
SAS市场研究应用介绍:对应分析
一.对应分析(Correspondence analysis)介绍
前二周我们简单讲了SAS市场研究应用,联合分析与离散选择偏好。
组合分析用来评价消费者偏好。如果将产品看成一些属性的组合,那么组合分析可以决定哪种属性对决定产品偏好最重要,以及哪种属性水平的组合是最受偏好的。
组合分析是用来发掘消费者的偏好,指出了消费者将选择购买哪种组合。在市场研究中,消费者实际做的选择是一种利益行为,那么用离散选择分析方法来直接分析消费者的选择是明智的。
但在市场研究中常常会遇到分类数据,那么对应分析是一种可以在列联表中生动呈现出纵列关系的工具。
本周带大家认识下对应分析,帮助大家以后在市场研究碰到并解决分类数据的快速实现方法。
对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析,是近年新发展起来的一种多元相依变量统计分析技术,通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异,以及不同变量各个类别之间的对应关系。
主要应用在市场细分,市场研究、产品定位、地质研究以及计算机工程等领域中。原因在于,它是一种视觉化的数据分析方法,它能够将几组看不出任何联系的数据,通过视觉上可以接受的定位图展现出来。
它最大特点是能把众多的样品和众多的变量同时作到同一张图解上,将样品的大类及其属性在图上直观而又明了地表示出来,具有直观性。另外,它还省去了因子选择和因子轴旋转等复杂的数学运算及中间过程,可以从因子载荷图上对样品进行直观的分类,而且能够指示分类的主要参数(主因子)以及分类的依据,是一种直观、简单、方便的多元统计方法。
二对应基本思想
对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。它最大特点是能把众多的样品和众多的变量同时作到同一张图解上,将样品的大类及其属性在图上直观而又明了地表示出来,具有直观性。
另外,它还省去了因子选择和因子轴旋转等复杂的数学运算及中间过程,可以从因子载荷图上对样品进行直观的分类,而且能够指示分类的主要参数(主因子)以及分类的依据,是一种直观、简单、方便的多元统计方法。
我们归纳可以分为点:
Ø 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;
Ø 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;
Ø 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.
对应分析方法的优缺点
Ø 定性变量划分的类别越多,这种方法的优越性越明显
Ø 揭示行变量类间与列变量类间的联系
Ø 将类别的联系直观地表现在图形中
Ø 不能用于相关关系的假设检验
Ø 维数有研究者自定
Ø 受极端值的影响
三对应分析的主要步骤
对应分析法整个处理过程由两部分组成:表格和关联图。
对应分析法中的表格是一个二维的表格,由行和列组成。每一行代表事物的一个属性,依次排开。列则代表不同的事物本身,它由样本集合构成,排列顺序并没有特别的要求。
在关联图上,各个样本都浓缩为一个点集合,而样本的属性变量在图上同样也是以点集合的形式显示出来。
四利用SAS应用:对应分析
以sasuser中的cars为例,此例中,被访者要求提供他们汽车和个人情况的信息,包括汽车的原产国和家庭地位等。
1. 简单对应分析:
简单的对应分析处理由若干行和列组成的列联表。选择cars数据集和correspondence analysis,点击OK。
进入变量界面后,选择origin,即汽车的原产国作为列变量(column),选择marital,即家庭状况,作为行变量(row),分析类型选择简单对应分析(simple correspondence analysis),结果如下:
此图是用新的两个维度来解释行变量和列变量,类似主成分分析,第一维度,或者第一主成分,可以称为“原产地维度”,第二维度可以称为“家庭状况维度”。可以看出,married和single两个点最接近,注意比较只能在列变量之间,或者行变量之间。但是若将每个点做与原点之间的连线后,会发现,american这条线与married w kids这条线之间的距离最近。可以通过结果菜单中的惯量表(显示每个维度的信息)、统计、频数等来查看更多结果。
2. 多维一致分析
回到变量界面,选择多维一致性分析(multiple correspondence analysis),多维一致性分析只需要列变量,将origin,type,size,home,sex,income,和marital选入列变量,点击OK。通过惯量表可知,此时一共用了12个维度。
图中只显示了第一维和第二维的关系,如果想加入更多维度,可以在变量窗口中用“选项”按钮添加,接着右击图,图形—坐标轴变量,可以改变x,y轴的维度。
五对应分析图解七种方式
对应分析是一种多元相依变量统计分析技术,通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异,以及不同变量各个类别之间的对应关系,所有对于交汇出来的图表展示和解释也相当介绍,这里给大家简单介绍七种.
以下文章内容的图片来自:百度文库<对应分析>PPT介绍,作者不详.
第一:距离定理
第二余弦定理
第三原点定理
第四象限分析
第五发展方向
第六细分角度
第七圆心定理
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14