加载中…典型相关分析结果的解读
(2010-10-12 18:04:28)
标签：
博士教育随笔校园学习 |
分类： 科研学习 |
典型相关分析可以达到数学上精简的目的，但却不利于解释管理学意义。
典型变量相关矩阵散点图用来检验线性、多元正态性和方差齐性的假设，需要单独运行程序：
GRAPH/SCATTERPLOT(MATRIX) =S1_CV001 S2_CV001 S1_CV002 S2_CV002/MISSING =LISTWISE
GRAPH/SCATTERPLOT(MATRIX) =S1_CV001 S2_CV001 S1_CV002 S2_CV002/MISSING =LISTWISE
首先，检查相关系数的显著性。表中从左至右分别为Wilks
的λ统计量、卡方统计量、自由度和伴随概率。在0.05
的显著性水平下，判断需要选定几个相关系数来衡量两组变量之间的相关程度。
1.典型相关因素的结构系数（见下图）
结构系数大于等于0.3就可以认为有意义；大于等于0.5就属于高度相关，可以依此来判定有意义的结构。
2.交叉结构系数
交叉结构系数是指X变量与另一个典型因素η之间的相关，或各Y变量与另一側典型因素χ間的相关
3.
平均解释量是某一個典型因素与各观察变量之典型因素结构系数的平方和，再除以观察变量的个数。(结构系数平方和/个数)若X、Y变量的数目不同，則典型因素对各自观察变量的累积解释量也会不同。
4. 冗余分析
在进行典型相关分析的时候，需要了解典型变量的解释比例，从而定量测度典型变量所包含的原始信息量的大小，此时就需要典型变量的冗余分析。冗余度(Redundancy)分析结果，它列出各典型相关系数所能解释原变量变异的比例，可以用来辅助判断需要保留多少个典型相关系数。
喜欢
0
赠金笔
前一篇：典型相关分析的SAS操作