R_Q型因子分析与对应分析

科研常用的实验数据分析与处理方法对于每个科研工作者而言，对实验数据进行处理是在开始论文写作之前十分常见的工作之一。

但是，常见的数据分析方法有哪些呢？常用的数据分析方法有：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。

1、聚类分析(Cluster Analysis)聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。

聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。

聚类分析所使用方法的不同，常常会得到不同的结论。

不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

2、因子分析(Factor Analysis)因子分析是指研究从变量群中提取共性因子的统计技术。

因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。

因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。

这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。

在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。

3、相关分析(Correlation Analysis)相关分析(correlation analysis)，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。

相关关系是一种非确定性的关系，例如，以X和Y 分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。

4、对应分析(Correspondence Analysis)对应分析(Correspondence analysis)也称关联分析、R-Q 型因子分析，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。

因子分析的一般原理概述简才永因子分析是处理多变量数据的一种统计方法，它可以揭示多变量之间的关系，其主要目的是从众多的可观测得变量中概括和综合出少数几个因子，用较少的因子变量来最大程度地概括和解释原有的观测信息，从而建立起简洁的概念系统，揭示出事物之间本质的联系。

一、因子分析的种类（一）、R型因子分析与Q型因子分析这是最常用的两种因子分析类型。

R型因子分析，是针对变量所做的因子分析，其基本思想是通过对变量的相关系数矩阵内部结构的研究，找出能够控制所有变量的少数几个随机变量去描述多个随机变量之间的相关关系。

然后再根据相关性的大小把变量分组，使同组内的变量之间的相关性较高，不同组变量之间的相关性较低。

Q型因子分析，是针对样品所做的因子分析。

它的思路与R因子分析相同，只是出发点不同而已。

它在计算中是从样品的相似系数矩阵出发，而R型因子分析在计算中是从样品的相关系数矩阵出发的。

（二）、探索性因子分析与验证性因子分析探索性因子分析（EFA），主要适用于在没有任何前提预设假定下，研究者用它来对观察变量因子结构的寻找、对因子的内容以及变量的分类。

通过共变关系的分解，进而找出最低限度的主要成分，让你后进一步探讨这些主成分或共同因子与个别变量之间的关系，找出观察变量与其对应因子之间的强度，即所谓的因子负荷值，以说明因子与所属的观察变量的关系，决定因子的内容，为因子取一个合适的名字。

验证性因子分析（CFA），要求研究者对研究对象潜在变量的内容与性质，在测量之初就必须有非常明确的说明，或有具体的理论基础，并已先期决定相对应的观测变量的组成模式，进行因子分析的目的是为了检验这一先前提出的因子结构的适合性。

这种方法也可以应用于理论框架的检验，它在结构方程模型中占据相当重要的地位，有着重要的应用价值，也是近年来心理测量中相当重要的内容。

二、因子分析基本思想、模型与条件（一）、因子与共变结构因子分析的基本假设是那些不可观测的“因子”隐含在许多现实可观察的事物背后，虽然难以直接测量，但是可以从复杂的外在现象中计算、估计或抽取得到。

对应分析法一、简介对应分析(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，是一种多元统计分析技术，主要分析定性数据的方法，也是强有力的数据图示化技术。

对应分析是一种数据分析技术，它能够帮助我们研究由定性变量构成的交互汇总表来揭示变量间的联系。

交互表的信息以图形的方式展示。

主要适用于有多个类别的定类变量，可以揭示同一个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，适用于两个或多个定类变量。

对应分析是由法国人Benzenci于1970年提出的，起初在法国和日本最为流行，然后引入到美国。

对应分析法是在R型和Q型因子分析的基础上发展起来的一种多元统计分析方法，因此对应分析又称为R－Q型因子分析。

在因子分析中，如果研究的对象是样品，则需采用Q型因子分析；如果研究的对象是变量，则需采用R型因子分析。

但是，这两种分析方法往往是相互对立的，必须分别对样品和变量进行处理。

因此，因子分析对于分析样品的属性和样品之间的内在联系，就比较困难，因为样品的属性是变值，而样品却是固定的。

于是就产生了对应分析法。

对应分析就克服了上述缺点，它综合了R型和Q型因子分析的优点，并将它们统一起来使得由R型的分析结果很容易得到Q型的分析结果，这就克服了Q 型分析计算量大的困难；更重要的是可以把变量和样品的载荷反映在相同的公因子轴上，这样就把变量和样品联系起来便于解释和推断。

对应分析数据的典型格式是列联表或交叉频数表。

常表示不同背景的消费者对若干产品或产品的属性的选择频率。

背景变量或属性变量可以并列使用或单独使用。

两个变量间——简单对应分析；多个变量间——多元对应分析。

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。

实验五对应分析姓名：***学号：*********班级：11级统计2班对应分析一实验目的：（1）掌握对应分析方法在spss软件中的实现。

（2) 熟悉对应分析的用途及操作方法。

二准备知识：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。

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。

三实验思想：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。

首先编制两变量的交叉列联表，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；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；最后，通过观察对应分布图就能直接地把握变量之间的类别联系。

四实验内容：五实验步骤：（1）数据录入。

打开SPSS数据编辑器，建立“对应分析.sav”文件。

在变量视窗中录入3个变量，用A表示“地区”，用B表示“死因”，用C表示“频数”，对A 变量和B变量输入对应的标签和值，C变量输入对应的标签。

然后在数据视图中将数据对应录入。

（2）进行对应分析。

依次点击“Data→Weight Cases →”再将“频数”导入“频率变量”，依次点击“analyze-data reduction→correspondence→将地区导入行→定义全距→最小值为1，最大值为12。

将死因导入列→定义全距→最小值为1，最大值为10,。

点击更新→点击继续”。

对应分析对应分析的基本思想对应分析( Correspondence Analysis )又称为相应分析，是由法国统计学家于1970提出的，是在R型和Q型因子分析基础上，发展起来的一种多元相依的变量统计分析技术。

它通过分析由定性变量构成的交互汇总表来揭示变量间的关系。

当以变量的一系列类别以及这些类别的分布图来描述变量之间的联系时，使用这一分析技术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。

对应分析方法是通过对交互表的频数分析来确定变量及其类别之间的关系。

例如，在分析顾客对不同品牌商品的偏好时，可以将商品与顾客的性别、收入水平、职业等进行交叉汇总，汇总表中的每一项数字都代表着某一类顾客喜欢某一品牌的人数，这一人数也就是这类顾客与这一品牌的“对应”点，代表着不同特点的顾客与品牌之间的联系。

通过对应分析，可以把品牌、顾客特点以及它们之间的联系同时反映在一个二维或三维的分布图上，顾客认为比较相似的品牌在图上的分布就会彼此靠近在一起。

根据顾客特点与每一品牌之间的距离，就可以判断它们之间关系的密切程度。

在对应分析中，每个变量的类别差异是通过直观图上的分值距离来表示。

这个距离并不是我们通常所说的距离，而是经过加权的距离，在加权的过程中，以卡方值的差异表现出来。

因此，对应分析的基础是将卡方值转变为可度量的距离。

卡方值是由累计交叉汇总表中每一交互组的实际频数与期望频数的差值计算得出。

如果卡方值是负值，就说明这一单元中实际发生频数低于期望频数。

每一单元格(每个行变量类别与列变量类别在表中的交叉点)频数的期望值取决于它在行分布中所占比例和列分布中所占比例。

如果某一单元格的卡方值是正值，而且数值很大，就说明这一单元格对应的行变量与列变量有很强的对应关系，这两个类别在图上的距离就会很近。

反之，若为负值，则在图上的距离就会远。

总之，对应分析是通过对定性变量构成的交互表进行分析，将定性变量的数据转变成可度量的分值，减少维度并做出分值分布图。

应用多元统计分析第九章对应分析对应分析又称相应分析,于1970年由法国统计学家J.P.Beozecri提出的.它是在R型和Q型因子分析基础上发展起来的多元统计分析方法,故也称为R-Q型因子分析.因子分析方法是用少数几个公共因子去提取研究对象的绝大部分信息,既减少了因子的数目,又把握住了研究对象的相互关系.在因子分析中根据研究对象的不同,分为R型和Q型,如果研究变量间的相互关系时采用R型因子分析;如果研究样品间相互关系时采用Q型因子分析.无论是R型或Q型都未能很好地揭示变量和样品间的双重关系.另方面在处理实际问题中,样本的大小经常是比变量个数多得多.当样品个数n很大(如n>100),进行Q型因子分析时,计算n阶方阵的特征值和特征向量对于微型计算机的容量和速度都是难以胜任的.还有进行数据处理时,为了将数量级相差很大的变量进行比较,常常先对变量作标准化处理,然而这种标准化处理对于变量和样品是非对等的,这给寻找R型和Q型之间的联系带来一定的困难.第九章什么是对应分析对应分析方法是在因子分析的基础上发展起来的,它对原始数据采用适当的标度方法.把R型和Q型分析结合起来,同时得到两方面的结果---在同一因子平面上对变量和样品一块进行分类,从而揭示所研究的样品和变量间的内在联系.对应分析由R 型因子分析的结果,可以很容易地得到Q 型因子分析的结果,这不仅克服样品量大时作Q 型因子分析所带来计算上的困难,且把R 型和Q 型因子分析统一起来,把样品点和变量点同时反映到相同的因子轴上,这就便于我们对研究的对象进行解释和推断. 第九章 对应分析的基本思想由于R 型因子分析和Q 型分析都是反映一个整体的不同侧面,因而它们之间一定存在内在的联系. 对应分析就是通过一个变换后的过渡矩阵Z 将二者有机地结合起来.具体地说,首先给出变量间的协差阵R S =Z'Z 和样品间的协差阵Q S =ZZ' ,由于Z'Z 和ZZ'有相同的非零特征根,记为12...m λλλ≥≥≥,如果R S 的特征根i λ对应的特征向量为i v ,则Q S 的特征根i λ对应的特征向量i u Zv =由此可以很方便地由R 型因子分析而得到Q 型因子分析的结果.对应分析的基本思想由A 的特征根和特征向量即可写出R 型因子分析的因子载荷阵(记为R A )和Q 型因子分析的因子载荷阵(记为Q A ).§9.1 什么是对应分析基本思想由于A和B具有相同的非零特征根,而这些特征根又正是各个公共因子的方差,因此可以用相同的因子轴同时表示变量点和样品点,即把变量点和样品点同时反映在具有相同坐标轴的因子平面上,以便对变量点和样品点一起考虑进行分类.第十章典型相关分析相关分析是研究多个变量与多个变量之间的相关关系.如研究两个随机变量之间的相关关系可用简单相关系数表示;研究一个随机变量与多个随机变量之间的相关关系可用全相关系数表示.1936年Hotelling首先将相关分析推广到研究多个随机变量与多个随机变量之间的相关关系,故而产生了典型相关分析,广义相关系数等一些有用的方法.第十章什么是典型相关分析在实际问题中,经常遇到要研究一部分变量和另一部分变量之间的相关关系,例如:在工业中,考察原料的主要质量指标(1,.....,p X X ) 与产品的主要质量指标(1,.....,p Y Y )间的相关性;在经济学中,研究主要肉类的价格与销售量之间的相关性; 在地质学中,为研究岩石形成的成因关系,考察岩石的化学成份与其周围围岩化学成份的相关性;在气象学中为分析预报24小时后天气的可靠程度,研究当天和前一天气象因子间的相关关系;第十章 什么是典型相关分析在教育学中,研究学生在高考的各科成绩与高二年级各主科成绩间的相关关系;在婚姻的研究中,考察小伙子对追求姑娘的主要指标与姑娘想往的小伙子的主要尺度之间的相关关系;在医学中,研究患某种疾病病人的各种症状程度与用科学方法检查的一些结果之间的相关关系;在体育学中,研究运动员的体力测试指标与运动能力指标之间的相关关系等.第十章 什么是典型相关分析一般地,假设有一组变量1,.....,p X X 与另一组变量1,.....,p Y Y (也可以记为1,....,p p q X X ++),我们要研究这两组变量的相关关系,如何给两组变量之间的相关性以数量的描述,这就是本章研究的典型相关分析.当p=q=1时,就是研究两个变量X 与Y 之间的相关关系.简单相关系数是最常见的度量.其定义为第十章 什么是典型相关分析当p ≥ 1 ,q=1时(或 q ≥ 1 , p =1) 设 则称为Y 与(X1,…,Xp) 的全相关系数.其实Y 对X 的回归为1(|)()()Y YX XX X E Y X x def x μμϕ-=+∑∑-且 并称R 为全相关系数 .第十章 什么是典型相关分析当p,q>1时,利用主成分分析的思想,可以把多个变量与多个变量之间的相关化为两个新变量之间的相关.也就是求α=(α1,…, αp ) '和β =(β1,…, βq ) ' , 使得新变量:V = α1X 1+…+αp X p = α 'X1~(,),0XX XY p YX YY X N Y μσ+∑∑⎛⎫⎛⎫∑∑=> ⎪ ⎪∑⎝⎭⎝⎭1/21YX XX XY YY R σ-⎛⎫∑∑∑= ⎪⎝⎭(,())Y x Rρϕ=W = β1Y 1+…+ βq Y q = β 'Y 之间有最大可能的相关,基于这个思想就产生了典型相关分析(Canonical correlatinal analysis).第十章 总体典型相关设X=(X1,...,Xp )及Y=(Y1,...,Yq)为随机向量(不妨设p ≤q),记随机向量Z 的协差阵为 其中Σ11是X 的协差阵,Σ22是Y 的协差阵,Σ12=Σ’21是X,Y 的协差阵. 第十章 总体典型相关我们用X 和Y 的线性组合V=a X 和W=b Y 之间的相关来研究X 和Y 之间的相关.我们希望找到a 和b,使ρ(V,W) 最大.由相关系数的定义:又已知⎪⎭⎫ ⎝⎛∑∑∑∑=∑22211211第十章总体典型相关故有对任给常数c1,c2,d1,d2,显然有ρ(c1V+d1, c2W+d2)=ρ(V,W)即使得相关系数最大的V=a'X和W=b'X并不唯一.故加附加约束条件 Var(V)=a'Σ11a=1,Var(W)=b'Σ22b=1.问题化为在约束条件Var(V)= 1,Var(W)=1下,求a和b,使得ρ(V,W)= a'Σ12b达最大 .第十章样本典型相关设总体Z=(X1,...,X p,Y1,…,Y q )’.在实际问题中,总体的均值E(Z)= 和协差阵D(Z)= 通常是未知的,因而无法求得总体的典型相关变量和典型相关系数.首先需要根据观测到的样本资料阵对其进行估计.已知总体Z的n个样品:第十章 样本典型相关样本资料阵为若假定Z ～N(μ,∑),则协差阵 的最大似然估 计为第十章 样本典型相关我们从协差阵 的最大似然估计S*(或样本协差阵S)出发,按上节的方法可以导出样本典型相关变量和样本典型相关系数.还可以证明样本典型相关变量和样本典型相关系数是总体典型相关变量和样本典型相关系数的极大似然估计.也可以从样本相关阵R 出发来导出样本典型相关变量和样本典型相关系数.第十章 样本典型相关典型相关系数的显著性检验：总体Z 的两组变量X=(X 1,...,X p )’和Y =(Y 1, …,Y q )’如果不相()()()()1(1,2,...,)t t t p q X Z t n Y +⨯⎛⎫== ⎪⎝⎭'()()11()()nt t t Z Z Z Z def Sn ∧=∑=--∑关,即COV(X,Y )=∑12=0,以上有关两组变量典型相关的讨论就毫无意义.故在讨论两组变量间相关关系之前,应首先对以下假设H 0作统计检验.(1) 检验H 0 : ∑12=0 (即λ1=0)设总体Z ～N p+q (μ,∑).用似然比方法可导出检验H 0的似然比统计量为(A ,A 11,A 22为离差阵)第十章 样本典型相关典型相关系数的显著性检验 (2)检验H 0(i): λi =0 (i =2,...,p )当否定H 0时,表明X,Y 相关,进而可得出至少第一个典型相关系数λ1≠ 0.相应的第一对典型相关变量V 1,W 1可能已经提取了两组变量相关关系的绝大部分信息.在实际问题中,经常迂到需要研究两组多重相关变量间的相互依赖关系,并研究用一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量),除了最小二乘准则下的经典多元线性回归分析(MLR),提取自变量组主成分的主成分回归分析(PCR)等方11221122||||||A S A A S S Λ==⨯⨯法外,还有近年发展起来的偏最小二乘(PLS)回归方法.第十一章什么是偏最小二乘回归偏最小二乘回归提供一种多对多线性回归建模的方法,特别当两组变量的个数很多,且都存在多重相关性,而观测数据的数量(样本量)又较少时,用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。

对应分析1、作用对应分析，又称为 R-Q 型因子分析，适用于有多个类别的分类变量，可以揭示同一个变量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，与卡方检验不同的是，对应分析不单单展示了不同分组的差异性，也能通过 2 维、3 维的方式展示其在空间的关系。

2、输入输出描述输入：至少两项或以上的定类变量。

输出：两个定类变量里面不同分组的空间关系与差异性。

3、案例示例案例：检验不同收入的消费者对品牌的选择的距离。

4、案例数据对应分析案例数据算法至少两项或以上的定类变量，案例数据为品牌和收入水平两个定类变量，定类变量即为离散变量。

5、案例操作Step1：新建分析；Step2：上传数据；Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；Step4：选择【对应分析】；Step5：查看对应的数据数据格式，【对应分析】要求特征序列为类变量，且至少有两项；Step6：点击【开始分析】，完成全部操作。

6、输出结果分析输出结果 1：卡方交叉列联表图表说明：上表为交叉列联表，展示了交叉对应表的结果，包括卡方值、显著性P等。

根据卡方显著性(P < 0.05)，若呈现显著性，则目标字段（Y）与控制字段（X）有着差异关系，否则不适合做对应分析。

结果分析：交叉列联的结果显示，以变量收入为分组项，显著性输出结果 2：因子分析表图表说明：上表为因子分析表，可以分析字段提取的维度的贡献率。

维度的累计贡献率越高，表示可解释的效度与信度效果越好，一般认为累计贡献率高于 80%时，模型表现较为优秀;奇异值：即惯量的平方根，相当于相关分析里的相关系数;主惯量：即常说的特征根，用于说明对应分析的各个维度，能够解释列联表的两个变量之间相互联系的程度。

结果分析：惯量分析表结果显示，当维度达到 2 个的时候，累计贡献率达到 1.0，模型的表现非常优秀。

输出结果 3：维度分析表图表说明：上表为因子维度得分表，即为各个类别项在各维度上的坐标具体值，其代表各点在空间中的距离和位置可反映点之间的关系情况，用于画类别点的联合图，即可直观看出各个类别的距离。

因子分析的一般原理概述Company number：【WTUT-WT88Y-W8BBGB-BWYTT-19998】因子分析的一般原理概述简才永因子分析是处理多变量数据的一种统计方法，它可以揭示多变量之间的关系，其主要目的是从众多的可观测得变量中概括和综合出少数几个因子，用较少的因子变量来最大程度地概括和解释原有的观测信息，从而建立起简洁的概念系统，揭示出事物之间本质的联系。

一、因子分析的种类（一）、R型因子分析与Q型因子分析这是最常用的两种因子分析类型。

R型因子分析，是针对变量所做的因子分析，其基本思想是通过对变量的相关系数矩阵内部结构的研究，找出能够控制所有变量的少数几个随机变量去描述多个随机变量之间的相关关系。

然后再根据相关性的大小把变量分组，使同组内的变量之间的相关性较高，不同组变量之间的相关性较低。

Q型因子分析，是针对样品所做的因子分析。

它的思路与R因子分析相同，只是出发点不同而已。

它在计算中是从样品的相似系数矩阵出发，而R型因子分析在计算中是从样品的相关系数矩阵出发的。

（二）、探索性因子分析与验证性因子分析探索性因子分析（EFA），主要适用于在没有任何前提预设假定下，研究者用它来对观察变量因子结构的寻找、对因子的内容以及变量的分类。

通过共变关系的分解，进而找出最低限度的主要成分，让你后进一步探讨这些主成分或共同因子与个别变量之间的关系，找出观察变量与其对应因子之间的强度，即所谓的因子负荷值，以说明因子与所属的观察变量的关系，决定因子的内容，为因子取一个合适的名字。

验证性因子分析（CFA），要求研究者对研究对象潜在变量的内容与性质，在测量之初就必须有非常明确的说明，或有具体的理论基础，并已先期决定相对应的观测变量的组成模式，进行因子分析的目的是为了检验这一先前提出的因子结构的适合性。

这种方法也可以应用于理论框架的检验，它在结构方程模型中占据相当重要的地位，有着重要的应用价值，也是近年来心理测量中相当重要的内容。

【数据分析R语⾔实战】学习笔记第⼗⼀章对应分析11.2对应分析在很多情况下，我们所关⼼的不仅仅是⾏或列变量本⾝，⽽是⾏变量和列变量的相互关系，这就是因⼦分析等⽅法⽆法解释的了。

1970年法国统计学家J.P.Benzenci提出对应分析，也称关联分析、R-Q型因⼦分析，其是⼀种多元相依变量统计分析技术。

它通过分析由定性变量构成的交互汇总表，来揭⽰同⼀变量各类别之间的差异，以及不同变量各类别之间的对应关系，这是⼀种⾮常好的分析调查问卷的⼿段。

对应分析是⼀种视觉化的数据分析⽅法，其基⽊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，优点在于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，使⽤起来直观、简单、⽅便，因此⼴泛应⽤于市场细分、产品定位、地质研究以及计算机⼯程等领域。

11.2.1理论基础对应分析是寻求样⽊(⾏)与指标(列)之间联系的低维图⽰法，其关键是利⽤⼀种数据变换⽅法，使含有n个样本观测值和m个变量的原始数据矩阵x变成另⼀个矩阵z, z是⼀个过渡知阵，在接下来的计算中使⽤。

通过z将样本和变量结合起来。

11.2.2 R语⾔实现R中的程序包MASS提供了两个函数，corresp()⽤于做简单⼀的对应分析，mca()⽤于计算多重对应分析，通常使⽤前者，其调⽤格式为corresp(x,nf=1,……)x是数据矩阵:nf表⽰因⼦分析中计算因⼦的个数，通常取2.【例】> ch=data.frame(A=c(47,22,10),B=c(31,32,11),C=c(2,21,25),D=c(1,10,20))> rownames(ch)=c("Pure-Chinese","Semi-Chinese","Pure-English")> library(MASS)> ch.ca=corresp(ch,nf=2)> options(digits=4)> ch.caFirst canonical correlation(s): 0.5521 0.1409Row scores:[,1] [,2]Pure-Chinese 1.2069 0.6383Semi-Chinese -0.1368 -1.3079Pure-English -1.3051 0.9010Column scores:[,1] [,2]A 0.9325 0.9196B 0.4573 -1.1655C -1.2486 -0.5417D -1.5346 1.2773分析结果给出了两个因⼦对应⾏变量、列变量的载荷系数。