几天前，我尝试了一个基于 Twitter 记录中四个变量的 MCA，有点轻率。 这些都是用户名、用户屏幕名称、响应名称等。 所有都是随机长度的字母。该程序运行完美。
现在我已经开始重做分析，先思考。 我明显的错误。在 4257 案例文件中，我无法让 MCA 完成执行（我没有等待足够长的时间）。Windows 任务管理器告诉我程序没有响应，但是，当然，核心大小和 CPU 使用率不断变化。
我推测了这些变量可能生成的类别数量。 因此，我选择了用户 ID 和引发推文的响应实体的 ID。这是在具有 64GB 内存的戴尔 8 核机器上运行的。它已经运行了两个小时，使用了 8% 的 CPU（变化了几个百分点）和低于 5,000 MB 的内存。注释行列出了“没有响应..”我可以让工作整夜运行，无需额外费用。但是下面的逻辑让我很困扰，因为我不太了解它。
一种。如果一个变量使用数字，但被指定为名义建模——类别的最大数量是案例的数量（例如文件中的推文作者的数量）。
湾。如果变量使用任意字符、单词或名称，则保持相同的数字——案例方向上的最大维度是观察次数。所以没有区别。
C。如果一个变量被建模为一个数字，即使是序数，位置的数量也可能是集合中最低和最高数字之间的位置数。
d。一位 JMP 社区成员进行了 600,000 个案例研究并制作了简洁的图表。他一定是用了一根魔杖——或者目标变量中的值很少。
e.如果我必须考虑创建一个谁对谁的矩阵，我必须为（在我的情况下）一个 4257 x 4256 或附近的矩阵做好准备，然后将其简化。但起初猜测，这个矩阵会少于 1900 万字。这对电脑来说不算什么。
我不明白什么？我是否仅限于像我的 4257 个案例乘以只有十几个或两个值的变量？
所以，既然你们过去这么好，我想我可以把它扔掉。如果有人想要，我可以上传一个包含所有案例和一些变量的表格，但不想淹没其他人的存储空间。
：
