ibm spss categories使用本信息及其支持的產(chǎn)品之前閱讀第中

類別............... 分類數(shù)據(jù)的最優(yōu)刻度過程介紹......... 什么是最優(yōu)刻度？............ 為什么要使用最優(yōu)刻度？......... 多重對應(yīng)分析:缺失 最佳度量水平和測量級(jí)別......... 多重對應(yīng)分析:選 哪種過程最適合于您的應(yīng)用？........ 多重對應(yīng)分析:輸 最優(yōu)刻度圖表中的寬高比......... 多重對應(yīng)分析:保 分類回歸(CATREG)............ 多重對應(yīng)分析:對象 在"分類回歸"中定義刻度.......... 多重對應(yīng)分析:變量 分類回歸:離散............. 分類回歸:缺失值............ 刻度 分類回歸:選項(xiàng)........... 分類回歸規(guī)則化........... 多列中的近似 分類回歸:輸出........... 單列中的近似 分類回歸:保存........... 分類回歸:轉(zhuǎn)換 ........... 從數(shù)據(jù)中創(chuàng)建測 CATREG命令附加功能........ 定 刻度模 分類主成份分析(CATPCA)........ 刻度:約 在CATPCA中定義度量和權(quán)重...... 刻度：選 分類主成份分析離散化......... 刻度:圖，版本 分類主成份分析:缺失值........ 刻度:圖，版本 分類主成份分析:選項(xiàng)......... 刻度:輸 分類主成份分析:輸出......... PROXSCAL命令附加功 分類主成份分析:保存......... 展開 分類主成份分析:對象圖........ 定 展開模 分類主成份分析:類別圖........ 展開:約 分類主成份分析:載荷圖........ 展開:選 CATPCA命令附加功能........ 展開: 對應(yīng)分析.............. 展開:輸 ........ PREFSCAL命令附加功 對應(yīng)分析:模 對應(yīng)分析:統(tǒng) 對應(yīng)分析:

IBMSPSSCategoriesSPSS?StatisticsProfessionalEdition或"類別"IBM?SPSSStatisticsDataTheoryScalingSystemGroupDTSS)開發(fā)的，該小組由大學(xué)(LeidenUniversity)社會(huì)和行為科學(xué)分院的教育和心理學(xué)系的成員組成。vvv對最優(yōu)刻度輸出的解釋通?；趫D形顯示，而不基于解釋參數(shù)估計(jì)值。最優(yōu)刻度方法提供了極佳的探索性分析，它很好地補(bǔ)充了其他BMSSSattics模型。通過縮小重點(diǎn)的范圍，利用最優(yōu)刻度使數(shù)據(jù)可視化可構(gòu)成以解釋模型參數(shù)為中心的分析的基礎(chǔ)。?CopyrightIBMCorporation1989, 位的和以千為單位的收入。表1.地區(qū)、作業(yè)和的編碼方112233414僅表示四種類相反，可視為數(shù)值變量。對于，值之間的距離是有內(nèi)在意義的。20與22之間的距離與25與27之間的距離相同，而22和25之間的距離大于前面的兩個(gè)距離。而對于60歲以上的人，安全性與成負(fù)向關(guān)系。在此情況下，最好將視為名義變量。盡管變量沒有預(yù)定義的屬性可使其專屬哪個(gè)級(jí)別，還是存在一些可以幫助新用戶的通用準(zhǔn)則。對于單名義量化，您通常不知道類別的順序，但是您希望分析過程施加一個(gè)順序。如果類別的順序已知，則應(yīng)該嘗試有序量化。如果類別不可排序，則可以嘗試多名義量化。U形（U形）變量的轉(zhuǎn)換圖顯示二次關(guān)系。通過完全改變類別的順序，名義變量還可以表2.ABCD11。最大類別值由用戶提供。此值不是變量類別的數(shù)目—A3，方案B的最大類別值為7，兩種方案都對相同的三個(gè)類別進(jìn)行編碼。案B，將最大類別值定義為3表示工作有編碼為1到3的類別；經(jīng)理人類別被視為缺失。因?yàn)閷?shí)際上沒有類3，所以分析中的第三類別不包含個(gè)案。如果您本來就想忽略所有經(jīng)理人類別，則此分析可能是合適的。但是，如果應(yīng)該將經(jīng)理人包括在內(nèi)，則最大類別必須定義為7，并且缺失值必須以大于7或小于1的值序是相同的。而方案D顛倒了第二類別和第三類別，將產(chǎn)生與其他方案不同的結(jié)果。1和用戶定義的最大值之間的值編碼的所有類別都是有效的。如果這些類別中有任何類別為空，則根據(jù)過程的不同，對應(yīng)的定量將為系統(tǒng)缺失值或0。雖然這兩個(gè)賦值都不會(huì)影響分析，但是會(huì)為這些類別生BC，也有四個(gè)得到系統(tǒng)缺失指示符表3.的替代編碼方ABC11326384則輸出可能會(huì)很快變得相當(dāng)繁瑣，并且在1生成所有相鄰類別之間的差值（1），因此，所有定量都成為等間距的。在將變量視為數(shù)值時(shí)被視作重要的度規(guī)特征將因?yàn)橹匦戮幋a為連續(xù)整數(shù)而受到破壞。例如，表中的方案C對應(yīng)于自動(dòng)重新編碼。類別22和25之間的差值從三更改為一，這種定量將影響后面的差值。對應(yīng)于每個(gè)類別的非零定量與從方案A得出的定量相同。如果某些變量不是連續(xù)的，則替代分析可用。如果響應(yīng)是連續(xù)的并且預(yù)測變量是分類的，則通常采用方差分析。如果響應(yīng)是分類的，而預(yù)測變量是連續(xù)的，則可能適用otc回歸或判別分析。如果響應(yīng)和預(yù)測變量都是分類的，則通常使用對數(shù)線形模型。分類主成份的一個(gè)重要應(yīng)用是檢查偏好數(shù)據(jù)，在此應(yīng)用中，響應(yīng)者根據(jù)其偏好對一定數(shù)量的項(xiàng)進(jìn)行排序或評(píng)級(jí)。在常規(guī)BMSSStitcs數(shù)據(jù)配置中，行為個(gè)人，列為項(xiàng)的測量值，行中的得分是偏好得分（例如，0到0為變，并所有量為有。允使比ATA中的象的變。如果分析中有兩組變量集并且所有變量都定義為數(shù)值，則最優(yōu)刻度正態(tài)協(xié)變量分析等效于標(biāo)準(zhǔn)正態(tài)協(xié)變量分析。雖然BMSSStitcs沒有正態(tài)協(xié)變量分析過程，但是可以從多變量方差分析中獲得許多相關(guān)統(tǒng)計(jì)。最優(yōu)刻度正態(tài)協(xié)變量分析有多種其他應(yīng)用。如果有兩個(gè)變量集，并且其中一個(gè)集包含為單名義的名義變量，則可以用類似于解釋回歸分析結(jié)果的方式解釋最優(yōu)刻度正態(tài)協(xié)變量分析結(jié)果。如果將變量視為多名義，則r1c1，以較小者為準(zhǔn)。換言之，可在維度空間中完好地表示列聯(lián)表的行類別或列類別。但是實(shí)際上，您希望在低（如二維）中表示雙向表的行和列類別，因?yàn)槎S圖比空間表示形式更容易理交互變量。例如，對于變量地區(qū)、工作和，可組合地區(qū)和工作以創(chuàng)建具有12個(gè)類別的新變量地區(qū)工作，如下表所示。此新變量與一起構(gòu)成了一個(gè)雙向表（12行，4列），可在對應(yīng)分析中分析此表。4.172839456可以組合地區(qū)和，生成一個(gè)新的16個(gè)類別的變量。這些交互變量的每一個(gè)都與其余的變量構(gòu)成一個(gè)雙向與其他類別過程的關(guān)系。多重對應(yīng)分析也稱為同質(zhì)性分析或雙重刻度。當(dāng)只有兩個(gè)變量時(shí)，它提供了與對應(yīng)分析類似但不相同的結(jié)果。對應(yīng)分析生成了總結(jié)解的擬合與表示形式的質(zhì)量的唯一輸出，包括穩(wěn)定性信息。因此，對應(yīng)分析通常更適合于雙變量情況下的多重對應(yīng)分析。兩種過程的另一區(qū)別是，多重對應(yīng)分析的輸入是數(shù)據(jù)矩陣，其中行為對象，列為變量；而對應(yīng)分析的輸入可以是相同的數(shù)據(jù)矩陣、常規(guī)近似值矩陣，或者聯(lián)合列聯(lián)表，后者是行和列都表示變量的類別的匯總矩陣。還可以將多重對應(yīng)分析看作是在多名義級(jí)別調(diào)整的數(shù)據(jù)的主成分分析。當(dāng)分析目標(biāo)是查找單組對象或個(gè)案之間的一組距離測量中的結(jié)構(gòu)時(shí)，最適合使用刻度。這是通過將觀察值指定給概念低中的特定位置實(shí)現(xiàn)的，這樣使空間中的點(diǎn)之間的距離盡可能與給定的（不）相似性相匹配。結(jié)果是一個(gè)該低維度空間中的對象的最小平方表示形式，這在許多個(gè)案中將幫助您進(jìn)一步理解您的數(shù)據(jù)。似于使用具有主要對象標(biāo)準(zhǔn)化的"分類主成份分析"分析數(shù)據(jù)。這類PCA也稱為主坐標(biāo)分析。與標(biāo)準(zhǔn)方法的關(guān)系。類別刻度過程(PROXSCAL)提供了對StatisticsBaseEdition中可用的刻度過程的多種改進(jìn)(ALSCAL)。PROXSCAL提供了對某些模型的加速算法，可以對公共空間施加約束。此外，因?yàn)樗腔诰嚯x測量的，而S-stress是基于平方距離。 與標(biāo)準(zhǔn)方法的關(guān)系。類別展開過程(PREFSCAL)提供了對StatisticsBaseEdition中可用的展開功能的多種改進(jìn)（ALSCAL）PREFSCAL可以對公共空間施加約束；此外，PREFSCAL嘗試使懲罰強(qiáng)12中的一個(gè)詞CATREG來表示（代表categoricalregression）。案數(shù)必須超過預(yù)測變量數(shù)加上1。>>可設(shè)置因變量和自變量的最佳度量水平。缺省情況下，它們調(diào)整為帶兩個(gè)內(nèi)部結(jié)點(diǎn)的二度單調(diào)性樣條（有序）。此外，還可以設(shè)置分析變量的權(quán)重。已觀察到的變量中保留在最優(yōu)刻度化變量中的唯一信息是類別中對象的分組。已觀察到的變量的類別的順序不會(huì)保留。類別點(diǎn)將位于一條通過原點(diǎn)的直線上（向量）。生成的轉(zhuǎn)換是一個(gè)選定次數(shù)的平滑的、可能非單調(diào)的分段多項(xiàng)式。這些段是由內(nèi)部結(jié)點(diǎn)的用戶指定的數(shù)量和過程決定的位置來指定的。數(shù)值類別被視為是有序的并且是等間距的（區(qū)間度）。已觀察到的變量的類別順序以及類別號(hào)之間的等間距保留在最優(yōu)刻度化變量中。類別點(diǎn)將位于一條通過原點(diǎn)的直線上（向量）。當(dāng)所有變量都為數(shù)值級(jí)別時(shí)，分析與標(biāo)準(zhǔn)主成分分析類似。名義已觀察到的變量中保留在最優(yōu)刻度化變量中的唯一信息是類別中對象的分組。已觀察到的變量的類別的順序不會(huì)保留。類別點(diǎn)將位于一條通過原點(diǎn)的直線上（向量）。生成的轉(zhuǎn)換比樣條名義轉(zhuǎn)換擬合得更好，但是平滑度較低。分類回歸:使用"離散化"框可以選擇對變量重新編碼的方法。除非另有指定，否則小數(shù)值變量將分組成具有近似正態(tài)方法 1 分類回歸: 為最頻繁的類別。當(dāng)有多個(gè)眾數(shù)時(shí)，將使用具有最小類別指示符的眾數(shù)。選擇附加類別將缺失值替換為相同的附加類別定量。這意味著此變量有缺失值的對象被視為屬于同一（附加）類別。分類回歸: IBMSPSSStatistics數(shù)據(jù)文件或當(dāng)前會(huì)話中的數(shù)據(jù)集。請參閱第12頁的『分類回歸:保存』以獲取信息。先前采用多系統(tǒng)性起點(diǎn)的運(yùn)行結(jié)果允許您為回歸系數(shù)使用固定符號(hào)。符號(hào)（1-1指示）需要方法規(guī)則化方法可以向0方向縮小回歸系數(shù)估計(jì)，以降低其可變性，從而改善模型的預(yù)測誤差。在要求規(guī)IBMSPSSStatistics數(shù)據(jù)文件或當(dāng)前會(huì)話中的數(shù)據(jù)集。請參閱第12頁的『分類回歸:保存』以獲取信息。Ridge "彈性網(wǎng)絡(luò)"Ridge回歸懲罰，在指定的值網(wǎng)格中搜索以發(fā)現(xiàn)"最佳"的套索和RidgeRidge回歸懲罰，"彈性網(wǎng)絡(luò)"的計(jì)算量并不比套索多對于"彈性網(wǎng)絡(luò)"Ridge回歸懲罰值產(chǎn)生單獨(dú)的規(guī)則化圖。生成所有可能的彈性網(wǎng)絡(luò)圖使用指RidgeRidge懲罰生成彈性網(wǎng)絡(luò)圖允許您指定由最小和最大Ridge回歸懲罰值所確定范圍的值子集。只需鍵入懲罰值的編號(hào)（或指定值范分類回歸: R2R2R2FANOVA表：一張的回歸自由度等于beta、beta的標(biāo)準(zhǔn)誤差、t值和顯著性的"系數(shù)"表；含有將最優(yōu)刻度自預(yù)測變量的Pratt的相對重要測度量，以及轉(zhuǎn)換前后容差的表。RR中的增量從第一次迭象（檢驗(yàn)個(gè)案），它還可顯示預(yù)測誤差或檢驗(yàn)MSE。交叉驗(yàn)證將樣本分割為許多子樣本，或群。然后，生成分類回歸模型，并依次排除每個(gè)子樣本中的數(shù)據(jù)。第一個(gè)模型基于第一個(gè)樣本折的個(gè)案之外的所有個(gè)案，第二個(gè)模型基于第二個(gè)樣本折的個(gè)案之外的所有個(gè)案，依此類推。對于每個(gè)模型，估計(jì)其預(yù)測誤差的方法是將模型應(yīng)用于生成它時(shí)所排除的子樣本。.632BootstrapBootstrap樣本擬合模型。將應(yīng)用擬合模型估計(jì)出來的每個(gè)模型的預(yù)測誤差應(yīng)用到不在Bootstrap樣本中的個(gè)案。分類回歸:IBMSPSSStatistics數(shù)據(jù)文件或數(shù)據(jù)集中。 分類回歸:

預(yù)測變量預(yù)測出的因變量進(jìn)行計(jì)算），并且最優(yōu)類別量化根據(jù)類別指示符乘以beta。CATREGv將已轉(zhuǎn)換的變量保存到活動(dòng)數(shù)據(jù)集時(shí)為其指定根名稱（SAVE）。cipalcomponents 主成份分析的目標(biāo)是將初始變量集縮減為表示初始變量中發(fā)現(xiàn)的大部分信息的較小不相關(guān)主成份集合。當(dāng)大量變量妨礙有效解釋對象（主體和單元格）間關(guān)系時(shí)，該方法最為有用。通過減少維數(shù)，您只需解釋少量主成份，而不是大量變量。示例分類主成份分析可用于以圖形方式顯示工作類別、工作部門、地區(qū)、旅行量（高、中、低）和工作滿數(shù)據(jù)字符串變量值總是按升序字母數(shù)值順序轉(zhuǎn)換為正整數(shù)。用戶定義的缺失值、系統(tǒng)缺失值以及小于1的11的變量加上一個(gè)常數(shù)，以使其成為非假設(shè)數(shù)據(jù)必須至少包含三個(gè)有效個(gè)案。該分析基于正整數(shù)數(shù)據(jù)。分箱化選項(xiàng)通過將其值分組成具有接近正CATPCAv有序樣條。已觀察到的變量的類別順序保存在最優(yōu)刻度化變量中。類別點(diǎn)將位于一條通過原點(diǎn)的直v名義樣條。已觀察到的變量中保留在最優(yōu)刻度化變量中的唯一信息是類別中對象的分組。已觀察到v多標(biāo)定。已觀察到的變量中保留在最優(yōu)刻度化變量中的唯一信息是類別中對象的分組。已觀察到的v名義。已觀察到的變量中保留在最優(yōu)刻度化變量中的唯一信息是類別中對象的分組。已觀察到的變 使用"分箱化"框可以選擇對變量重新編碼的方法。除非另有指定，否則小數(shù)值變量分組成具有近似正態(tài)分方法分 等 1分組分類主成份分析:選定的變量有缺失值的對象對于此變量的分析不起作用。如果消極處理所有變量，則所有變量都有缺失值的對象將視為補(bǔ)充對象。如果在"輸出"框中指定了相關(guān)性，則（分析后）缺失值通過初始變量相關(guān)性變量的最頻繁類別（即眾數(shù)）進(jìn)行插補(bǔ)。對于最優(yōu)刻度化變量的相關(guān)性，可選擇插補(bǔ)方法。選擇眾數(shù)將缺失值替換為最優(yōu)刻度化變量的眾數(shù)。選擇附加類別將缺失值替換為附加類別的定量。這意味著此變量有缺失值的對象被視為屬于同一（附加）類別。選定的變量有缺失值的對象將對這些值插補(bǔ)。您可以選擇插補(bǔ)方法。選擇眾數(shù)將缺失值替換為最頻繁的類別。當(dāng)有多個(gè)眾數(shù)時(shí)，將使用具有最小類別指示符的眾數(shù)。選擇附加類別將缺失值替換為相同的附加類別定量。這意味著此變量有缺失值的對象被視為屬于同一（附加）類別。分類主成份分析:此選項(xiàng)可優(yōu)化對象間的距離。如果您主要對對象之間的區(qū)別或相似 對 獨(dú) 定 0等同于"對稱"–1等同于"主要變量"–11的值，

顯示的維數(shù)限制為繪制的對。如果限制維數(shù)，則必須選擇要繪制的最低和最數(shù)。最低維數(shù)的范圍可從1到解中的維數(shù)減1，并且針對較數(shù)繪制。最數(shù)值的范圍可從2中的維數(shù)，表示要在繪制維對時(shí)使用的最數(shù)。此指定項(xiàng)適用于所有請求的圖。旋 的斜交度越低。正值允許附加成分相關(guān)性。Delta的值必須小于或等于0.8。一種旋轉(zhuǎn)方法，它可使得解釋每個(gè)變量所需的成分最少。該方法簡化了觀察到的變量的解釋。一種斜交（非正交）旋轉(zhuǎn)法，該方法允許成分相關(guān)聯(lián)。該方法可以比直接最小斜交旋轉(zhuǎn)更快地計(jì)算出來，因此適用于大型數(shù)據(jù)集。所允許的相關(guān)性（斜交）量由apa參數(shù)控制。Kpa的值必須大于或等于1且小于10,000。配置可從包含配置的坐標(biāo)的文件中數(shù)據(jù)。文件中的第一個(gè)變量應(yīng)包含第一維的坐標(biāo)，第二個(gè)變量應(yīng)包無不使用配置文件。固定指定的文件中的配置將用于擬合變量。擬合的變量必須選擇作為分析變量，但是，因?yàn)榕渲檬欠诸愔鞒煞莘治?表分類主成份分析: 分類主成份分析:可選擇用選定的變量的類別（可在"選項(xiàng)"框中選擇類別指示符值或值）或其個(gè)案號(hào)標(biāo)注對分類主成份分析:

分類主成份分析:CATPCAv分別為每個(gè)圖指定最大長度（使用PLOT子命令）v為殘差圖指定單獨(dú)的變量列表（PLOT）列聯(lián)表的分析通常包括檢查行和列概要文件以及通過卡方統(tǒng)計(jì)檢驗(yàn)自變量。但是，概要文件的數(shù)量可能非常大，并且卡方檢驗(yàn)不會(huì)揭示因變量結(jié)構(gòu)。交叉表格過程提供了多個(gè)相關(guān)性測量和關(guān)聯(lián)性檢驗(yàn)，但是不能以圖形方式表示變量間的任何關(guān)系。假設(shè)。該過程中使用的最大維數(shù)取決于活動(dòng)行和列類別的數(shù)目以及等同性約束的數(shù)目。如果未使用等同性約束并且所有類別都是活動(dòng)的，則最大維數(shù)比具有最少類別的變量的類別數(shù)少一。例如，如果一個(gè)變量有五個(gè)類別，另一個(gè)變量有四個(gè)類別，則最大維數(shù)為三。補(bǔ)充類別不是活動(dòng)類別。例如，如果一個(gè)變量有五個(gè)類別，其中兩個(gè)是補(bǔ)充類別，而另一個(gè)變量有四個(gè)類別，則最大維數(shù)為二。將所有約束為相等的類別集視為一個(gè)類別。例如，如果一個(gè)變量有五個(gè)類別，其中三個(gè)約束為相等，則在確定最大維數(shù)時(shí)，應(yīng)將該變量視為有三個(gè)類別。其中兩個(gè)類別未受約束，第三個(gè)類別對應(yīng)于三個(gè)受約束的類別。如果指定大于最大值的維數(shù)，則會(huì)使用最大值。相關(guān)過程。如果涉及兩個(gè)以上的變量，則使用多重對應(yīng)分析。如果變量應(yīng)調(diào)整為有序，則使用分類主成份分>>對應(yīng)分析例如，使用語法，將類別1和2約束為相等，將類別3和4約束為相等。別的最大數(shù)目為行類別總數(shù)減2。例如，使用語法，將類別1和2約束為相等，將類別3和4約束為相等。別的最大數(shù)目為列類別總數(shù)減2。對應(yīng)分析: 對于每個(gè)維，行得分為列得分的平均值除以對應(yīng)的奇異值，列得分為行得分的平均

定制必須指定介于–1和1之間的值。值為–1對應(yīng)于主要列。值為10對應(yīng)于對稱。所有其他值不同程度地將慣量分布于行得分和列得分上。此方法對于制作合適的雙標(biāo)圖很有用。對應(yīng)分析:最大維數(shù)。將為從1到指定數(shù)字的每一維分別生成一個(gè)置換表。 列 對應(yīng)分析:

顯示的維數(shù)限制為繪制的對。如果限制維數(shù)，則必須選擇要繪制的最低和最數(shù)。最低維數(shù)的范圍可從1到解中的維數(shù)減1，并且針對較數(shù)繪制。最數(shù)值的范圍可從2中的維數(shù)，表示要在繪制維對時(shí)使用的最數(shù)。此指定項(xiàng)適用于所有請求的圖。v指定表數(shù)據(jù)作為輸入，而不是使用個(gè)案情況數(shù)據(jù)（TABLEALL）v指定用于標(biāo)注每種類型的散點(diǎn)圖矩陣或雙標(biāo)圖矩陣的點(diǎn)的值字符數(shù)（使用PLOT子命令）v指定用于標(biāo)注每種類型的線圖的點(diǎn)的值字符數(shù)（使用PLOT子命令）v將行和列得分的矩陣寫入矩陣數(shù)據(jù)文件（OUTFILE）v指定多個(gè)類別集相等（EQUAL）示例。多重對應(yīng)分析可用以以圖形方式顯示工作類別、少數(shù)民族分類和之間的關(guān)系。您可能發(fā)現(xiàn)在人群之>>最優(yōu)刻度使用"分箱化"框可以選擇對變量重新編碼的方法。除非另有指定，否則小數(shù)值變量分組成具有近似正態(tài)分方法分 等 1分組多重對應(yīng)分析:選定的變量有缺失值的對象對于此變量的分析不起作用。如果消極處理所有變量，則所有變量都有缺失值的對象將視為補(bǔ)充對象。如果在"輸出"框中指定了相關(guān)性，則（分析后）缺失值通過初始變量相關(guān)性變量的最頻繁類別（即眾數(shù)）進(jìn)行插補(bǔ)。對于最優(yōu)刻度化變量的相關(guān)性，可選擇插補(bǔ)方法。選擇眾數(shù)將缺失值替換為最優(yōu)刻度化變量的眾數(shù)。選擇附加類別將缺失值替換為附加類別的定量。這意味著此變量有缺失值的對象被視為屬于同一（附加）類別。選定的變量有缺失值的對象將對這些值插補(bǔ)。您可以選擇插補(bǔ)方法。選擇眾數(shù)將缺失值替換為最頻繁的類別。當(dāng)有多個(gè)眾數(shù)時(shí)，將使用具有最小類別指示符的眾數(shù)。選擇附加類別將缺失值替換為相同的附加類別定量。這意味著此變量有缺失值的對象被視為屬于同一（附加）類別。多重對應(yīng)分析:此選項(xiàng)可優(yōu)化對象間的距離。如果您主要對對象之間的區(qū)別或相似 對 獨(dú) 定 可以在定制值字段中指定封閉區(qū)間[–1,1]中的任何實(shí)數(shù)值。值為1等同于"主要對象"方法0等同于"對稱"–1等同于"主要變量"–11的值，

顯示的維數(shù)限制為繪制的對。如果限制維數(shù)，則必須選擇要繪制的最低和最數(shù)。最低維數(shù)的范圍可從1到解中的維數(shù)減1，并且針對較數(shù)繪制。最數(shù)值的范圍可從2中的維數(shù)，表示要在繪制維對時(shí)使用的最數(shù)。此指定項(xiàng)適用于所有請求的圖。 初 多重對應(yīng)分析:表多重對應(yīng)分析: 多重對應(yīng)分析:可選擇用選定的變量的類別（可在"選項(xiàng)"框中選擇類別指示符值或值）或其個(gè)案號(hào)標(biāo)注對多重對應(yīng)分析:

v分別為每個(gè)圖指定最大長度（使用PLOT子命令）v為殘差圖指定單獨(dú)的變量列表（PLOT）圖、轉(zhuǎn)換圖、Shepard殘差圖，以及自變量轉(zhuǎn)換圖。分析>刻度>展開

(Theproximitiesareinamatrixacross(Theproximitiesareinasinglev近似值位于跨列的堆積矩陣中(Theproximitiesareinstackedmatricesacrosscolumns).近似值矩陣跨v(Theproximitiesareincolumns,onesourcepercolumn).近似值矩陣v(Theproximitesarestackedinasinglecolumn).近似值矩陣拼并到單個(gè)列或變量 歐氏距離、平方Euclidean距離、Chebychev、區(qū)組、Minkowski或定制。 卡方統(tǒng)計(jì)測量或Phi平方統(tǒng)計(jì)測量。二 歐氏距離、平方Euclidean距離、刻度差分、模式差分、方差或Lance和Williams

在某些情況下（例如，當(dāng)用相差很大的刻度測量變量時(shí)），您會(huì)希望先將值標(biāo)準(zhǔn)化，然后再計(jì)算近似值（對二分類數(shù)據(jù)不可用）。從標(biāo)準(zhǔn)化下拉列表選擇一種標(biāo)準(zhǔn)化方法（如果不需要標(biāo)準(zhǔn)化，請選擇無）。恒 得同的。數(shù)的不同）。比 有 形狀指定近似值應(yīng)從近似值矩陣的下三角部分獲取還是從上三角部分獲取?？芍付ㄊ褂脻M矩陣，在此情況維數(shù)缺省情況下，在兩個(gè)維中（=2，最大值=2）計(jì)算解。可選擇最小為1最大為對象數(shù)減一的刻度:定制選擇包含您自己的初始配置的坐標(biāo)的變量（在定制配置部分中）。選定的變量的數(shù)量應(yīng)等于指12上的坐標(biāo)對應(yīng)，依當(dāng)連續(xù)標(biāo)準(zhǔn)化初始強(qiáng)度值之間的差小于此處指定的數(shù)字（0.01.0之間）刻度:使用"圖"框可以指定將生成哪些圖。如果您具有"多列中的近似值"數(shù)據(jù)格式，那么本將顯示"圖"源。可用源的列表為"變量"框中的近似值變量列表。圖 此行為。對于 得模型，權(quán)重顯示在圖中，每個(gè)軸上有一維。對于廣義 型，每一維生成一個(gè)圖，指示該維的旋轉(zhuǎn)和權(quán)重。減少的等級(jí)模型生成與廣義 刻度:使用"圖"框可以指定將生成哪些圖。如果您的數(shù)據(jù)格式是除"多列中的近似值"之外的任何其他格式，那么本會(huì)顯示"圖"框。對于私有空間權(quán)重、初始近似值對比轉(zhuǎn)換后的近似值和轉(zhuǎn)換后的近似值對比距離圖，指定應(yīng)為其生成圖的源。輸入的源號(hào)必須是在主框中指定的源變量的值，并且范圍必須是從1到源的刻度:顯示權(quán)重被分解為旋轉(zhuǎn)權(quán)重和重，這兩種權(quán)重也會(huì)顯示。 顯示不同的應(yīng)力值。該表包含標(biāo)準(zhǔn)化初始強(qiáng)度值、Stress-I值、Stress-II值、S-Stress值、離散考慮情況(DAF)值和同余Tucker’s系數(shù)值。顯示公共空間坐標(biāo)?？蓪⒐部臻g坐標(biāo)保存到不同的IBMSPSSStatistics數(shù)據(jù)文件中。距 顯示配置中對象之間的距離。可將距離保存到不同的IBMSPSSStatistics數(shù)據(jù)文件中不同的IBMSPSSStatistics數(shù)據(jù)文件中。只有在指定了差異模型之一的情況下，才會(huì)顯示私有空間權(quán)重。根據(jù)模型的不同，空間權(quán)重被分IBMSPSSStatisticsIBMSPSSStatistics數(shù)據(jù)PROXSCALv為轉(zhuǎn)換和殘差圖指定單獨(dú)的變量列表（PLOT）v為私有空間權(quán)重、轉(zhuǎn)換和殘差圖指定單獨(dú)的源列表（PLOT）v指定要顯示的自變量轉(zhuǎn)換圖的子集（PLOT）示例。您已經(jīng)讓21個(gè)人按照各自的偏好對15種早餐食品進(jìn)行排序，順序?yàn)?到15。使用展開，您可102661="完全不真實(shí)"6="非常真實(shí)"。對取平均值后，得到的值被視為相似性。通過使用展開，您將找到相似模型的聚類以及與這統(tǒng)計(jì)和圖。展開過程可生成迭代歷史記錄、應(yīng)力測量、應(yīng)力分解、公共空間坐標(biāo)、最終配置中的對象距離、私有空間權(quán)重、私有空間、轉(zhuǎn)換后的近似值、應(yīng)力圖、公共空間散點(diǎn)圖、私有空間權(quán)重散點(diǎn)圖、私有空間散點(diǎn)圖、轉(zhuǎn)換圖和Shepad殘差圖。分析>刻度>展開恒 得同的。

數(shù)的不同）。維數(shù)缺省情況下，在兩個(gè)維中（最小值=2，最大值=2）計(jì)算解。只要最小值小于等于最大值，就可以11的整數(shù)。該過程計(jì)算最大維數(shù)中的解，然后逐步減去維數(shù)，直至達(dá)到 線性轉(zhuǎn)換后的近似值與原始近似值成比例；即轉(zhuǎn)換函數(shù)估算一個(gè)斜率，并且截距修正為0。這又稱為比率轉(zhuǎn)換。或者選擇包括截距，在這種情況下，近似值可通過一個(gè)常數(shù)項(xiàng)移位。這又稱為區(qū)間轉(zhuǎn)換。樣條轉(zhuǎn)換后的近似值是初始近似值的平滑非遞減的分段多項(xiàng)式轉(zhuǎn)換?？芍付ǘ囗?xiàng)式的次數(shù)和內(nèi)部結(jié)平滑轉(zhuǎn)換后的近似值與原始近似值有著相同的順序，包括將后繼值之間的差值考慮在內(nèi)的約束。結(jié)有序展開:展開:MDS矩陣的內(nèi)部塊（行之間和列之間的值）。完整矩陣一旦 項(xiàng)的質(zhì)心。對于選擇項(xiàng)的數(shù)目，請指定介于1和近似值變量的數(shù)目之間的正整數(shù)。定制可選擇包含您自己的初始配置的坐標(biāo)的變量。選定的變量的數(shù)量應(yīng)等于指定的最大維數(shù)，并且第一個(gè)變量與維1上的坐標(biāo)對應(yīng)，第二個(gè)變量與維2上的坐標(biāo)對應(yīng)，依此類推。每個(gè)變量中的個(gè)案數(shù)應(yīng)等于行和列對象合并的數(shù)目。行和列坐標(biāo)應(yīng)該是堆積的，列坐標(biāo)在行坐標(biāo)后面。

KruskalStress-I和基于轉(zhuǎn)換強(qiáng) 強(qiáng)度參數(shù)的值越小，懲罰越強(qiáng)。請指定介于0.0和1.0之間的值 展開: 此行為。對于得模型，所有源的權(quán)重顯示在一張圖中，并且每個(gè)軸上一維。對于廣義得模型，每一維生成一個(gè)圖，指示該維對每個(gè)源的旋轉(zhuǎn)和權(quán)重。

Shepard

應(yīng)為其生成圖的源。輸入的源號(hào)必須是在主框中指定的源變量的值，范圍為從1到源的數(shù)目。行 展開: 空間權(quán)重被分解為旋轉(zhuǎn)權(quán)重和重，這兩種權(quán)重也會(huì)顯示。PREFSCAL 況下，還可以為轉(zhuǎn)換圖和Shepard圖指定多源列表（使用PLOT子命令）。vShepard圖指定多行列表（PLOT）vID變量（INPUT）vID變量（INPUT）的信息，請向您當(dāng)?shù)氐腎BM代表咨詢。任何對IBM產(chǎn)品、程序或服務(wù)的并非意在明示或暗示只能使用產(chǎn)品、程序或服務(wù)。不過，用戶應(yīng)自行負(fù)責(zé)評(píng)估和驗(yàn)證任何非IBM產(chǎn)品、程序或服務(wù)的工作情況。IBMDirectorofLicensingIBMCorporationNorthCastleDrive,MD-NC119Armonk,NY10504-1785有關(guān)雙字節(jié)(DBCS)信息的查詢，請與您所在國家或地區(qū)的IBM知識(shí)部門聯(lián)系，或面方式將查InlectualPropertyLicensingLegalandInlectualPropertyLawIBMJapan.19-21,Nihonbashi-Hakozakicho,Chuo-Tokyo103-8510,InternationalBusinessMachinesCorporation"按現(xiàn)狀"提供本物，不附有任何種類的（無論是明示的還是不允許免除明示或暗含的保證。因此本條款可能不適用于您。本信息中對任何非IBMWeb站點(diǎn)的都只是為了方便起見才提供的，不以任何方式充當(dāng)對那些Web站W(wǎng)ebIBMWeb站點(diǎn)帶來的風(fēng)險(xiǎn)將由您自程序）之間進(jìn)行信息交換，以及(ii)允許對已經(jīng)交換的信息進(jìn)行相互使用，請與下列地址聯(lián)系：IBMDirectorofLicensingIBMCorporationNorthCastleDrive,MD-NC119Armonk,NY10504-1785本資料中描述的程序及其所有可用的資料均由IBM依據(jù)IBM客戶協(xié)議、IBM國際軟件協(xié)議或涉及非IBM產(chǎn)品的信息可從這些產(chǎn)品的供應(yīng)商、其說明或其他可公開獲得的資料中獲取。IBM沒有對這些產(chǎn)品進(jìn)試，也無法確認(rèn)其性能的精確性、兼容性或任何其他關(guān)于非IBM產(chǎn)品的。有關(guān)非IBM產(chǎn)品 ：)式對這些樣本程序進(jìn)行、修改、分發(fā)，而無須向IBM。這些示例并未在所有條件全面測試。因此，IBM不能擔(dān)?；虬凳具@些程序的可靠性、可性或功能。本樣本程序仍然是"按現(xiàn)狀"提供的，不附有任何種類的保證。對于因使用樣本程序所引起的任何損害，IBM概不負(fù)責(zé)。?IBM2019.IBMCorp.?CopyrightIBMCorp.1989-20019.AllrightsIBM、IBM徽標(biāo)和 是InternationalBusinessMachinesCorp.,在全球許多管轄區(qū)域的商標(biāo)或商標(biāo)。其他產(chǎn)品和服務(wù)名稱可能是IBM或其他公司的商標(biāo)。Web站點(diǎn)copytrade.shtml上的"Copyrightandtrademarkinformation"部分中提供了IBM商標(biāo)