Калькулятор MCA

Множественный анализ соответствий, или MCA, — разведочный метод поиска закономерностей между несколькими категориальными переменными. Он похож по роли на метод главных компонент, но работает с принадлежностью к категориям, а не с непрерывными измерениями. Типичные входные данные — ответы опросов, симптомы, диагнозы, демографические группы, поведение и категории лечения. MCA размещает наблюдения и уровни категорий в геометрическом пространстве меньшей размерности для визуального и количественного изучения связей. Сначала каждый уровень категории представляют отдельным индикаторным столбцом. Наблюдение получает единицу в столбце своего уровня и ноль в остальных уровнях этой переменной. Затем к полной дизъюнктивной таблице применяют анализ соответствий с расстояниями хи-квадрат и частотами категорий. Категории с похожими профилями ответов обычно располагаются рядом на карте, а категории, сильно различающие наблюдения, могут больше влиять на ось. Калькулятор выполняет важный первый этап проверки структуры. Он читает таблицу с разделителем и именами переменных в первой строке, проверяет одинаковое число полей во всех строках, считает наблюдения и переменные и суммирует различные уровни категорий. Максимальная нетривиальная размерность связана с разностью числа уровней и числа переменных. Интерфейс сообщает не более двух измерений, пригодных для непосредственного отображения, но не вычисляет собственные значения, инерцию, координаты или статистическую значимость. Подготовка данных существенно влияет на интерпретацию. Пропуски следует обрабатывать осознанно, а не обозначать несогласованными пустыми ячейками. Редкие уровни могут оказывать непропорциональное влияние; категории с разным написанием или регистром считаются отдельно. Столбцы идентификаторов обычно не следует использовать как активные переменные: каждый уникальный идентификатор становится отдельной бессмысленной категорией. Непрерывные значения стоит категоризировать только при обоснованной необходимости, поскольку произвольное разбиение теряет информацию. Полный процесс MCA включает проверку собственных значений или скорректированной инерции, вкладов, квадратов косинусов, координат категорий и наблюдений и чувствительности к выбору кодирования. Близость на двумерной карте не означает автоматически причинность или статистически значимую связь. Дополнительные переменные помогают интерпретации, не определяя оси, а осторожная кластеризация координат MCA может выявлять профили. Используйте эту структурную сводку для проверки данных перед переходом к проверенному статистическому ПО и документируйте каждое решение предобработки.