序数データによるPCA /因子分析1 2 3のようなスコアにリンクされている、> 2レベルの多くの順序カテゴリカル変数を含む社会科学のデータセットがあります。
これらの順序変数間に相関関係があるかどうかを尋ねられたので、質問：この種類のデータを使用して相関関係とPCA /因子分析を実行するにはどうすればよいですか？手伝ってくれてありがとう！
Re：序数データを使用したPCA /因子分析相関は連続変数用です。関連付けは、カテゴリー変数用です。
多重コレスポンデンス分析を試すことをお勧めします。の章を参照してくださいヘルプ> JMPドキュメントライブラリ>多変量メソッドガイド。
Re：序数データを使用したPCA /因子分析マルク、入力への感謝この多重対応分析は、カテゴリカルデータに対してうまく機能します！
また、1 2 4 5などの離散数値のデータもあります。そのようなデータに対して信頼できるPCA /因子分析を実行することは可能ですか？因子分析は、相関する離散効果の正しいグループ化を提供しますか？スピアマン相関アプローチを使用する方が良いですか？
Re：序数データを使用したPCA /因子分析いいえ、PCAまたは因子分析は、順序データの分析には適していません。値は数値ではありません。それらは単なるラベルです。「A」から「E」までの可能性があります。PCAや因子分析を "A"から "E"で使用しませんか？
Re：序数データを使用したPCA /因子分析オーディナルハウアー数もカウントまたはスコアにすることができるかどうか
Re：序数データを使用したPCA /因子分析離散レベルの数を持つことができます。変数はカテゴリですか？これらのレベルを数えていますか？それはまだカテゴリー的データ分析です。
Re：序数データを使用したPCA /因子分析序数データを参照する私の議論のタイトルに関連して誤解があると思います。これは複数の通信で処理できます。
ただし、順序変数に加えて、データセットにはカウント（#defects）やスコア（評価1-5）などの離散数値である多くの因子も含まれているため、これらの離散数値変数の因子分析が可能かどうかを質問して基礎となる相関構造？これらの離散変数間の相関について混乱しています。多変量プロットを作成すると、相関がひどく見えます。一方、カラーマップに近づくと、相関関係を示す多くのre＆ピンクのスポットが表示されますか？これらの離散要因を正しく分析するにはどうすればよいですか？
Re：序数データを使用したPCA /因子分析私は誤解があることに同意します。
こちらをご覧ください論文 。
Re：序数データを使用したPCA /因子分析MCAに関する記事をお寄せいただきありがとうございます。潜在クラス分析についてはどうですか。これは順序変数を分類するための同等のアプローチですか？
Re：序数データを使用したPCA /因子分析LCAは、頻度に基づいて行をクラスター化します。潜在的意味分析クラスターレベル（変数）。
Re：序数データを使用したPCA /因子分析MCAは、関連付けを見つけるための優れた優れたツールです。「ディメンション」を解釈する方法がわからないのは、ディメンション1または2の低スコアまたは高スコアの意味を教えてください。
Re：序数データを使用したPCA /因子分析MCAの次元はPCAの次元と同じです。ここでのPCAの連続データは、MCAからのカイ二乗距離であり、PCAの前にスケーリングされます。
