11.4.3.2 Correspondence AnalysisThi

11.4.3.2 Correspondence Analysis
This widely used tool, which permits the visualization of a contingency table, can be thought of as a generalization of principal component anal- ysis (PCA) for ordinal and nominal data. CA determines a projection of the data into orthogonal dimensions such that they sequentially represent as much of the variation in the data as possible. While there are multiple outcomes and key measures in CA, usually we primarily look at the (2D) plot of the first two components; if the variation explained is insufficient, we might consider further dimensions as well. The interpretation of the CA map is the same as for biplots (Gabriel 1971), a common application of which is a (linear or phase 4) preference mapping. Details about CA are beyond our scope; the interested reader is referred to the textbook by Greenacre (2007).


Classical CA is based on the so-called χ2-distances. In reviewing ear- lier criticisms of the application of this metric for species abundance data, Legendre and Gallagher (2001) note that the χ2-distance will be much more influenced by the inclusion of a few very rare species than by very abundant species. Rather than removing rare species prior to conducting CA, they propose using the so-called Hellinger distance (Hellinger 1909) as an alternative. Popper et al. (2011) made similar observations regarding the inclusion of rarely selected CATA terms on CA: distances between products in the final CA plot depend on what other products are included in the analysis, and attributes that are rarely checked overall will have an undue high impact on the final results. They apply CA using the Hellinger distance to CATA data to overcome these issues. Williams et al. (2011) note that CA is best used when there are five or more products evaluated, such as in a category review.
It is possible to conduct CA in R using various packages. The package ca (Nenadic and Greenacre 2007) is dedicated primarily to CA, while ExPosition (Beaton et al. 2013), with graphical output generated with prettyGraphs (Beaton 2013), provides CA as well as functions for other multivariate methods. As far as we are aware, ExPosition is the only R package that currently has a direct implementation for CA using the Hellinger distance. The package FactoMineR (Husson et al. 2013) also offers multivariate methods, including CA.
We provide some code with the examples in Section 11.5 of this chapter. It should be noted that the standard figures from many of these packages do not necessarily maintain the aspect ratio of the plot, which means that the standard figures from many of these packages do not respect the actual distances of the products; instead, the variation explained needs to be taken into account for the interpretation; we recommend readjustment such that visual distances are proportional to the differences between products.

Kết quả (Việt) 1:

11.4.3.2 thư phân tíchĐiều này sử dụng rộng rãi công cụ, mà cho phép kiểu trực quan của một bảng phòng hờ, có thể được dùng như một tổng quát của hậu môn-thành phần chính ysis (PCA) cho tự và danh nghĩa dữ liệu. CA sẽ xác định một dự của các dữ liệu vào kích thước vuông góc như vậy mà họ tuần tự đại diện cho càng nhiều của các biến thể trong dữ liệu càng tốt. Trong khi có nhiều kết quả và các biện pháp chính trong CA, thường, chúng tôi chủ yếu nhìn plot (2D) lần đầu tiên hai thành phần; Nếu các biến thể giải thích là không đủ, chúng tôi có thể xem xét thêm kích thước như là tốt. Giải thích bản đồ CA là giống như biplots (Gabriel 1971), một ứng dụng phổ biến trong đó là một (tuyến tính hoặc giai đoạn 4) ưu tiên lập bản đồ. Thông tin chi tiết về CA vượt ra ngoài phạm vi của chúng tôi; độc giả quan tâm gọi sách giáo khoa Greenacre (2007).CA cổ điển dựa trên cái gọi là χ2-khoảng cách. Trong xem xét tai-lier phê bình của các ứng dụng của số liệu này cho dữ liệu phong phú loài, Legendre và Gallagher (2001) lưu ý rằng χ2 khoảng cách sẽ được nhiều hơn nữa bị ảnh hưởng bởi sự bao gồm của một số loài rất hiếm hơn bởi loài rất phong phú. Chứ không phải là loại bỏ các loài quý hiếm trước khi tiến hành CA, họ đề xuất bằng cách sử dụng khoảng cách Hellinger cái gọi là (Hellinger năm 1909) là một thay thế. Popper et al. (2011) được thực hiện tương tự như quan sát về sự bao gồm các điều khoản CATA hiếm khi được chọn vào CA: khoảng cách giữa các sản phẩm trong cốt truyện CA cuối cùng phụ thuộc vào những gì các sản phẩm khác được bao gồm trong các phân tích, và hiếm khi kiểm tra các thuộc tính tổng thể sẽ có một tác động cao quá đáng trên các kết quả cuối cùng. Họ áp dụng CA sử dụng khoảng cách Hellinger CATA dữ liệu để khắc phục những vấn đề này. Williams et al. (2011) lưu ý rằng CA là tốt nhất sử dụng khi có được năm hoặc nhiều hơn các sản phẩm đánh giá, chẳng hạn như trong một bài đánh giá thể loại.Có thể tiến hành CA trong R bằng cách sử dụng gói khác nhau. Ca trọn gói (Nenadic và Greenacre 2007) được dành chủ yếu để CA, trong khi trình bày (Beaton et al. 2013), với sản lượng đồ họa được tạo ra với prettyGraphs (Beaton năm 2013), cung cấp CA cũng như chức năng cho các phương pháp đa biến. Xa như chúng tôi là nhận thức, trình bày là các gói phần mềm R duy nhất hiện nay có một thực hiện trực tiếp cho CA sử dụng khoảng cách Hellinger. Các gói phần mềm FactoMineR (Husson et al. 2013) cũng cung cấp các phương pháp đa biến, bao gồm CA.Chúng tôi cung cấp một số mã với những ví dụ trong phần 11.5 của chương này. Cần lưu ý rằng các số liệu tiêu chuẩn từ nhiều người trong số những gói này không nhất thiết phải duy trì tỷ lệ khía cạnh cốt truyện, có nghĩa là những nhân vật tiêu chuẩn từ nhiều người trong số những gói không tôn trọng các khoảng cách thực tế của sản phẩm; thay vào đó, các biến thể giải thích cần phải được đưa vào tài khoản cho việc giải thích; chúng tôi khuyên bạn nên chỉnh sao cho khoảng cách trực quan có tỷ lệ thuận với sự khác biệt giữa các sản phẩm.

Kết quả (Việt) 2:

11.4.3.2 Correspondence Phân tích
Công cụ này được sử dụng rộng rãi, cho phép hình dung của một bảng dự phòng, có thể được coi như là một sự tổng quát của thành phần chính ysis (PCA) cho dữ liệu thứ tự và danh nghĩa. CA xác định một chiếu của dữ liệu vào kích thước trực giao như vậy mà họ tuần tự đại diện cho càng nhiều các biến thể trong các dữ liệu càng tốt. Trong khi có rất nhiều kết quả và các biện pháp quan trọng trong CA, thường là chúng tôi chủ yếu nhìn vào (2D) Cốt truyện của hai thành phần đầu tiên; nếu các biến giải thích là không đủ, chúng ta có thể xem xét kích thước hơn nữa là tốt. Việc giải thích bản đồ CA cũng giống như đối với biplots (Gabriel 1971), một ứng dụng phổ biến trong số đó là một (tuyến tính hoặc giai đoạn 4) lập bản đồ ưu đãi. Chi tiết về CA nằm ngoài phạm vi của chúng tôi; người đọc quan tâm được gọi là sách giáo khoa của Greenacre (2007).


CA cổ điển dựa trên cái gọi là χ2-khoảng cách. Khi xem xét lại những lời chỉ trích lier bấm lỗ tai của việc áp dụng các số liệu này cho dữ liệu các loài phong phú, Legendre và Gallagher (2001) lưu ý χ2-xa sẽ chịu ảnh hưởng nhiều hơn bởi sự bao gồm của một vài loài rất hiếm hơn bởi các loài rất phong phú. Thay vì loại bỏ các loài quý hiếm trước khi tiến hành CA, họ đề xuất việc sử dụng cái gọi là khoảng cách hellinger (Hellinger 1909) như một sự thay thế. Popper et al. (2011) đã quan sát tương tự về sự bao gồm các điều khoản CATA hiếm khi được lựa chọn vào CA: khoảng cách giữa các sản phẩm trong các âm mưu CA thức phụ thuộc vào những gì các sản phẩm khác được đưa vào phân tích, và các thuộc tính mà ít khi kiểm tra tổng thể sẽ có tác động cao quá mức vào kết quả cuối cùng. Họ áp dụng CA sử dụng khoảng cách Hellinger liệu CATA để khắc phục những vấn đề này. Williams et al. (2011) lưu ý rằng CA được sử dụng tốt nhất khi có năm hoặc nhiều sản phẩm được đánh giá, chẳng hạn như trong một bài đánh giá loại.
Có thể tiến hành các CA trong R sử dụng các gói khác nhau. Các ca gói (Nenadić và Greenacre 2007) được dành chủ yếu để CA, trong khi triển lãm (Beaton et al. 2013), với sản lượng đồ họa được tạo ra với prettyGraphs (Beaton 2013), cung cấp CA cũng như các chức năng cho các phương pháp đa biến khác. Theo như chúng tôi được biết, triển lãm là các gói R chỉ rằng hiện đang có một thực hiện trực tiếp cho CA bằng cách sử dụng khoảng cách Hellinger. Các FactoMineR gói (Husson et al. 2013) cũng cung cấp các phương pháp đa biến, bao gồm cả CA.
Chúng tôi cung cấp một số mã với các ví dụ trong Mục 11.5 của chương này. Cần lưu ý rằng những con số tiêu chuẩn từ rất nhiều các gói không nhất thiết phải duy trì tỷ lệ khía cạnh của cốt truyện, điều đó có nghĩa rằng những con số tiêu chuẩn từ rất nhiều các gói không tôn trọng các khoảng cách thực tế của sản phẩm; thay vào đó, các biến giải thích cần phải được đưa vào tài khoản cho việc giải thích; chúng tôi khuyên bạn nên điều chỉnh như vậy mà khoảng cách trực quan là tỷ lệ thuận với sự khác biệt giữa các sản phẩm.