幾天前，我嘗試了一個基於 Twitter 記錄中四個變量的 MCA，有點輕率。 這些都是用戶名、用戶屏幕名稱、響應名稱等。 所有都是隨機長度的字母。該程序運行完美。
現在我已經開始重做分析，先思考。 我明顯的錯誤。在 4257 案例文件中，我無法讓 MCA 完成執行（我沒有等待足夠長的時間）。Windows 任務管理器告訴我程序沒有響應，但是，當然，核心大小和 CPU 使用率不斷變化。
我推測了這些變量可能生成的類別數量。 因此，我選擇了用戶 ID 和引發推文的響應實體的 ID。這是在具有 64GB 內存的戴爾 8 核機器上運行的。它已經運行了兩個小時，使用了 8% 的 CPU（變化了幾個百分點）和低於 5,000 MB 的內存。註釋行列出了“沒有響應..”我可以讓工作整夜運行，無需額外費用。但是下面的邏輯讓我很困擾，因為我不太了解它。
一種。如果一個變量使用數字，但被指定為名義建模——類別的最大數量是案例的數量（例如文件中的推文作者的數量）。
灣。如果變量使用任意字符、單詞或名稱，則保持相同的數字——案例方向上的最大維度是觀察次數。所以沒有區別。
C。如果一個變量被建模為一個數字，即使是序數，位置的數量也可能是集合中最低和最高數字之間的位置數。
d。一位 JMP 社區成員進行了 600,000 個案例研究並製作了簡潔的圖表。他一定是用了一根魔杖——或者目標變量中的值很少。
e.如果我必須考慮創建一個誰對誰的矩陣，我必須為（在我的情況下）一個 4257 x 4256 或附近的矩陣做好準備，然後將其簡化。但起初猜測，這個矩陣會少於 1900 萬字。這對電腦來說不算什麼。
我不明白什麼？我是否僅限於像我的 4257 個案例乘以只有十幾個或兩個值的變量？
所以，既然你們過去這麼好，我想我可以把它扔掉。如果有人想要，我可以上傳一個包含所有案例和一些變量的表格，但不想淹沒其他人的存儲空間。
：
