MCA计算器

多重对应分析（MCA）是一种探索性方法，用于发现多个分类变量之间的模式。它的作用类似于主成分分析，但处理的是类别归属，而不是连续测量值。调查回答、症状、诊断、人口群体、行为及治疗类别都是常见输入。MCA将观测和类别水平放置在较低维的几何空间中，以便通过图形和定量方式考察关联。 分析首先将每个类别水平表示为一个独立的指示列。某条观测所属水平的列记为一，同一变量的其他水平列记为零。随后对该完全析取表应用对应分析，使用卡方距离与类别频数。回答模式相似的类别在图中往往彼此接近，而能明显区分观测的类别可能对某个轴有更大贡献。 本计算器执行重要的结构检查第一步。它读取首行为变量名的分隔文本表格，检查各行字段数量是否一致，统计观测数、变量数及不同类别水平的总数。最大非平凡维数与类别水平数减去变量数有关。界面最多报告两个可直接绘图的维度，但并不计算特征值、惯量、坐标或统计显著性。 输入准备会显著影响解释。缺失值应有计划地处理，而不是用不一致的空白单元格表示。稀有类别水平可能产生不成比例的影响，拼写或大小写不同的类别会被分别计数。标识符列通常不应作为主动变量，因为每个唯一标识符都会成为一个无意义的独立类别。连续值仅应在有充分理由时分类，因为任意分箱会丢失信息。 完整的MCA流程应检查特征值或校正惯量、贡献度、余弦平方、类别坐标、观测坐标及对编码选择的敏感性。二维图中的接近并不自动意味着因果关系或统计显著关联。补充变量可帮助解释而不决定坐标轴，谨慎地对MCA坐标聚类也能揭示群体特征。请先用此结构摘要核对数据，再使用成熟的统计软件，并记录每项预处理决策。