類別主成分分析 (CATPCA)
這個程序可在縮小資料的維度時，同時量化類別變數。 類別主成分分析也可稱為 CATPCA，為 categorical principal components analysis 的縮寫。
主成分分析的目的，是要將原始的變數集，縮小為較小的不相關成分集，這些成分可代表在原始變數中所發現的大部分資訊。 當使用大量的變數，而無法有效解釋個體 (受試者和單位) 之間的關係時，這個技巧十分有用。 藉由縮減維度，您只需要解釋小部分元件，而不需解釋一大堆的變數。
在標準主成分分析中，系統假設數值變數之間為線性關係。 而另一方面，最適尺度方法能讓變數調整為不同層級。 在指定維度內的類別變數則進行最佳量化。 如此一來，變數之間的非線性關係，就變成可以分析了。
範例。 利用類別主成分分析，可以用圖形的方式，顯示工作類別、工作部門、地區、旅遊次數 (高、中、低)、和工作滿意度之間的關係。 您可能會發現兩個維度便可以說明許多變異數。 第一個維度會區隔工作類別與地區，而第二個維度則區隔工作部門與旅遊次數。 您同時也會發現，高工作滿意度，是與中旅遊次數相關。
統計量與圖形。 頻次、遺漏值、最適尺度層級、眾數、依重心座標說明的變異數、向量座標、每個變數和每個維度的總和、向量量化變數的成份負荷量、類別變數的量化和座標、疊代歷程、轉換後變數的相關性與相關性矩陣的特徵值、原始變數的相關性與相關性矩陣的特徵值、個體分數、類別圖、聯合類別圖、轉換圖、殘差圖、投影重心圖、個體圖、雙序圖、三角散佈圖、和成份負荷量圖。
類別主成分分析資料考量
資料。 字串變數值一定都會以遞增的文數字順序，轉換成正整數。 使用者定義的遺漏值、系統遺漏值和小於 1 的值都視為遺漏值；您可以重新編碼或新增常數到變數中，讓小於 1 的變數成為非遺漏值。
假設。 資料最少必須含有三個有效觀察值。 分析時須使用正整數資料。 離散化選項將自動分類分數值的變數，也就是用接近「正常的」分佈來分類其數值，並自動將字串變數的值轉換成正整數。 您可以指定其他的離散化分法。
相關程序。 如果您是以數值層級，來製作所有變數的尺度的話，就可產生標準的主成分分析。 若要使用其他繪製功能，可以在標準線性主成分分析中使用轉換變數。 如果所有變數都有多重名義尺度層級，那麼類別主成分分析便與多重對應分析相同。 如果您想要使用一組變數，那麼應該使用類別 (非線性) 典型相關分析。
若要取得類別主成分分析
此功能需要「類別」選項。
- 從功能表中選擇：
- 選取部分變數為非多重名義。
- 選取 一個集。
- 按一下 定義。
- 選擇兩個以上的分析變數，然後指定解答中的維度數。
- 按一下確定。
您可以選擇指定補充變數，該變數可能適合所發現的解答、或標記圖形中的變數。
此程序會貼上 CATPCA 指令語法。