典型相关分析、对应分析
2024-05-19 09:32:28
典型相关分析
复习专用
完成两组变量之间的典型相关分析
检验典型相关系数以及所有较小的典型相关系数是否为0的假设
计算标化和未标化的典型系数，典型变量和原始变量的相关以及冗余度的分析
对两组变量进行回归分析
在偏相关阵的基础上进行典型相关分析
cancorr
proc cancorr
var
with
原始相关系数之后开始的就是典型相关分析的结果输出。
典型相关系数：典型相关系数、校正的典型相关系数、近似标准误差、典型决定系数（典型相关系数的平方）
特征值和相应的统计量：特征根、相邻两个特征根之差、特征根所占方差信息量的比例、累计方差信息量比例；典型相关系数检验（似然比）近似F分布：第一行检验的是第一典型相关系数以及比它小典型相关系数是否为0。
Multivariate Statistics and F Approxinations 方差分析原理进行第一典型相关系数是否为零的检验，一般参照Wilk’Lambda检验结果
上述给的是未标准化的结果，下面是标准化后的结果
典型相关结构：各组原始变量与典型变量之间的两两相关系数矩阵
data d1021;input x1 x2 y1 y2;n=_n_;cards;
0.14 0.30 0.03 0.14
0.20 0.50 0.14 0.22
0.06 0.11 0.03 0.02
0.07 0.11 0.04 0.13
0.12 0.22 0.06 0.12
0.52 0.87 0.19 0.20
0.23 0.47 0.14 0.10
1.19 0.38 0.09 0.11
0.37 0.66 0.14 0.15
0.36 0.60 0.12 0.14
0.42 0.77 0.17 0.10
0.35 0.85 0.30 0.19
0.50 0.87 0.23 0.22
0.56 1.15 0.29 0.28
0.43 0.90 0.13 0.22
0.47 0.97 0.26 0.22
0.49 0.79 0.21 0.20
0.47 0.77 0.51 0.22
0.40 0.88 0.33 0.19
0.66 1.30 0.21 0.30
0.63 1.30 0.45 0.28
0.52 1.43 0.31 0.23
0.44 0.87 0.17 0.25
0.03 0.07 0.05 0.08
0.20 0.28 0.04 0.08
0.04 0.10 0.11 0.07
0.17 0.28 0.15 0.09
;
proc print ;
run;proc cancorr data=d1021 simple corr vprefix=vwprefix=w out=o1021 ;var x1 x2;with y1 y2;
run;proc print data=o1021;var v1 w1 x1 x2 y1 y2;
run;
proc plot data=o1021;plot w1*v1 $ n='*' / vref=0 href=0;
run;
simple简单统计量 coor相关系数
data d1031;input weight waist pulse chins situps jumps @@;label weight='体重' waist='腰围'pulse='脉博' chins='单杠'situps='仰卧起坐' jumps='跳高';cards;
191 36 50 5 162 60 189 37 52 2 110 60
193 38 58 12 101 101 162 35 62 12 105 37
189 35 46 13 155 58 182 36 56 4 101 42
211 38 56 8 101 38 167 34 60 6 125 40
176 31 74 15 200 40 154 33 56 17 251 250
169 34 50 17 120 38 166 33 52 13 210 115
154 34 64 14 215 105 247 46 50 1 50 50
193 36 46 6 70 31 202 37 62 12 210 120
176 37 54 4 60 25 157 32 52 11 230 80
156 33 54 15 225 73 138 33 68 2 110 43
;
run;
proc cancorr data=d1031 all vprefix=PHYS wprefix=EXERvname='生理指标' wname='训练指标';var weight waist pulse;with chins situps jumps;
run;
data data1003;input x1-x5 @@;label x1='力学(闭)' x2='物理(闭)'x3='代数(开)' x4='分析(开)' x5='统计(开)';n=_n_;cards;
77 82 67 67 81 63 78 80 70 81
75 73 71 66 81 55 72 63 70 68
63 63 65 70 63 53 61 72 64 73
51 67 65 65 68 59 70 68 62 56
62 60 58 62 70 64 72 60 62 45
52 64 60 63 54 55 67 59 62 44
50 50 64 55 63 65 63 58 56 37
31 55 60 57 73 60 64 56 54 40
44 69 53 53 53 42 69 61 55 45
62 46 61 57 45 31 49 62 63 62
44 61 52 62 46 49 41 61 49 64
12 58 61 63 67 49 53 49 62 47
54 49 56 47 53 54 53 46 59 44
44 56 55 61 36 18 44 50 57 81
46 52 65 50 35 32 45 49 57 64
30 69 50 52 45 46 49 53 59 37
40 27 54 61 61 31 42 48 54 68
36 59 51 45 51 56 40 56 54 35
46 56 57 49 32 45 42 55 56 40
42 60 54 49 33 40 63 53 54 25
23 55 59 53 44 48 48 49 51 37
41 63 49 46 34 46 52 53 41 40
;
proc print data=data1003;
run;proc cancorr data=data1003 out=o1003;var x1 x2;with x3 x4 x5;
run;options ps=35 ls=80;
proc plot data=o1003;plot w1*v1 $ n='*' / vref=0 href=0;
run;
data data1004;input x1-x4;cards;
191 155 179 145
195 149 201 152
181 148 185 149
183 153 188 149
176 144 171 142
208 157 192 152
189 150 190 149
197 159 189 152
188 152 197 159
192 150 187 151
179 158 186 148
183 147 174 147
174 150 185 152
190 159 195 157
188 151 187 158
163 137 161 130
195 155 183 158
186 153 173 148
181 145 182 146
175 140 165 137
192 154 185 152
174 143 178 147
176 139 176 143
197 167 200 158
190 163 187 150
;
proc print data=data1004;
run;proc cancorr data=data1004;var x1 x2;with x3 x4;
run;data d1005;input n x1-x12;cards;
1 46 55 126 51 75.0 25 72 6.8 489 27 8 360
2 52 55 95 42 81.2 18 50 7.2 464 30 5 348
3 46 69 107 38 98.0 18 74 6.8 430 32 9 386
4 49 50 105 48 97.6 16 60 6.8 362 26 6 331
5 42 55 90 46 66.5 2 68 7.2 453 23 11 391
6 48 61 106 43 78.0 25 58 7.0 405 29 7 389
7 49 60 100 49 90.6 15 60 7.0 420 21 10 379
8 48 63 122 52 56.1 17 68 7.1 466 28 2 362
9 45 55 105 48 76.0 15 61 6.8 415 24 6 386
10 48 64 120 38 60.2 20 62 7.1 413 28 7 398
11 49 52 100 42 53.4 6 42 7.4 404 23 6 400
12 47 62 100 34 61.2 10 62 7.2 427 25 7 407
13 41 51 101 53 62.4 5 60 8.0 372 25 3 409
14 52 55 125 43 86.3 5 62 6.8 496 30 10 350
15 45 52 94 50 51.4 20 65 7.6 394 24 3 399
16 49 57 110 47 72.3 19 45 7.0 446 30 11 337
17 53 65 112 47 90.4 15 75 6.6 446 30 12 357
18 47 57 95 47 72.3 9 64 6.6 420 25 4 447
19 48 60 120 47 86.4 12 62 6.8 447 28 11 381
20 49 55 113 41 84.1 15 60 7.0 398 27 4 387
21 48 69 128 42 47.9 20 63 7.1 485 30 7 350
22 42 57 122 46 54.2 15 63 7.2 400 28 6 388
23 54 64 155 51 71.4 19 61 6.9 511 33 12 298
24 53 63 120 42 56.6 8 53 7.5 430 29 4 353
25 42 71 138 44 65.2 17 55 7.0 487 29 9 370
26 46 66 120 45 62.2 22 68 7.4 470 28 7 360
27 45 56 91 29 66.2 18 51 7.9 380 26 5 358
28 50 60 120 42 56.6 8 57 6.8 460 32 5 348
29 42 51 126 50 50.0 13 57 7.7 398 27 2 383
30 48 50 115 41 52.9 6 39 7.4 415 28 6 314
31 42 52 140 48 56.3 15 60 6.9 470 27 11 348
32 48 67 105 39 69.2 23 60 7.6 450 28 10 326
33 49 74 151 49 54.2 20 58 7.0 500 30 12 330
34 47 55 113 40 71.4 19 64 7.6 410 29 7 331
35 49 74 120 53 54.5 22 59 6.9 500 33 21 348
36 44 52 110 37 54.9 14 57 7.5 400 29 2 421
37 52 66 130 47 45.9 14 45 6.8 505 28 11 355
38 48 68 100 45 53.6 23 70 7.2 522 28 9 352
;proc print;id n;var x1-x12;
run;proc cancorr data=d1005 simple corr vprefix=u wprefix=v out=o1005;var x1-x7;with x8-x12;
run;options ps=35 ls=80;
proc plot data=o1005;plot v1*u1 $ n='*' / vref=0 href=0;
run;
/vref=0 表示在绘图的时候，使用 垂直的参考线，也可以将vref 换为 href，这时就是使用水平的参考线，后面跟着的数值表示
你的参考线应该在哪里绘制。
对应分析
相应分析
计算每两行的相关系数，得到相关系数矩阵A；再计算每两列的相关系数，B
基于A做一次因子分析，得到各行因素各类别的因子负荷，对B同
按照相应的因子数量构成解释空间，将相应的类别以散点的形式标注在空间中，其坐标即为各因子上的负荷值
corresp
proc corresp
table
var
输入格式有两种 频数表（var）和原始资料(table)
输入输出
outc=|out= 创造一个频数的输出数据集，几乎包含了这个过程所有的输出结果
outf=创造一个频数的输出数据集，包含行列表的行列、频数以及期望值等
all输出所有结果
rp打印profiles得到结果，包括给定行成员时列成员的条件概率
short不打印除了坐标以外的所有点和坐标统计量
data d931;input science $12. y1973-y1978;label y1973='1973' y1974='1974'y1975='1975' y1976='1976'y1977='1977' y1978='1978';cards;
L(生命科学) 4489 4303 4402 4350 4266 4361
P(物理学) 4101 3800 3749 3572 3410 3234
S(社会学) 3354 3286 3344 3278 3137 3008
B(行为科学) 2444 2587 2749 2878 2960 3049
E(工程学) 3338 3144 2959 2791 2641 2432
M(数学) 1222 1196 1149 1003 959 959
;
proc corresp data=d931 out=results observedrp short;var y1973-y1978;id science;
run;data results;set results;/* SAS函数SUBSTR取年数的最后一位作为年图 */if _type_='VAR' then science=substr(science,4,1);
run;
options ps=40 ls=90;
proc plot data=results;plot dim1*dim2=science /box vspace=15 hspace=27 href=0 vref=0haxis=-.15 to .15 by .15 vaxis=-.15 to .15 by .15;
run;
data d932;input group $ a b c d e f g;cards;
1山西 0.583910 0.111480 0.092473 0.050073 0.038193 0.018803 0.079946
2内蒙古 0.581218 0.081315 0.112380 0.042396 0.043280 0.040004 0.083339
3辽宁 0.565036 0.100121 0.123970 0.041121 0.043429 0.031328 0.078919
4吉林 0.530918 0.105360 0.116952 0.045064 0.043735 0.038508 0.095256
5黑龙江 0.555201 0.096500 0.143498 0.037566 0.052111 0.026267 0.072829
6海南 0.654952 0.047852 0.095238 0.047945 0.022134 0.018519 0.096844
7四川 0.640012 0.061680 0.116677 0.048471 0.033529 0.017439 0.072043
8贵州 0.725239 0.056362 0.073262 0.044388 0.016366 0.015720 0.057261
9甘肃 0.678630 0.058043 0.088316 0.038100 0.039794 0.015167 0.067999
0青海 0.665913 0.088508 0.096899 0.038191 0.039275 0.019243 0.033801
;
proc print;format group $8.0 a b c d e f g 8.6;id group;var a b c d e f g;
run;proc corresp data=d932 all out=o932;var a b c d e f g;id group;
run;proc print data=o932;
run;data o932;set o932;if _type_='VAR' then group=substr(group,1,1);
run;options ps=40 ls=90;
proc plot data=o932;plot dim2*dim1=group /box vspace=15 hspace=27 vref=0 href=0haxis=-.5 to .5 by .1 vaxis=-.2 to .4 by .1;
run;
data data902;input group $ x1-x6;n=_n_;cards;
A北京 190.33 43.77 9.73 60.54 49.01 9.04
B天津 135.20 36.40 10.47 44.16 36.49 3.94
C河北 95.21 22.83 9.30 22.44 22.81 2.80
D山西 104.78 25.11 6.40 9.89 18.17 3.25
E内蒙 128.41 27.63 8.94 12.58 23.99 3.27
F辽宁 145.68 32.83 17.79 27.29 39.09 3.47
G吉林 159.37 33.38 18.37 11.81 25.29 5.22
H黑龙江 116.22 29.57 13.24 13.76 21.75 6.04
I上海 221.11 38.64 12.53 115.65 50.82 5.89
J江苏 144.98 29.12 11.67 42.60 27.30 5.74
K浙江 169.92 32.75 12.72 47.12 34.35 5.00
L安徽 153.11 23.09 15.62 23.54 18.18 6.39
M福建 144.92 21.26 16.96 19.52 21.75 6.73
N江西 140.54 21.50 17.64 19.19 15.97 4.94
O山东 115.84 30.26 12.20 33.61 33.77 3.85
P河南 101.18 23.26 8.46 20.20 20.50 4.30
;
proc print data=data902;
run;
* 9-2(1);
proc corresp data=data902 out=out902 observedrp short;var x1-x6;id group;
run;proc print data=out902;
run;
options ps=35 ls=90;
data out902;set out902;if _type_='VAR' then group=substr(group,2,2);
run;
proc plot data=out902;plot dim1*dim2=group /box href=0 vref=0 ;
run;* 9-2(2);
proc factor data=data902 method=prin rotate=promax p=0.8n=4 score out=o902 ;var x1-x6;
run;proc plot data=o902;plot factor2*factor2 $ n='+';
run;* 9-2(3);
proc cluster data=data902 method=ave std pseudo outtree=b902;var x1-x6;id group;
proc tree data=b902 horizontal graphics ;title '使用类平均法的谱系聚类图';
run;
多重多元回归
run;
proc plot data=out902;
plot dim1*dim2=group /box href=0 vref=0 ;
run;
- 9-2(2);
proc factor data=data902 method=prin rotate=promax p=0.8
n=4 score out=o902 ;
var x1-x6;
run;
proc plot data=o902;
plot factor2*factor2 $ n=‘+’;
run;
- 9-2(3);
proc cluster data=data902 method=ave std pseudo
outtree=b902;
var x1-x6;
id group;
proc tree data=b902 horizontal graphics ;
title ‘使用类平均法的谱系聚类图’;
run;
## 多重多元回归典型相关分析、对应分析相关推荐
- 典型相关分析(CCA)相关资料
典型相关分析的基本思想 Canonical Correlation Analysis CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来 ...
- 典型相关分析(cca)原理_CCA典型关联分析原理与Python案例
文章来源于"脑机接口社区" CCA典型关联分析原理与Python案例mp.weixin.qq.com Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑 ...
- 多选题spss相关分析_SPSS进行典型相关分析结果总结
结果整理 结果整理如下表所示,这里只取数据的绝对值. 从表中数据可得到下列结论: 1.本例中的两对变量对X和Y,因为X有5个观察变量,Y有4个观察变量,所以结果共抽取4对典型相关变量来代替原始变量进行 ...
- spss26没有典型相关性分析_SPSS在线_SPSSAU_SPSS典型相关分析
4.SPSSAU输出结果 此表格展示出典型变量的提取情况,上表中共显示有5个典型变量被提取出来,在进行F 检验时显示,其中仅2个典型变量是呈现出0.01水平的显著性,因此,最终应该以两个典型变量为准进 ...
- 典型相关分析_微生物多样研究—微生物深度分析概述
一.微生物深度分析方法核心思想 复杂微生物群落解构的核心思想: 不预设任何假定,客观地观测整个微生物组所发生的一系列结构性变化特征,最终识别出与疾病或所关注的表型相关的关键微生物物种.基因和代谢产物. ...
- spss典型相关分析_SPSS做典型相关分析，新版本软件已经有独立菜单模块可完成...
在旧版SPSS软件中如果要做典型相关分析,我们需要用简单的语法语句调取自带的宏程序,输出的结果以文本为主,没有成体系的表格,结果解读也相对繁琐.相对较新的一些SPSS版本,已经基于Python内置了一 ...
- R语言 相关分析和典型相关分析
@R语言相关分析与典型相关分析 #相关分析与典型相关分析 #pearson相关系数 a=c(1,3,5,7,9);b=c(1,4,6,9,10) cor(a,b) #pearson相关系数 cor.t ...
- spss典型相关分析_R语言实战 多元统计分析Day10— —典型相关分析
R语言实战多元统计分析Day10-- 典型相关分析 01 前言 典型相关分析是用于分析两组随机变量之间的相关性程度的一种统计方法,它能够有效的揭示两组随机变量之间的相互线性依赖关系,这种方法是由Hot ...
- 典型相关分析（Matlab实现函数）
先附上自己认为写的比较好的一篇博客. https://www.cnblogs.com/duye/p/9384821.html 同时要指出自己博文的问题:对于Matlab中canoncorr中的stat ...
最新文章
- Vertica的这些事lt;十一gt;—— Vertica 管理
- 不快乐工作场所的生存法则
- poj3206（bfs+最小生成树）
- 圆平移后的方程变化_平移法解题
- LeetCode 532. K-diff Pairs in an Array
- ASP.NET2.0中themes、Skins轻松实现网站换肤！
- 戴尔R410 centos6.3 x64 环境下 网卡驱动故障
- Linux系统中安装Nginx
- Scrapy爬取多层级网页内容的方式
- Vensim系统建模论文阅读-Information diffusion through social networks: The case of an online petition
- 仿站和模板建站的区别_快速仿站工具，全能扒站助手
- 页面跳转报错This request has been blocked； the content must be served over HTTPS
- 20221024 matlab快速画图中图
- 采集本地HTML数据,火车采集器保存为本地word、excel、html、txt文件方法及文件模板_爬虫软件技术与爬虫软件网页数据采集器门户...
- 成为一名Java后端工程师需要掌握的技能
- 可以真正实现免驱的WinUSB设备
- Lora SX1278芯片 模块引脚的功能介绍
- react 组件渲染控制
- 静态成员和非静态成员的区别是什么？
- 面试陈述切忌千篇一律