多重对应分析示例

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%。累积起来，前 3 个分量占总惯量的 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。

在此列图中，“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，因此分量 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。

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	贡献
1	小型	0.9655	0.0424	0.2076	0.3814	0.0297	0.0153	-2.1394	0.9357	0.7707
2	标准	0.9655	0.2076	0.0424	-0.0780	0.0297	0.0031	0.4374	0.9357	0.1576
3	未弹出	0.4739	0.2134	0.0366	-0.2844	0.4717	0.0428	-0.0197	0.0023	0.0003
4	弹出	0.4739	0.0366	0.2134	1.6587	0.4717	0.2497	0.1151	0.0023	0.0019
5	Collis	0.6133	0.1926	0.0574	-0.4264	0.6095	0.0868	0.0338	0.0038	0.0009
6	翻车	0.6133	0.0574	0.1926	1.4294	0.6095	0.2911	-0.1133	0.0038	0.0029
7	不严重	0.5680	0.1353	0.1147	-0.6523	0.5018	0.1428	-0.2371	0.0663	0.0302
8	严重	0.5680	0.1147	0.1353	0.7692	0.5018	0.1684	0.2795	0.0663	0.0356