PCA/因子分析與順序數據我有一個來自社會科學的數據集，其中包含許多具有 > 2 級別的序數分類變量，這些變量與 1 2 3 等分數相關聯。
有人問我這些序數變量之間是否存在相關性，所以問題是：如何對此類數據進行相關性和 PCA/因子分析？ 感謝幫助！
回复：使用序數數據的 PCA/因子分析MCA 中的維度與 PCA 中的維度相同。 此處 PCA 的連續數據是與 MCA 的卡方距離，並在 PCA 之前縮放。
回复：使用序數數據的 PCA/因子分析MCA 工作正常，是尋找協會的好工具！ 我只是不知道如何解釋“維度”是什麼意思是維度 1 或維度 2 的低分或高分？
回复：使用序數數據的 PCA/因子分析LCA 根據頻率對行進行聚類。 潛在語義分析聚類級別（變量）。
回复：使用序數數據的 PCA/因子分析感謝關於 MCA 的文章，Latent Class Analyis 怎麼樣？這是對序數變量進行分類的等效方法嗎？
回复：使用序數數據的 PCA/因子分析我同意存在誤解。
請看這個文章.
回复：使用序數數據的 PCA/因子分析認為我對序數數據的討論標題存在誤解；這可以通過多次通信來處理。
然而，除了序數變量之外，我的數據集還包含許多離散數字因素，如計數（#defects）和分數（評分 1 - 5）所以我的問題是是否可以對這些離散數字變量進行因素分析以找到底層相關結構？ 我對這些離散變量之間的相關性感到困惑：當我製作多變量圖相關性時，相關性看起來很糟糕。另一方面，當我查看彩色地圖時，會出現許多 re& 粉紅色斑點，表明相關性？ 如何正確分析這些離散因素？
回复：使用序數數據的 PCA/因子分析您可以擁有多個離散級別。 變量是分類的嗎？ 你在計算這些水平嗎？ 它仍然是分類數據分析。
回复：使用序數數據的 PCA/因子分析好的，如果序號也可以是計數或分數
回复：使用序數數據的 PCA/因子分析不，PCA 或因子分析不適合分析您的序數數據。 這些值不是數字。 它們只是標籤。 它們可以是“A”到“E”。 您不會對“A”到“E”使用 PCA 或因子分析，對嗎？
回复：使用序數數據的 PCA/因子分析馬克，感謝您的輸入，這種多重對應分析適用於分類數據！
我也有離散數字數據，例如 1 2 4 5 。 是否可以對此類數據進行可靠的 PCA/因子分析，即因子分析是否可以對相關離散效應進行正確分組？ 使用斯皮爾曼相關方法不是更好嗎？
回复：使用序數數據的 PCA/因子分析相關性適用於連續變量。 關聯用於分類變量。
我建議你試試多重對應分析。 請參閱中的章節幫助 > JMP 文檔庫 > 多元方法指導。
