对应分析
有这样一份关于顾客购物调查的数据，如下：
1.分析——降维——对应分析
结果如下：对应分析图
最优尺度分析
前面介绍的对应分析方法是针对两个分类变量进行的，如果有多个变量需要分析，4个及以上的分类变量分析，可以使用多重对应分析来弥补简单对应分析的不足。
PS中，最优尺度分析包括多重对应分析、分类主要成份分析、非线性典型相关性，其中，多重对应分析适合对多个分类变量进行分析；分类主要成分分析则用于有序分类和连续型变量的分析；非线性典型相关性适用于变量集的情形（样本在该变量上有多个分类水平，比如问卷当中多选题的情形），有序分类、无序分类、连续型变量均可。
操作步骤：打开上述数据集，分析——降维——最优标度
对应图如下：
这些信息大致反映了消费者的教育程度与消费行为之间的关联，对商家制定营销策略能形成有价值的参考。
多维尺度分析
在商业分析当中，经常需要了解不同观测之间（不同产品之间、不同服务之间、不同品牌或体验之间等）等的差异程度，来发现产品之间的关系、明确互相竞争的产品、发现市场机会等。
有以下数据集：关于美国几个主要城市间的距离矩阵，由于距离是对称的，因此只保存了下三角位置的数据。
点击：分析——标度——多维标度（ALLSCAL）
将上述得分绘制在二维图上，可以直观地看出个样本间的距离情况。可以看到各个城市所呈现出的相对位置与实际地图位置非常接近。（可对照地图进行对比）
本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。