PCA/因子分析与顺序数据我有一个来自社会科学的数据集，其中包含许多具有 > 2 级别的序数分类变量，这些变量与 1 2 3 等分数相关联。
有人问我这些序数变量之间是否存在相关性，所以问题是：如何对此类数据进行相关性和 PCA/因子分析？ 感谢帮助！
回复：使用序数数据的 PCA/因子分析MCA 中的维度与 PCA 中的维度相同。 此处 PCA 的连续数据是与 MCA 的卡方距离，并在 PCA 之前缩放。
回复：使用序数数据的 PCA/因子分析MCA 工作正常，是寻找协会的好工具！ 我只是不知道如何解释“维度”是什么意思是维度 1 或维度 2 的低分或高分？
回复：使用序数数据的 PCA/因子分析LCA 根据频率对行进行聚类。 潜在语义分析聚类级别（变量）。
回复：使用序数数据的 PCA/因子分析感谢关于 MCA 的文章，Latent Class Analyis 怎么样？这是对序数变量进行分类的等效方法吗？
回复：使用序数数据的 PCA/因子分析我同意存在误解。
请看这个文章.
回复：使用序数数据的 PCA/因子分析认为我对序数数据的讨论标题存在误解；这可以通过多次通信来处理。
然而，除了序数变量之外，我的数据集还包含许多离散数字因素，如计数（#defects）和分数（评分 1 - 5）所以我的问题是是否可以对这些离散数字变量进行因素分析以找到底层相关结构？ 我对这些离散变量之间的相关性感到困惑：当我制作多变量图相关性时，相关性看起来很糟糕。另一方面，当我查看彩色地图时，会出现许多 re& 粉红色斑点，表明相关性？ 如何正确分析这些离散因素？
回复：使用序数数据的 PCA/因子分析您可以拥有多个离散级别。 变量是分类的吗？ 你在计算这些水平吗？ 它仍然是分类数据分析。
回复：使用序数数据的 PCA/因子分析好的，如果序号也可以是计数或分数
回复：使用序数数据的 PCA/因子分析不，PCA 或因子分析不适合分析您的序数数据。 这些值不是数字。 它们只是标签。 它们可以是“A”到“E”。 您不会对“A”到“E”使用 PCA 或因子分析，对吗？
回复：使用序数数据的 PCA/因子分析马克，感谢您的输入，这种多重对应分析适用于分类数据！
我也有离散数字数据，例如 1 2 4 5 。 是否可以对此类数据进行可靠的 PCA/因子分析，即因子分析是否可以对相关离散效应进行正确分组？ 使用斯皮尔曼相关方法不是更好吗？
回复：使用序数数据的 PCA/因子分析相关性适用于连续变量。 关联用于分类变量。
我建议你试试多重对应分析。 请参阅中的章节帮助 > JMP 文档库 > 多元方法指导。
