对应分析-最优尺度回归

前言：

上次我们学习了多维尺度分析，这次我们学习对应分析，两者都是把复杂的数据关系，分解到二维或者多维空间上，简单直观易于解读。他们有什么区别呢？

从功能上来讲

多维尺度分析，是要通过距离，解决个案之间的差异（老干妈、老干爹辣酱谁跟谁在观众的认知中离的更近），用于品牌的市场调研，大家对品牌的认知是否符合公司的定位

对应分析 ，是通过距离揭示变量之间的关系（哪个地方，哪个年龄段的人，更喜欢吃老干妈），用于用户画像，什么样的人更倾向于购买我们的商品；  不同群体，对辣酱品牌的偏好，可以针对空白领域推出一款新产品。

从方法属性上讲

多维尺度分析属于度量方法，把人们对品牌的模糊差异，数字化，差多远

对应分析属于降维度信息浓缩分析（类似因子分析），从年龄 地区   找出与老干妈受众的主要特征

———————————————————————————————————————————

对应分析  应用范围（二分类变量）

头发和眼睛的关系

数据情况

数据构成

分析过程

结果解读

结果解读

最优尺度回归

无序多分类、有序多分类、连续性变量

1.数据源

数据全部为分类变量

数据情况

2.方法的选取

分析→降维→最优刻度

数据类型 具体操作

3.结果的解读

结果解读

总结

对应分析和最优尺度回归都是分析分类变量之间相互关系的一种分析方法。

用图形化的方法描述变量之间的联系。

图形虽好，前期对变量的描述性分析不可少，最优尺度变换本身就损失了一部分信息，对结果要慎之又慎。