類別主成分分析(CATPCA) - IBM

類別主成分分析也可稱為CATPCA，為categorical principal components analysis 的縮寫。

主成分分析的目的，是要將原始的變數集，縮小為較小的不相關成分集，這些成分可 ... 類別主成分分析(CATPCA) 這個程序可在縮小資料的維度時，同時量化類別變數。

類別主成分分析也可稱為CATPCA，為categoricalprincipalcomponentsanalysis的縮寫。

主成分分析的目的，是要將原始的變數集，縮小為較小的不相關成分集，這些成分可代表在原始變數中所發現的大部分資訊。

當使用大量的變數，而無法有效解釋個體(受試者和單位)之間的關係時，這個技巧十分有用。

藉由縮減維度，您只需要解釋小部分元件，而不需解釋一大堆的變數。

在標準主成分分析中，系統假設數值變數之間為線性關係。

而另一方面，最適尺度方法能讓變數調整為不同層級。

在指定維度內的類別變數則進行最佳量化。

如此一來，變數之間的非線性關係，就變成可以分析了。

範例。

利用類別主成分分析，可以用圖形的方式，顯示工作類別、工作部門、地區、旅遊次數(高、中、低)、和工作滿意度之間的關係。

您可能會發現兩個維度便可以說明許多變異數。

第一個維度會區隔工作類別與地區，而第二個維度則區隔工作部門與旅遊次數。

您同時也會發現，高工作滿意度，是與中旅遊次數相關。

統計量與圖形。

頻次、遺漏值、最適尺度層級、眾數、依重心座標說明的變異數、向量座標、每個變數和每個維度的總和、向量量化變數的成份負荷量、類別變數的量化和座標、疊代歷程、轉換後變數的相關性與相關性矩陣的特徵值、原始變數的相關性與相關性矩陣的特徵值、個體分數、類別圖、聯合類別圖、轉換圖、殘差圖、投影重心圖、個體圖、雙序圖、三角散佈圖、和成份負荷量圖。

類別主成分分析資料考量 資料。

字串變數值一定都會以遞增的文數字順序，轉換成正整數。

使用者定義的遺漏值、系統遺漏值和小於1的值都視為遺漏值；您可以重新編碼或新增常數到變數中，讓小於1的變數成為非遺漏值。

假設。

資料最少必須含有三個有效觀察值。

分析時須使用正整數資料。

離散化選項將自動分類分數值的變數，也就是用接近「正常的」分佈來分類其數值，並自動將字串變數的值轉換成正整數。

您可以指定其他的離散化分法。

相關程序。

如果您是以數值層級，來製作所有變數的尺度的話，就可產生標準的主成分分析。

若要使用其他繪製功能，可以在標準線性主成分分析中使用轉換變數。

如果所有變數都有多重名義尺度層級，那麼類別主成分分析便與多重對應分析相同。

如果您想要使用一組變數，那麼應該使用類別(非線性)典型相關分析。

若要取得類別主成分分析 此功能需要「類別」選項。

從功能表中選擇：分析>降維>最適尺度... 選取部分變數為非多重名義。

選擇「單一變數集」。

按一下定義。

選擇兩個以上的分析變數，然後指定解答中的維度數。

按一下確定。

您可以選擇指定補充變數，該變數可能適合所發現的解答、或標記圖形中的變數。

此程序會貼上CATPCA指令語法。

在CATPCA中定義尺度與加權 類別主成分分析離散化 類別主成分分析遺漏值 類別主成分分析選項 類別主成分分析輸出 類別主成分分析儲存 類別主成分分析個體圖 類別主成分分析類別圖 類別主成分分析負荷量圖 類別主成份分析靴拔重抽法 CATPCA指令的其他功能 上層主題：類別 相關資訊 詳細範例 CATPCA