻所佔比例。對稱圖對兩組點都使用主座標;非對稱列圖中列用主座標、欄用標準座標(主座標除以 d),非對稱欄圖則相反。

輸入欄位和選項

欄位

說明

Input data

Categorical variables(預設):每項一列。Columns of a contingency table:已彙總的計數。下方欄位隨此選擇而變化。

Row variable / Column variable

對於 Categorical variables 輸入:用於交叉製表的兩個分類欄。兩者均為必填,且必須不同。

Contingency table columns

對於列聯表輸入:兩個或更多欄,每欄存放一個欄類別的計數,每個列類別一列。

Row names

對於列聯表輸入,可選:為表的每一列命名的欄。留空則使用 Row 1、Row 2,依此類推。

Column names

對於列聯表輸入,可選:按相同順序為每個所選表欄各列出一個名稱的欄。留空則使用欄標題。

Number of components

在貢獻表中為多少個成分報告 Coord、Corr 和 Contr。預設值為 2;範圍 1 到 20,且不超過可用成分個數。

Symmetric plot showing rows and columns

預設勾選。列和欄在同一張圖上,均使用主座標。

Symmetric plot showing rows only / columns only

預設不勾選。同一張圖,但只顯示一組點。

Asymmetric row plot / Asymmetric column plot

預設不勾選。列用主座標、欄用標準座標,或相反。

Title

圖上顯示的標題。預設值為 Simple Correspondence Analysis。

correspondence-analysis-inputs


圖 1 — 品牌認知範例的選項:列聯表輸入,含六個屬性欄,以 Brand 作為列名稱。

輸出說明

  • Symmetric Plot, Row Plot, Column Plot, Asymmetric Row Plot, Asymmetric Column Plot — 已勾選的圖,以 Component 1 和 Component 2 為座標軸,軸標題中給出各自解釋的慣量百分比。
  • Contingency Table — 列聯表輸入時顯示:即所分析的表。
  • Chi-square, DF and P-value — 列與欄之間關聯性的檢定。
  • Analysis of Contingency Table — 每個軸的慣量、比例和累計比例,附文字直方圖,以及總慣量。
  • Row Contributions and Column Contributions — ID、Name、Qual、Mass、Inert,以及每個所報告成分的 Coord、Corr 和 Contr。
  • 透過 Download 匯出 PDF。

correspondence-analysis-output


圖 2 — 六個品牌與六個屬性的對稱圖:Crest 和 Flint 與 Premium 和 Durable 靠近,Dune 與 Affordable 靠近,Echo 靠近 EcoFriendly;卡方 377.0,自由度 25。

計算範例

一個市場調研小組被展示六個品牌(Apex、Bloom、Crest、Dune、Echo 和 Flint),並被問及將六個屬性(Affordable、Premium、Durable、Stylish、EcoFriendly 和 Innovative)中的哪些與各品牌聯絡在一起。每個儲存格存放將該品牌與該屬性聯絡在一起的人數。行銷團隊想了解各品牌的位置。由於資料已經是計數表,他們設定 Input data = Columns of a contingency table,選擇六個屬性欄作為 Contingency table columns,選擇 Brand 作為 Row names,並保留列與欄的對稱圖。

卡方為 377.016,自由度 25(p < 0.00001),因此各品牌之間的品牌形象明顯不同。Component 1 承載 61.6% 的慣量,Component 2 承載 29.5%,因此二維圖展示了 91.1% 的模式。Component 1 從左側的 Premium(−0.698)和 Durable(−0.462)延伸到右側的 Affordable(0.467)和 EcoFriendly(0.414)。Crest(−0.599)和 Flint(−0.554)位於進階、耐用的一側,在該軸上幾乎被完美展示(Corr 分別為 0.94 和 0.98)。Dune 在 Component 2 上位置較高(0.674),緊鄰 Affordable,並佔該成分慣量的 62.2%。Echo(0.276,−0.406)靠近 EcoFriendly、Stylish 和 Innovative,Bloom(0.481)偏向 Stylish 和 Affordable。

Apex 位於中心附近(−0.039,0.011),品質僅為 0.038:其輪廓接近所有品牌的平均水準,因此沒有鮮明的形象。對團隊而言,Crest 和 Flint 競爭同一個進階、耐用的定位,Dune 佔據了平價定位,而 Apex 是需要更清晰傳播資訊的品牌。

常見問題

對應分析用於什麼?

它用於一眼看出大型交叉表中的模式,例如哪些缺陷類型與哪些機器相關,哪些投訴類別與哪些產品相關,或顧客把哪些屬性與哪些品牌聯絡在一起。列類別和欄類別繪製為點,比隨機預期更常同時出現的類別彼此靠近。

對應分析中的慣量是什麼?

慣量衡量表中的關聯程度。每個成分(即圖的座標軸)的慣量等於其奇異值的平方,總慣量等於卡方統計量除以總計 n。慣量表顯示每個成分解釋的比例;在品牌範例中,前兩個成分展示了 91.1% 的模式。

如何解釋品質、品質佔比和貢獻?

Mass 是類別佔總計數的比例,Inert 是其佔總慣量的比例,Corr 表示一個成分對該點的展示程度,Qual 是所報告成分上 Corr 之和,Contr 是該點對某成分慣量的貢獻所佔比例。位於中心附近且品質較低的點(如範例中的 Apex)的輪廓接近平均水準。

對稱圖和非對稱圖有什麼區別?

對稱圖同時顯示列和欄,兩者均使用主座標,預設勾選。非對稱列圖中列用主座標、欄用標準座標(主座標除以奇異值),非對稱欄圖則相反。也可以只繪製列圖或只繪製欄圖。