Jianfeng Ding ( jianfeng.ding0 ), JMP Senior Research Statistician Developer, SAS
Bei der multivariaten Analyse ist die Dimensionsreduzierung auf eine kleine Anzahl von Faktoren der wichtigste Schritt zur Erfassung der Variabilität zwischen einer großen Anzahl von Variablen. In JMP verfügen wir über die Principal Components (PC)-Plattform zur Dimensionsreduzierung für kontinuierliche Variablen; Wenn wir jedoch kategoriale Variablen haben, können wir nicht mit der PC-Plattform modellieren. In JMP 12 haben wir die Plattform Multiple Correspondence Analysis (MCA) hinzugefügt, die mehrere kategoriale Variablen als Eingabevariablen verwendet und versucht, Zusammenhänge zwischen Ebenen dieser Variablen zu identifizieren. MCA, eine in Europa und Japan beliebte Datenanalysetechnik, ist jetzt eine Ergänzung zu unserer bereits robusten multivariaten Toolbox. In dieser Präsentation verwenden wir den Geschmacksdatensatz von LeRoux et al. in Kombination mit Umfragedaten, die von unseren Mitarbeitern der JMP-Abteilung gesammelt wurden, um die Datenaufbereitung, statistische Analyse, grafische Darstellung und Interpretation mithilfe der MCA-Plattform zu untersuchen. Wir werden auch verschiedene Themen in MCA diskutieren, wie z. B. Kategorienwolke, Personenwolke, Entfernungen, Dimensionalität, Beiträge und ergänzende Elemente zur Unterstützung der Analyse.
