对应分析（R—Q型因子分析）

一、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。

二、例子

 

总统计量等于383.8563，总统计量的96.04%可用前一维即可说明，它表示行点和列点之间的关系用一维表示就足够了。 

选取几个维数对结果进行分析，需结合实际情况，一般解释量累积达85%以上即可获得较好的分析效果。

由表10.43可以看出，第一维显示6门学科（样品）授予博士学位数目的变化方向；同时也可看出：在第一维中坐标最大的样品点（0.1100）所对应的学科是“行为科学”，该学科授予博士学位的数目是随年度的变化而上升的；“生命科学”和“社会科学”变化不大；而另外三个学科授予博士学位的数目是随年度的变化而下降的。

 

 由表10.44可以看出，第一维显示出6个年度（变量）授予博士学位的数目随年份的增加而递增的变化方向。

 从散布图可看出，6个行点和6个列点可以分为三类：第一类包括“行为科学（B）”，它在1978年授予的博士学位数目的比例最大；第二类包括“社会学（S）”和“生命科学（L）”，它们在1975年至1977年授予的博士学位数目的比例都是随年度下降；第三类包括“物理学（P）”、“工程学（E）”和“数学（M）”，它们在1973年和1974年这两年授予的博士学位数目的比例最大。

第二类的结论是通过行坐标得出“生命科学”和“社会科学”变化不大和而列坐标得出第一维显示出6个年度（变量）授予博士学位的数目随年份的增加而递增的变化方向而得出

%对应分析
clc, clear, close all, format long g
a=readmatrix('F:\数学建模\数学建模算法与应用（第3版）源程序\程序及数据\10第10章  多元分析\data10_17_1.txt');
T=sum(sum(a)); P=a/T;   %计算对应矩阵P
r=sum(P,2), c=sum(P)  %计算边缘分布
Row_prifile=a./repmat(sum(a,2),1,size(a,2))   %计算行轮廓分布阵
B=(P-r*c)./sqrt((r*c));   %计算标准化数据B
[u,s,v]= svd(B,'econ')    %对标准化后的数据阵B作奇异值分解，s为奇异值 
w=sign(repmat(sum(v),size(v,1),1)) %修改特征向量的符号矩阵
%使得v中的每一个列向量的分量和大于0
ub=u.*w  %修改特征向量的正负号
vb=v.*w  %修改特征向量的正负号
lamda=diag(s).^2   %计算B'*B的特征值,即计算主惯量
ksi=T*(lamda)  %计算卡方统计量的分解
T_ksi=sum(ksi) %计算总卡方统计量
con_rate=lamda/sum(lamda)  %计算贡献率
cum_rate=cumsum(con_rate)  %计算累积贡献率
beta=diag(r.^(-1/2))*ub;  %求加权特征向量
G=beta*s   %求行轮廓坐标%
alpha=diag(c.^(-1/2))*vb;   %求加权特征向量
F=alpha*s   %求列轮廓坐标F
num=size(G,1);  
rang=minmax(G(:,1)');  %坐标的取值范围
delta=(rang(2)-rang(1))/(8*num); %画图的标注位置调整量
ch='LPSBEM'; hold on
for i=1:num
    plot(G(i,1),G(i,2),'*','Color','k','LineWidth',1.3)  %画行点散布图
    text(G(i,1)+delta,G(i,2),ch(i)) %对行点进行标注
    plot(F(i,1),F(i,2),'H','Color','k','LineWidth',1.3) %画列点散布图
    text(F(i,1)+delta,F(i,2),int2str(i+1972)) %对列点进行标注
end
xlabel('dim1'), ylabel('dim2'), format