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