【多元统计分析与R语言建模】【详解】【附代码文档及数据】使用1. 教材P291页表格10-4，将由1660个人组成的样本按心里健康状况和社会经济状况进行交叉分组，对这组数据进行对应分析，解释结果

本文链接：https://blog.csdn.net/qq_51868285/article/details/132005581

通过对1660个人的样本数据进行交叉分组和对应分析，揭示了心理健康状况与社会经济状况之间的正相关性。在广东省2018年的专利申请情况中，对应分析显示专利类型（发明、实用新型、外观设计）与地区分布有显著关联，一线城市如深圳和广州在发明专利上更为突出。

摘要由CSDN通过智能技术生成

对应分析[教材P291页表10-4]

1.题目
2.题目详解
- 2.1 教材P291页表格10-4，将由1660个人组成的样本按心里健康状况和社会经济状况进行交叉分组，分组结果如表所示，对这组数据进行对应分析，解释结果。
- 2.2 附件“广东省2018年专利申请情况”，该表格反映了专利授权的统计情况，进行对应分析，并且解释原因（参照例题10.1和10.2）。
3.链接

1.题目

教材P291页表格10-4，将由1660个人组成的样本按心里健康状况和社会经济状况进行交叉分组，分组结果如表所示，对这组数据进行对应分析，解释结果。
附件“广东省2018年专利申请情况”，该表格反映了专利授权的统计情况，进行对应分析，并且解释原因（参照例题10.1和10.2）。
代码、文档及数据链接在最底部

2.题目详解

2.1 教材P291页表格10-4，将由1660个人组成的样本按心里健康状况和社会经济状况进行交叉分组，分组结果如表所示，对这组数据进行对应分析，解释结果。

对数据进行卡方检验：

library(xlsx)
data = read.xlsx("C:\\Users\\6\\Desktop\\R语言\\实验5\\心理健康状况与社会经济状况数据.xlsx",'Sheet1',row.names=T)
chisq.test(data)

运行结果：
在这里插入图片描述

分析：由于X²值等于45.594，P<0.001，所以拒绝原假设H0，接受H1，认为因素A与因素B不独立，即心理健康状况与社会经济状况之间有密切关系，可以进一步做对应分析。
对数据进行对应分析：

# install.packages("ca")
library(ca)
ca1 = ca(data)
summary(ca1)

运行结果：
在这里插入图片描述
查看行坐标及列坐标：

ca1$rowcoord
ca1$colcoord

运行结果：
在这里插入图片描述

分析：前两个特征对总方差的贡献率分别为94.7%与5%，反映的便是维度一与维度二对总信息的贡献。前两个因子的贡献率已达到了99.8%，说明前两个主因子已经代表了绝大多数信息了，于是确定主因子个数为2，用前两个特征值相应的因子载荷向量绘图。

plot(ca1)

在这里插入图片描述

分析：
根据上图可以将样本点与变量分为三组：
第一组：父母社会经济状况高
样本：心理健康状况好
第二组：父母社会经济状况中高与中
样本：心理健康状况轻微症状、中等症状
第三组：父母社会经济状况中低与低
样本：心理健康状况受损

在这些分类中很容易看出，父母社会经济情况与心理健康状况称正相关，高的收入对应着好的心理状况，低的收入对应着受损的心理状况。这点可以这样解释：父母社会经济收入高的孩子，在家中基本上无忧无虑，衣食无忧，同时能够接触到更多的爱好以及娱乐项目，能够开拓视野，在这样的环境下心理状况自然会好一些。而父母社会经济情况低的孩子，则可能面临着食不果腹以及无法读书的情况，每天担心着家里的支出，这样的孩子每天都在焦虑中生活，心理状况很难不受损。

2.2 附件“广东省2018年专利申请情况”，该表格反映了专利授权的统计情况，进行对应分析，并且解释原因（参照例题10.1和10.2）。

对数据进行卡方检验：

data1 = read.xlsx("C:\\Users\\6\\Desktop\\R语言\\实验5\\广东2018年专利申请情况.xlsx",'Sheet1',row.names=T)
chisq.test(data1)

运行结果：
在这里插入图片描述

分析：由于X²值等于65534，P<0.001，所以拒绝原假设H0，接受H1，认为因素A与因素B不独立，即专利的类型与地区之间有密切关系，可以进一步做对应分析。

对数据进行对应分析：

# install.packages("ca")
ca2 = ca(data1)
summary(ca2)

运行结果：
在这里插入图片描述

查看行坐标及列坐标：

ca2$rowcoord
ca2$colcoord

运行结果：
在这里插入图片描述

分析：前两个特征对总方差的贡献率分别为87.7%与12.3%，反映的便是维度一与维度二对总信息的贡献。前两个因子的贡献率已达到了100%，说明前两个主因子已经代表了绝大多数信息了，于是确定主因子个数为2，用前两个特征值相应的因子载荷向量绘图。

plot(ca2)

在这里插入图片描述

分析：根据上图可以将样本点与变量分为三组：
第一组：外观设计
样本：潮州、揭阳、汕头、阳江、中山、茂名、韶关
第二组：实用新型
样本：湛江、梅州、云浮、汕尾、江门、惠州、东莞、清远、河源、肇庆、广州
第三组：发明
样本：深圳、佛山、珠海

结合数据及上图的分类结果可以看出，深圳，广州这两个一线城市是获得专利最多的城市，在分类上深圳更偏向于发明而广州偏向于实用新型，这是由于专利申请难度所导致的。广州是众多央企、高等院校、大型企业的总部所在地；而深圳则拥有众多高科技企业以及顶尖的经济实力，相比之下，对于学生来说实用新型则比发明专利更好申请且申请时间短，因此广州偏向实用新型。深圳众多的高科技企业则更倾向于申请发明专利。
佛山与珠海两地也更倾向于发明专利，虽然这两地远不及深圳有众多的高新企业，但是也不乏高技术企业如美的集团，博智林机器人，季华实验室等，对比其他地区的发明专利数量，把他们归为发明专利一类也是合理的。
东莞、肇庆、清远等地归为实用新型专利，这些城市中都是近几年的新一线及二线城市，在发明专利上面远不如珠海佛山等地强大，因此归为实用新型专利。
在中山、茂名等地有著名的国际灯博会等，在这方面外观设计的专利申请的就会比较多，外观专利在所有专利中的占比较大，因此将中山等地归类为外观专利。