几天前，我有点不假思索地尝试对 Twitter 记录中的四个变量进行 MCA。 这些都是用户名、用户屏幕名称、回复名称等。 全部都是随机长度的字母顺序。程序运行得很完美。
现在我开始重新分析，先思考。 我明显的错误。在 4257 案例文件上，我无法让 MCA 完成执行（我等待的时间不够长）。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 和引发该推文的响应实体的 ID。这是在具有 64GB 内存的 Dell 8 核机器上运行的。它已经运行了两个小时，使用了 8% 的 CPU（各百分比），内存不足 5,000 MB。评论行列出“未回复..”我可以让这项工作整夜运行，无需额外费用。但背后的逻辑让我困扰，因为我不太了解它。
A。如果变量使用数字，但被指定为名义建模——类别的最大数量就是案例的数量（例如文件中推文作者的数量）。
b.如果变量使用任意字符、单词或名称，则相同的数字成立——案例方向上的最大维度是观察值的数量。所以没有区别。
C。如果将变量建模为数字，即使是序数，位置数也可能是集合中最低数字和最高数字之间的位数。
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。他一定使用了魔杖——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”矩阵，我必须准备好（在我的例子中）一个 4257 x 4256 或左右的矩阵，然后对其进行简化。但初步猜测，这个矩阵的字数不会超过 1900 万个。对于计算机来说这并不算多。
我不明白什么？我是否仅限于 4257 个案例乘以只有一打或两个值的变量？
所以，既然你们过去这么友善，我想我可以把它扔掉。如果有人愿意，我可以上传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。
：
谢谢，菲尔。
问题在于类别的数量。并不是说程序不能计算一千个左右的类别，而是需要很长时间。我要问的问题是谁回应谁。我将进一步研究一下，看看是否可以筛选其中一个变量来减少类别数量。如果有什么结果，我会发布结果。
拉里
我认为如果您可以分享一些说明性数据可能会有所帮助。
我不太明白您的分析目标是什么以及您尝试分析的数据是什么样的。 我不确定MCA是否合适。
如果我理解的话，你有一个包含 4257 行的表。 对于 JMP Pro 中的 MCA 来说这不是问题。
一个更重要的因素是每个变量的级别数。
