研究人员想研究汽车事故的不同类别如何彼此相关。根据类型、严重程度、汽车大小和驾驶员是否弹出对汽车事故进行分类。

研究人员使用多重对应分析来检查四因子表中的类别如何彼此相关。

  1. 打开样本数据集,汽车事故.MTW
  2. 选择统计 > 多变量 > 多重对应分析
  3. 选择类别变量并输入汽车重量 驾驶者弹出 事故类型 事故严重性
  4. 类别名称中,输入事故名称
  5. 分量数中,输入 2
  6. 单击图形并选择显示列图
  7. 在每个对话框中单击确定

解释结果

“指示符矩阵分析”汇总变量的分解并显示每个分量所占的惯量。在总惯量 1 中,分量(轴)1 约占 40.3%,分量(轴)2 占 25.2%,分量(轴)3 占 19%,分量(轴)4 占 15.5%。前 3 个分量累积占总惯量的约 84.5%。

通过使用“列贡献”表和列图,研究人员可以解释与类别相关的分量。在该表中,质量值 (Qual) 表示计算分量所占的列惯量比率。在此示例中,这两个分量对汽车大小类别“小型”和“标准”的表示最佳 (Qual = 0.965)。这两个分量对弹出类别的表示最差 (Qual = 0.474)。标记为“总量”的列是整个数据集中类的比率。“弹出”(0.037) 和“翻转”(0.057) 比较少见。

“坐标”列提供列坐标,这些列坐标显示在列图中。“相关性”(Corr) 代表各个分量对每个类别惯量的贡献。例如,分量 1 占事故类型类别(“碰撞”和“翻转”)惯量的 61%。分量 2 占汽车大小类别“小型”和“标准”惯量的 93.6%。

Contr,即行对轴惯量的贡献,显示“弹出”(Contr = 0.250) 和“翻转”(Contr = 0.291) 对分量 1 贡献最大。汽车大小“小型”(0.771) 和“标准”(0.158) 对分量 2 贡献最大。

在列图中,“弹出”和“翻转”与沿着分量 1 的水平轴分布的原点最远。这符合对分量 1 的这些类别的贡献 (Contr) 相对较高这一情况。由于“弹出”和“未弹出”以及“严重”和“不严重”处于原点两端,分量 1 使这些类别值形成对照。分量 2 显示在垂直轴上。“小型”汽车大小位于垂直轴一端上远离其他类别的位置。因此,分量 2 使“小型”汽车大小与其他类别形成对照。

但是,由于两个变量可能不足以解释这些数据的变异性,因此应谨慎解释这些结果。

多重对应分析: 汽车重量, 驾驶者弹出, 事故类型, 事故严重性

指示符矩阵分析 轴 惯量 比率 累积 直方图 1 0.4032 0.4032 0.4032 ****************************** 2 0.2520 0.2520 0.6552 ****************** 3 0.1899 0.1899 0.8451 ************** 4 0.1549 0.1549 1.0000 *********** 合计 1.0000
列贡献 分量 1 分量 2 ID 名称 二次 质量 惯性 坐标 相关 贡献 坐标 相关 1 小型 0.9655 0.0424 0.2076 0.3814 0.0297 0.0153 -2.1394 0.9357 2 标准 0.9655 0.2076 0.0424 -0.0780 0.0297 0.0031 0.4374 0.9357 3 未弹出 0.4739 0.2134 0.0366 -0.2844 0.4717 0.0428 -0.0197 0.0023 4 弹出 0.4739 0.0366 0.2134 1.6587 0.4717 0.2497 0.1151 0.0023 5 Collis 0.6133 0.1926 0.0574 -0.4264 0.6095 0.0868 0.0338 0.0038 6 翻车 0.6133 0.0574 0.1926 1.4294 0.6095 0.2911 -0.1133 0.0038 7 不严重 0.5680 0.1353 0.1147 -0.6523 0.5018 0.1428 -0.2371 0.0663 8 严重 0.5680 0.1147 0.1353 0.7692 0.5018 0.1684 0.2795 0.0663

ID 名称 贡献 1 小型 0.7707 2 标准 0.1576 3 未弹出 0.0003 4 弹出 0.0019 5 Collis 0.0009 6 翻车 0.0029 7 不严重 0.0302 8 严重 0.0356

列图

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策