助我们确定用几维来表现变量类别的差异。例如,当两个变量的最小类别数为6 时,对应分析的最大维度数是5,表14-4中将会列出五个维度的特征值和解释 比例,第四和第五维度的解释比例往往会很小,而且解释起来又很难。这时,如 果你认为绝大多数差异用第一和第二维度就可以解释了时(比如说已经解释了 90%),就不必用更多维度进行分析,用两个维度就足以代表了。 最后一列数值是累计解释比例( Cumulative Proportion),其和为1,代表全 部解释比例之和为100%。 表14-5 例1输出的统计结果第三部分 Row Sc SRH Marginal Profile 2 1很好 .255 077 3一般 314 002 161 381 6没回答 第三部分输出的是行变量每一类别在两个维度中的分值( Scores),实际上就 是每一类别在坐标图中的坐标。分值的大小(在坐标上的距离)受每一类别所占比 重( Marginal profile的影响,是每一类别到重心点( Centroid)的加权结果,各坐标 点之间的距离是卡方距离。当标准化方式改变时,分值也会随之改变。 表14-6 例1输出的统计结果第四部分 ontribution of row of each din Margi Dim Profile 1很好 046 2好 078 3一般 314 032 4差 5很差 6没回答 08 030 1.000 第四部分输出结果的作用是检查行变量各个类别对每一维度特征值的影响, 这有助于解释对应分析的结果。例如,在第一维度中,“很差”所占的比例最高