一、先做列联表分析

(两个都是定类变量,如果是数值型,就把它分组,每个组起一个名字)
这一步是为了先知道行和列的两个变量之间有没有相关性,有相关性才能做对应性分析。
【加权个案】 用人数加权
【分析】-【描述统计】-【交叉表格】将【统计】-卡方和相关性,【单元格】中的期望值选中

从卡方检验结果表格可知,卡方检验的相伴概率p值为0.000,小于0.05,说明行变量和列变量不是相互独立的,即肺活量和性别之间不是独立的,而是存在相关性。

皮尔森相关系数r等于-0.344,相伴概率p为0.000,说明两个性别变量和肺活量变量存在一定的负相关性,即男生的平均肺活量比女生的大。斯皮尔曼相关系数给出了同样的结果。

二、【分析】– 【降维】– 【对应分析】

行和列选进去以后,要定义范围
默认的选项即可,双标图一定要有
分析的是摘要表~
分析的结果解释:
2)卡方检验及P值:用于检验变量之间是否存在关联。如果行、列变量之间没有关联(P值大于0.2)就没有进行对应分析的必要了。
p值小于0.05可知,行列变量之间存在一定的相关性。p值很小说明列联表的行与列之间有较强的相关性。
从表格中可以看出,原始交叉表中最多可以提取三个维度,因为第一维度与第二个维度已经可以解释99.6% 的信息了,而第三个维度只携带0.4%的信息,所以第三个维度可以忽略,只考察前两个维度的信息。

在对应分析图中,分别向x轴和y轴加入参考线,并将位置改在原点0.0处。可以得到原点(0.0)。
原点(0.0)表示没有任何倾向,没有任何关联的一个中心位置。

避免错误的解释(金色头发和蓝色、浅色眼睛离得近)
 错误的解释:金色头发的儿童中蓝色、浅色眼睛者居多
 正确的解释:相对于平均水平而言,金色头发的儿童中蓝色、浅色眼睛的比例要高一些,也就是高于其他颜色头发的儿童。

解读方法转载自沈浩老师的博客http://shenhaolaoshi.blog.sohu.com/133694659.html

解读方法:
1-总体观察:
我们从图上左右可以看出,左边全部是M*,男性,右边F*全部是女性,说明男女有显著差异;同时看横轴中线上方都是年龄大的,下面都是年龄小的,说明年龄有差异;这样就一目了然看出和回答了前两个问题;

2-观察邻近区域
我们从图上可以看出,老的男性比较喜欢HANG,GAS和GUN是年轻男性的偏好;老的女性比较喜欢DAWN,年轻的女性比较偏好POISON;

3-向量分析——偏好排序
我们可以从中心向任意点连线-向量,例如从中心向GUN做向量,然后让所有的人往这条向量及延长线上作垂线,垂点越靠近向量正向的表示越偏好这种方法。

记住:是垂点到GUN正向排名,从图中我们可以看出,希望GUN方法的人依次是M15、M30、M45、M60、M80、F15等等;依次类推,我们还可以从中心向任意一种方法作垂线,都可以排出每种方法选择人群的偏好次序;当然,你也可以从中心往所有的人作向量,得到每一类人在选择六种方法上的偏好排名!

你是否可以看出,F15年轻的女性对六个“品牌”的偏好吗?

4-向量的夹角——余弦定理
接着,我们可以从向量夹角的角度看不同方法或不同人之间的相似情况,从余弦定理的角度看相似性!

从图上我们可以看出,当我们从中心向任意两个点(相同类别)做向量的时候,夹角是锐角的话表示两个方法具有相似性,锐角越小越相似;也就是说,GUN和GAS是相似品牌,当如也是竞争品牌,也具有替代性,如果这次开枪没有自杀成功,下次他一定选择毒气啦;我们也看出F15和F30的人比较相似,但F15与M80就有非常大的差异了,因为如果作向量他们是钝角,几乎是平角了!

5-从距离中的位置看:越靠近中心,越没有特征,越远离中心,说明特征越明显
从这张对应图中我们看到,有些点远离中心,有些点靠近中心,这说明什么呢?从几何空间的角度,如果我对每一人都一样的好,在规范图上我就应该站在大家的重心,也就是中心;这说明越靠近中心的点,越没有差异,(记住:没有差异并不代表不重要,只是没有差异,因为统计的技术是研究差异的技术,差异越大往往重要性就大!),越远离中心特征越明显,也就是说,如果听到一个M80的人自杀了,估计你就会想到是不是HANG啦!

从品牌角度思考,说明越远离中的的品牌,消费者很容易识别,说明品牌特征(特色、特点)明显,越靠近中心的品牌,消费者不易识别,也说明你的品牌定位没有显著可识别的特征,没有差异认知!

6-坐标轴定义和象限分析
我们还没有定义坐标轴呢?从第一点的分析,其实我们很快就可以定义坐标轴的含义了!(当然有时候对应图的座位是非常难定义的)

因此,落在第四象限的是年轻的女性所喜欢的品牌!

7-产品定位:理想点与反理想点模型

我们可以在图上以POISON为定位点,以POISON为圆心,以它的利益为半径画圆,那么我们可以得出这样的结论:越先圈进来的人就是最喜欢这个品牌的消费群,越先圈进来的品牌越可能是竞争品牌;当然,你也可以以某类人作为圆心,同意解读;如果POISON是市场不存在的,在调查中可以设定为理想点,这样我们就可以得到理想点模型,同理也可以得到反理想点模型分析!

SPSS学习笔记——对应分析相关推荐

  1. SPSS学习笔记(1)

    SPSS学习笔记(1) SPSS是世界上最早的统计分析软件,美国斯坦福大学的三位研究生研制,于20世纪60年代末成立了SPSS公司,并于1975年在芝加哥组建了SPSS总部. 2009年7月28日,I ...

  2. SPSS学习笔记——最优尺度分析(多重对应分析)

    预分析: 先对变量间的两两关联性进行卡方检验,除了性别和大多变量没有相关性,其他变量间基本都有相关性,尝试保留性别. [分析]-[降维]-[最优尺度]-[定义] 全部选入"分析变量" ...

  3. SPSS学习笔记之——OR值与RR值

     在临床研究中,常常有OR.RR值,表示某因素对病情的影响程度. 下面学习一下Odds.OR.RR的概念: 在病例对照研究中,可以画出下列的四格表: ----------------------- ...

  4. SPSS学习笔记之——两独立样本的非参数检验(Mann-Whitney U )

    参考文章:http://blog.sina.com.cn/s/blog_83d9188c0102xjbz.html 对于8个单细胞转录组数据集,用NMI和SE算法聚类,得到ARI和NMI评估指标: 统 ...

  5. SPSS学习笔记 -- 独立样本t检验

    独立样本t检验的假定: 观测是独立的: 每组因变量总体服从正态分布: 对于中等到较大的样本量,绝大部分的非正态分布趋向于对t检验的精确性没有多少影响. 3.每组总体方差相等: 适用情况: 当对两个独立 ...

  6. SPSS学习笔记——验证性因子分析

    预分析: 1.先把标准差<0.75,接近于0.75的题目删 掉 2.做信度分析--分维度做 [分析]- [度量]- [可靠性分析] 描述性的都要选[项][度量][如果项已删除则进行度量] 删除与 ...

  7. SPSS学习笔记【三】-聚类分析判别分析

    k均值聚类 缺点:只对样本聚类,不能对变量聚类 :参数(聚类个数)需要提前指定 层次聚类 样本和变量都可以聚类,不局限于参数选择 将所有观测指标纳入系统 形成树形图 样本大时,计算慢 判别分析 自变量 ...

  8. SPSS学习笔记3/2

    2.12 个案与变量 个案:行 变量:列 2.13 变量属性介绍 标签为对变量的信息补充解释 2.14 项目血糖酶解3 1)可视化图形(平均值图)显示血糖随时间降低 2)方差分析表ANOVA 看F值与 ...

  9. 【学习笔记】--mooc--教学研究的数据处理与工具应用(问卷+问卷星的使用+SPSS的下载、安装、使用、入门)--华南师范大学

    本人于mooc网学习笔记整理,转载需标明出处* 若有错误,欢迎指正 关于用 <教学研究>的简单例子来讲述数据处理 即 :研究学生的相关数据对学生成绩的影响 课程大纲: 第一章-概论 1.三 ...

最新文章

  1. Linux15-SELinux
  2. Pytorch多进程最佳实践
  3. 1.5 为什么正则化有利于预防过拟合-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
  4. ubuntu: Authentication failure的解决办法
  5. NET Core微服务之路:简单谈谈对ELK,Splunk,Exceptionless统一日志收集中心的心得体会...
  6. aws 性能_AWS上的应用程序自动扩展–选项和对性能的影响
  7. java可变字符串替换字符,我们如何替换Java中String和StringBuffer的特定部分?
  8. 36000+开发者,一周投稿超 23000 篇,谁能笑傲群雄?| 第4周周榜揭晓
  9. 安卓 App 库存系统开发 基础版本
  10. 引导页onboarding页面Snapkit实现
  11. 菜鸟教程html码字有颜色,零基础也能看懂!写给设计师的前端小知识之网页排版(附实战)...
  12. 解决ie浏览器兼容ES6语法问题
  13. 识别三极管和场效应管引脚
  14. word会把字符串中的空格自动换成不换行空格(NBSP)
  15. iOS模拟键盘长按删除
  16. Nginx(二)配置虚拟主机
  17. 【雕爷学编程】Arduino动手做(42)---PM2.5粉尘传感器
  18. 用户数据反超Snap,Pinterest能否拾回独角兽光环?
  19. 中级软件设计师必考题及解题技巧
  20. 野火的6ull开发板TF卡问题

热门文章

  1. 【POJ 1734】 Sightseeing Trip
  2. MOS管为什么会被静电击穿?
  3. 《高性能MySQL》——MySQL基准测试(笔记)
  4. Html基本标签与CSS样式基本使用
  5. DCCA互相关系数 实例 python
  6. PHPWORD 自动生成文档并下载
  7. 最好的婚姻:谈钱、说爱、聊性、话余生
  8. java设计模式之建造者模式(UML类图分析+代码详解)
  9. Matlab中的dyna,基于 MATLAB 读取 LS-DYNA 的计算结果文件
  10. GPS北斗定位平台的开发——java