多変量解析では、少数の要因への次元削減は、多数の変数間の変動性を捉えるための最も重要なステップです。に JMP 連続変数の次元を縮小するための主成分（PC）プラットフォームがあります。しかし、我々が持っているときカテゴリカル変数 PCプラットフォームを寸法縮小に使用することはできません。JMP 12の新しいMultiple Correspondence Analysis（MCA）プラットフォームは、入力変数として複数のカテゴリカル変数を取り、それらの変数のレベル間の関連付けを識別しようとします。
多重対応分析は社会科学で頻繁に使用されます。それはフランスと日本で特に人気があります。質問分析を識別するために調査分析で使用できます。消費者調査でも製品の潜在的な市場を識別するために使用されます。遺伝学におけるマイクロアレイ研究はまた、遺伝子間の潜在的な関係を同定するためにＭＣＡを使用する。
多重コレスポンデンス分析の例
JMPのCar Poll.jmpサンプルデータには、車の投票から収集されたデータが含まれています。データには、性別、配偶者の有無、年齢など、投票した個人に関する情報が含まれています。データには、原産国、サイズ、種類など、回答者が所有する車に関する情報も含まれています。消費者の好みを特定するために、性別、配偶者の有無、国、車の大きさの関係を調べたいと思うかもしれません。
コレスポンデンス分析の重要な部分は、出力の一部として作成された多次元マップです。の対応マップカテゴリ間の関係を次元軸上で空間的に視覚化できます。つまり、経験的に導き出されたディメンションで、どのカテゴリが他のカテゴリに近いかを確認できます。
Car PollデータからのCorrespondence Analysisマップは、2つの主軸に投影された4つの変数のカテゴリの雲を示しています。この雲から、アメリカ人は大きい車のサイズと強い関連性を持っているのに対し、日本人は小さい車のサイズと高い関連性があることがわかります。また、男性と独身者はスモールカータイプと強く関連し、女性と既婚者は中型カーサイズと関連しています。この情報は、市場調査で広告のターゲットユーザーを特定するために使用される可能性があります。
今月末にJMP 12が利用可能になれば、私はあなたがあなた自身のカテゴリー変数で新しいMCAプラットフォームを探索できることを願っています。ご意見をお待ちしています。
