是行变量各个类别之间的差异以及列变量各个类别之间的差异时,可以选用以行 和列变量类别为主的标准化方法(命令关键字 PRINCIPAL),这种方法是第 和第二种方法的综合,将分别对行变量类别和列变量类别各做一张图,分别表现 变量类别之间的差异;需要注意的是,采用这种标准化方法时,将不能把行变量 与列变量同时在一张分布图上表示出来,也就是说在下面的PLOT子命令中 不能使用JOⅠNT关键字 PLOT子命令是定义将对应分析的结果用图形表现出来,命令后面的关键字 ROWS和( OLUMNS是要求将行变量分值( Scores)与列变量分值分别在二维 图形上表示出来,各作一张图。如果标准化不是采用 PRINCIPAL方法,而是其 他方法时,还可以用关键字JⅠNT要求将行变量分值与列变量分值同时在一张 图上表现出来。 需要注意的是,对应分析程序屮还隐含着一些缺省设定值,这些值在上述程序 中没有出现,但它们无疑也是十分重要的。其中最主要的缺省设定值是维度子命令 ( DIMENSION)。 对应分析中的最大维度数是由变量的类别数决定的,行变量的类别数是交互 表中的行数,列变量的类别数是交互表中的列数,行数与列数中的最小值减1就 是最大维度数。在本例题中,行数为6,列数为3,最小值是3,所以,最大维 度数是2(=3-1)。出于对应分析过程中维度数的缺省值就是2(即DMEN SIN=2),因此,上例中没有再特别定义维度数。如果实际分析的交互表中行 变量和列变量的类别都超过了三项,就需要对维度数进行专门设定,不能再用缺 省值 这里的维度就是指评判的角度。如前所述,通常我们都是从主观和客观两个 方面特征评判一个研究对象,例如评价汽车,人们可以主观地认为喜欢或不喜欢 哪种车,某种车的价格是贵还是便宜;但这些车的大小、颜色、重量是客观存在 的,并不因人而异,这些是车的客观特征。通常从上述两方面特征(两个维度) 就可以解释人们对这些车的评价的大部分差异,但当评价的类别划分得很多时, 比如分成四、五类,而车的品牌也较多时,单从两方面特征(两个维度)分析就 不能解释绝大多数的差异,就需要从第三、甚至第四维度进一步加以分析。例 如,评价汽车的人具有什么文化程度、从事的职业、是否有过开车的经历、过去 是否接触过这些车等。虽然维度数的增加可以增大解释差异的比例,但对分析结 果也就越难解释,所以,不是维度越多越好,还要注意简单明了,易于理解。 完成程序的编写工作后,在 Syntax窗口左上方选择Run命令运行上述程序, 在 Out-put窗口中将显示结果。我们将分段讨论主要统计结果。 467