SPSS（十四）SPSS之多维尺度分析（图文+数据集）

SPSS（十三）SPSS之多维尺度分析（图文+数据集）

多维尺度分析简介

多维尺度（Multidimensional scaling，缩写MDS，又译“多维标度”）也称作“相似度结构分析”（Similarity structure analysis），属于多重变量分析的方法之一，是社会学、数量心理学、市场营销等统计实证分析的常用方法。

根据研究对象间的相似性或相异性矩阵，找到一个R维空间，用R维空间中的散点表示所有的研究对象，并保持研究对象之间的相似性或相异性关系。这就是多维尺度分析。

比如：可乐和雪碧像吗？可乐和宝马像吗？

• 用于反映多个研究事物间的相似（不相似）程度
• 通过询问消费者对各种品牌（或者概念）的相似程度评分，我们可以评价那些品牌在消费者的心目中比较类似，而这些类似的品牌往往意味着市场定位重叠，即存在竞争关系。
• 但是，直接采用原始数据加以考察非常麻烦，数据太多，不容易得出一个综合、全面的结论
• 同时所需的解释空间维度太高，不容易阅读
• 通过适当的降维方法，将这种相似（不相似）程度在低维度空间中用点与点之间的距离表示出来，并有可能帮助识别那些影响事物间相似性的潜在因素
• 最常见情况是在二维空间中将结果表现出来

 

为了更加深入了解多维尺度分析的原理，我们用城市航空距离案例来说明一下

案例：城市航空距离

数据反映的是中国12个城市间航空距离的数据，请就此进行MDS分析。

数据集如下

北京	0											
合肥	959	0										
长沙	1446	641	0									
杭州	1200	476	805	0								
南昌	1398	450	331	468	0							
南京	981	145	799	240	583	0						
上海	1178	412	964	176	644	273	0					
武汉	1133	345	332	656	343	504	761	0				
广州	1967	1105	620	1099	665	1255	1308	873	0			
成都	1697	1392	940	1699	1240	1618	1782	1047	1390	0		
福州	1681	730	743	519	437	747	678	780	763	1771	0	
昆明	2266	1795	1116	2089	1457	1870	2042	1364	1357	711	1959	0

分析--度量--多维尺度 

度量水平：

序数：有序变量

区间：连续变量

比率：连续变量（有绝对0的概念） 

在spss中，多维尺度唯一把连续型变量分开考虑的模型，因为我们的数据集为两地的实际距离，有绝对0的概念

一般维度都不用调，在2维观察即可，高纬度观察起来会比较困难

在距离选项中，由于我们的数据就为距离，数据形状为下三角矩阵，两地往返距离是一致的，所以选择正对称

结果解释：

前面一大堆文本不用看多少，就看他是否收敛即可

Stress=0.03678， Stress是0到1之间的，近似可以理解成模型剩余的残差，就是不能够被模型解释的部分，越接近0越好

Stress<0.1证明模型效果都蛮好的

RSQ决定系数，也是0到1之间的，越接近1证明模型的解释度越好

下面就是城市在二维空间中的坐标

上面用图形展示出来（多维尺度分析主要看这幅图）

空间图（刺激匹配图）

• 哪些散点比较接近（相似