MerQuR+Başvuru Kitabı

42. Uyum Analizi

Analiz kimliği: correspondence · Menü adı: Uyum Analizi (CA) · Panel: gui/panels/analyses/correspondence_analysis.py (execute satır 137–178, ca_extras 227–281, mca_indicator 197–224, ca_diagnostics 342–399) · Motor: stats/dimensionality_advanced.py, run_correspondence_analysis (satır 48–120), format_correspondence_text (satır 123–151)

42.1 Ne işe yarar

Uyum analizi (correspondence analysis, CA), iki kategorik değişkenin çapraz tablosunu düşük boyutlu bir haritaya indirger. Cevapladığı soru şudur: "Tablodaki bağımsızlıktan sapma (ki-kare) hangi satır ve sütun kategorilerinden geliyor ve bu sapma kaç boyutta özetlenebilir?" Haritada birbirine yakın satır kategorileri benzer sütun profillerine sahiptir; bir satır noktasının bir sütun noktası yönünde olması, o hücrenin bağımsızlık beklentisinden daha sık görüldüğünü gösterir.

CA'nın temel denklemi, bağımsızlıktan sapmayı tekil değer ayrışımıyla boyutlara böler:

\frac{\chi^2}{n}=\Phi^2=\sum_{k=1}^{K}\lambda_k,\qquad \lambda_k=\sigma_k^2,\qquad K=\min(I,J)-1
  • \chi^2: tablonun Pearson bağımsızlık ki-karesi; n toplam gözlem.
  • \Phi^2: toplam atalet (inertia); ortalama kare olumsallık.
  • \sigma_k: k. tekil değer; \lambda_k=\sigma_k^2 k. asal atalet (özdeğer).
  • I, J: satır ve sütun kategori sayısı; anlamlı boyut sayısı en çok \min(I,J)-1'dir.

Ne zaman kullanılır? İki nominal değişkenin ilişkisinin yapısını görmek istendiğinde: hangi tanı hangi yaş grubunda yoğunlaşıyor, hangi meslek hangi partiyle birlikte görülüyor. Tablo en az 3×3 olmalı; boyut indirgeme anlamını büyük tablolarda (4×4 ve üstü) kazanır.

Ne zaman kullanılmaz?

  • Soru yalnız "ilişki var mı?" ise: Ki-Kare Bağımsızlık Testi (Bölüm 25) ya da Çapraz Tablo (Bölüm 33). CA bir test değildir; MerQur'un verdiği \chi^2 testi aynı ki-karedir.
  • 2×J tablo: tek boyut vardır (K=1); harita yerine oran karşılaştırması daha açıktır.
  • Üç ya da daha çok kategorik değişken: MCA (bu panelde "MCA değişkenleri" seçeneği) ya da Log-Doğrusal Model.
  • Sürekli değişkenler: Temel Bileşenler Analizi; iki sürekli set arasındaki ilişki için Kanonik Korelasyon (Bölüm 41).
  • Sıralı kategorilerde sıranın kendisi önemliyse: sıralı ilişki ölçüleri (Kendall τ, Goodman–Kruskal γ) ya da sıralı lojistik model.

Sık karıştırılan analizler. CA'ya "kategorik verinin temel bileşenler analizi" denir; ama CA öklid uzaklık değil ki-kare uzaklığı kullanır ve satırları kütleleriyle ağırlıklandırır. Ekolojideki "kanonik uyum analizi" (CCA) tür bolluğunu çevre değişkenlerine kısıtlayan farklı bir yöntemdir. Çoklu uyum analizi (MCA) ikiden çok değişkeni gösterge matrisi üzerinden işler; iki değişkenli MCA, CA ile aynı bilgiyi farklı ölçekte verir (42.5.7).

42.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
İki kategorik değişken Her gözlem bir satır ve bir sütun kategorisine düşer. Form kategorik sütunları önerir; sayısal sütun seçilirse her değer ayrı kategori olur.
Bağımsız gözlemler Her sayım ayrı bir birimden gelir. Denetlenmez.
Boş olmayan marjinaller Her satır ve sütun toplamı > 0. Tablo gözlenen kategorilerden kurulduğu için kendiliğinden sağlanır; aksi hâlde hata (dimensionality_advanced.py:76–77).
Ki-kare testi için yeterli beklenen frekans Bağımsızlık testi yaklaşıktır. Beklenen frekansı 5'ten küçük hücre varsa sayısı, oranı ve en küçük beklenen frekans uyarı satırında yazılır (correspondence_analysis.py:417–421).
Dağılım varsayımı CA betimleyici bir yöntemdir; harita için dağılım varsayımı yoktur. —

Eksik değer. Tablo pd.crosstab(df[satır], df[sütun]) ile kurulur (dimensionality_advanced.py:65); iki değişkenden birinde eksik değer olan satır tabloya girmez. Künyedeki n tablo toplamıdır. MCA ise seçilen MCA değişkenlerinin hepsinde dolu olan satırlarla ayrı bir alt küme kurar (correspondence_analysis.py:201).

Kategori sırası. Kategoriler MerQur düzey sırasıyla dizilir: kullanıcının tanımladığı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası. Bu veride tanı sırası verideki ilk görülme sırasıdır: MI, stroke, copd, diabetes (R table() yerel ayara göre copd, diabetes, MI, stroke verir).

Uç durumlar.

  • Toplam sayım 0: hata (dimensionality_advanced.py:70–71).
  • Satır ya da sütun değişkeninde tek kategori, ya da tüm tekil değerler sıfır (tam bağımsızlık): "Uyum analizi için anlamlı boyut yok" hatası (dimensionality_advanced.py:86–89).
  • İstenen boyut sayısı \min(I,J)-1'i aşarsa K'ya indirilir ve not yazılır (dimensionality_advanced.py:87, 140–142). Bu veride 3 istendiğinde "en çok 2 anlamlı boyut" notu çıkar.
  • 2×J tabloda tek boyut vardır; harita tek eksende çizilir (correspondence_analysis.py:546–567).

42.3 Parametreler

Varsayılanlar correspondence_analysis.py:50–132 içinden okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Satır kategorisi ilk kategorik sütun Tablonun satırları. Satır ve sütunun yer değiştirmesi ataleti ve özdeğerleri değiştirmez; satır ve sütun noktaları yer değiştirir.
Sütun kategorisi ilk kategorik sütun Tablonun sütunları. —
Boyut sayısı 2 Hesaplanan ve gösterilen boyut (2–5). En çok \min(I,J)-1. Nokta tanılarındaki kalite bu sayıya kadar olan cos² toplamıdır; atalet tablosu (en çok 6 boyut) değişmez.
Normalleştirme Temel (satır ve sütun) Haritadaki koordinatların ölçeği: temel, simetrik (\sqrt\sigma), satır temel, sütun temel. Ana koordinat tablosu her zaman temel koordinattır; seçilen normalleştirme ek tablo ve grafikte uygulanır (correspondence_analysis.py:239–246, 449–475).
Ek satır kategorileri boş Virgülle ayrılmış satır kategorileri analiz dışı bırakılır, sonra haritaya izdüşürülür. Etkin tablo küçülür: n, \chi^2, atalet ve tüm koordinatlar değişir (correspondence_analysis.py:151–155).
Ek sütun kategorileri boş Aynısı sütunlar için. Aynı.
Profiller ve tekil değerler kapalı Satır ve sütun profil tabloları. Ek tablo. Tekil değer ve boyut \chi^2 tablosu, varsayılan dışı herhangi bir seçenek açıldığında da yazılır.
MCA değişkenleri (2+) hiçbiri İşaretlenen 2 ya da daha çok kategorik değişkenle gösterge matrisi MCA'sı. Ek bölüm; tek değişken işaretlenirse uyarı (correspondence_analysis.py:166–168).
Grafik Biplot (2B) 2B harita ya da 3B biplot. 3B için en az 3 boyut gerekir; yoksa uyarılı 2B (correspondence_analysis.py:490–503).

Neden ek nokta seçmek ana sonucu değiştiriyor?

Ek (supplementary) kategori, haritanın kurulmasına katılmayan ama sonradan profiliyle yerleştirilen kategoridir. MerQur bunu, o kategorinin bütün gözlemlerini etkin tablodan çıkararak yapar; Tıp verisinde stroke ek satır seçilince etkin tablo 4×3'ten 3×3'e iner, n 550'den 430'a, \chi^2 25,56'dan 19,71'e düşer. Ek satır seçilmeyen bir çalıştırmayla ek satırlı çalıştırmanın koordinatları bu yüzden karşılaştırılamaz. Bu, R ca(…, suprow = …) ile aynı tanımdır; şaşırtıcı olan yalnız künyedeki n'in değişmesidir.

42.4 Tıp örneği

Dosya: english/datasets/Tip/37_ca_diagnosis_age.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/37_ca_tani_yas.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #37 bölümünden alınmıştır.

Değişken Rol Tür Açıklama
diagnosis Satır kategorisi nominal, 4 düzey MI (miyokard enfarktüsü), stroke (inme), copd (KOAH), diabetes
age_group Sütun kategorisi sıralı, 3 düzey 18-40, 41-65, 66+
patient_id kullanılmaz

n ve eksik değer: 550 hasta; eksik değer yoktur. Çapraz tablo:

Tanı 18-40 41-65 66+ Toplam
MI 20 60 80 160
stroke 10 40 70 120
copd 5 35 60 100
diabetes 30 80 60 170
Toplam 65 215 270 550

Klinik soru: Tanılar yaş gruplarına göre farklı mı dağılıyor; hangi tanı hangi yaş grubuyla birlikte görülüyor?

Seçilen ayarlar: Varsayılanlar (2 boyut, temel normalleştirme). Hesap yürüyüşü için dört ek çalıştırma yapılmıştır: simetrik normalleştirme + profiller, satır temel normalleştirme, stroke ek satır, ve diagnosis + age_group ile MCA (3 boyut istenerek).

42.5 Formüller ve hesap adımları

MerQur'un hesap sırası şudur: (1) çapraz tabloyu kur, (2) göreli frekans ve marjinal kütleleri hesapla, (3) standartlaştırılmış artık matrisini kur, (4) tekil değer ayrışımıyla boyutları bul ve önemsiz boyutları at, (5) temel koordinatları hesapla, (6) Pearson \chi^2'yi, bağımsızlık testini ve nokta tanılarını (kütle, atalet payı, katkı, cos², kalite) ekle, (7) istenirse farklı normalleştirme, ek noktalar, profiller ve MCA'yı hesapla.

42.5.1 Göreli frekanslar, kütleler ve profiller

p_{ij}=\frac{n_{ij}}{n},\qquad r_i=\sum_{j}p_{ij},\qquad c_j=\sum_{i}p_{ij},\qquad \text{satır profili}\ \ \frac{p_{ij}}{r_i},\qquad \text{sütun profili}\ \ \frac{p_{ij}}{c_j}
  • n_{ij}: i. satır ve j. sütun hücresindeki sayım; n=\sum_{ij}n_{ij}.
  • r_i: i. satırın kütlesi (marjinal oranı); c_j: j. sütunun kütlesi.
  • Satır profili: i. tanının yaş gruplarına göre koşullu dağılımı. Bağımsızlık altında her satır profili sütun kütlelerine (c_j) eşittir; ortalama profil budur.

42.5.2 Standartlaştırılmış artıklar ve ki-kare uzaklığı

s_{ij}=\frac{p_{ij}-r_ic_j}{\sqrt{r_ic_j}},\qquad \mathbf S=\mathbf D_r^{-1/2}\left(\mathbf P-\mathbf r\mathbf c^{\top}\right)\mathbf D_c^{-1/2},\qquad \chi^2=n\sum_{i,j}s_{ij}^2
  • s_{ij}: hücrenin Pearson artığının \sqrt n'e bölünmüş hâli; \sqrt n\,s_{ij}=(n_{ij}-e_{ij})/\sqrt{e_{ij}}, e_{ij}=n\,r_ic_j beklenen frekans.
  • \mathbf D_r=\operatorname{diag}(\mathbf r), \mathbf D_c=\operatorname{diag}(\mathbf c) (dimensionality_advanced.py:79–81).
  • \sum s_{ij}^2=\chi^2/n: toplam atalet.

İki satır arasındaki ki-kare uzaklığı ve bir satırın ortalama profile uzaklığı:

d^2\left(i,i'\right)=\sum_j\frac{1}{c_j}\left(\frac{p_{ij}}{r_i}-\frac{p_{i'j}}{r_{i'}}\right)^2,\qquad d_i^2=\sum_j\frac{1}{c_j}\left(\frac{p_{ij}}{r_i}-c_j\right)^2

Neden profil farkları 1/c_j ile ağırlıklandırılıyor?

Seyrek bir sütundaki küçük bir oran farkı, sık bir sütundaki aynı farktan daha bilgilidir: %2 → %7 değişimi göreli olarak %40 → %45'ten büyüktür. 1/c_j ağırlığı her sütunu kendi beklenen oranına göre ölçekler ve uzaklıkların toplamını ki-kare istatistiğine bağlar: \sum_i r_i d_i^2=\chi^2/n. Bunun önemli bir sonucu dağılımsal eşdeğerlik ilkesidir: aynı profile sahip iki satır birleştirilirse ne satırlar arası ne sütunlar arası uzaklıklar değişir (Greenacre 2007).

42.5.3 Tekil değer ayrışımı ve boyut sayısı

\mathbf S=\mathbf U\,\boldsymbol\Sigma\,\mathbf V^{\top},\qquad \lambda_k=\sigma_k^2,\qquad \text{açıklanan oran}_k=\frac{\lambda_k}{\sum_m\lambda_m}
  • \mathbf U, \mathbf V: sol ve sağ tekil vektörler; \boldsymbol\Sigma=\operatorname{diag}(\sigma_1,\sigma_2,\dots).
  • np.linalg.svd(S, full_matrices=False) (dimensionality_advanced.py:83). \min(I,J) tekil değerden sonuncusu kuramsal olarak 0'dır (merkezleme kısıtı).

Koddaki tercih: önemsiz boyutların atılması

Kod, \sigma_k>10^{-12}\max(1,\sigma_1) olan ve en çok \min(I,J)-1 tane boyutu tutar (dimensionality_advanced.py:86–90). Sıfır tekil değerli "önemsiz" bir boyut gösterilmez. R ca aynı kuralı uygular.

42.5.4 Koordinatlar ve normalleştirme

\boldsymbol\Phi=\mathbf D_r^{-1/2}\mathbf U,\qquad \boldsymbol\Gamma=\mathbf D_c^{-1/2}\mathbf V,\qquad \mathbf F=\boldsymbol\Phi\boldsymbol\Sigma,\qquad \mathbf G=\boldsymbol\Gamma\boldsymbol\Sigma
  • \boldsymbol\Phi, \boldsymbol\Gamma: standart koordinatlar; kütle ağırlıklı varyansları 1'dir (\sum_i r_i\phi_{ik}^2=1).
  • \mathbf F, \mathbf G: temel (principal) koordinatlar; k. boyuttaki kütle ağırlıklı varyans \lambda_k'dır (dimensionality_advanced.py:98–99).
  • Satır i'nin tüm boyutlardaki temel koordinatlarının kareleri toplamı d_i^2'dir: temel koordinatlar ki-kare uzaklığını korur.

Seçilebilen normalleştirmeler (correspondence_analysis.py:241–242):

Normalleştirme Satır noktaları Sütun noktaları
Temel (varsayılan) \mathbf F=\boldsymbol\Phi\boldsymbol\Sigma \mathbf G=\boldsymbol\Gamma\boldsymbol\Sigma
Simetrik \boldsymbol\Phi\boldsymbol\Sigma^{1/2} \boldsymbol\Gamma\boldsymbol\Sigma^{1/2}
Satır temel \mathbf F \boldsymbol\Gamma (standart)
Sütun temel \boldsymbol\Phi (standart) \mathbf G

Neden haritada satır–sütun uzaklığı yorumlanmaz?

Temel normalleştirmede satır–satır ve sütun–sütun uzaklıkları ki-kare uzaklıklarını yaklaştırır; ama bir satır noktasıyla bir sütun noktası arasındaki uzaklığın doğrudan bir tanımı yoktur. Satır–sütun ilişkisi açı ve yön olarak okunur: satır temel (asimetrik) haritada satır noktaları, sütun köşelerinin profil ağırlıklı ortalamasıdır (geçiş formülü, 42.5.5) ve "bu satır hangi sütuna doğru çekiliyor" sorusu kesin anlam kazanır. √σ ölçekli simetrik normalleştirmede ise ne satır–satır ne satır–sütun uzaklığı tam yorumlanabilir; bu ölçek okunurluk için tercih edilir (Greenacre ve Hastie 1987).

İşaret keyfidir ve MerQur'da sabitlenmez

SVD'de (\mathbf u_k,\mathbf v_k) ile (-\mathbf u_k,-\mathbf v_k) aynı çözümdür. Ana motorda işaret kuralı yoktur; işaret LAPACK'in döndürdüğü gibidir. Ek tablolar ve tanılar ana koordinatlara hizalanır (correspondence_analysis.py:233–238, 369–375), ama ana koordinatların kendisi platform, sürüm ya da tablo değişikliğiyle ayna görüntüsüne dönebilir. Bu veride stroke ek satır seçildiğinde Boyut 1'in yönü tersine dönmüştür (copd +0,25 yerine −0,31). Harita yorumu değişmez; tablolar arası karşılaştırmada dikkat edilmelidir.

42.5.5 Geçiş formülü ve ek noktalar

f_{ik}=\sum_j\frac{p_{ij}}{r_i}\,\gamma_{jk},\qquad g_{jk}=\sum_i\frac{p_{ij}}{c_j}\,\phi_{ik}
  • Bir satırın temel koordinatı, profilinin sütun standart koordinatlarıyla ağırlıklı ortalamasıdır (ve tersi).
  • Ek satır s için: f_{sk}=\sum_j (n_{sj}/n_{s\cdot})\,\gamma_{jk} temel koordinattır; seçilen normalleştirmeye çevirmek için \sigma_k'ya bölünüp satır ölçek çarpanıyla çarpılır (correspondence_analysis.py:256–271).

42.5.6 Bağımsızlık testi ve nokta tanıları

\chi^2=\sum_{i,j}\frac{\left(n_{ij}-e_{ij}\right)^2}{e_{ij}},\qquad \sd=(I-1)(J-1),\qquad \chi^2_k=n\,\lambda_k

Nokta tanıları (ca_diagnostics, correspondence_analysis.py:342–399), satır i için (K = gösterilen boyut sayısı, tanılar tüm boyutların d_i^2'siyle):

\text{atalet payı}_i=\frac{r_i\,d_i^2}{\sum_m\lambda_m},\qquad \text{ctr}_{ik}=\frac{r_i\,f_{ik}^2}{\lambda_k},\qquad \cos^2_{ik}=\frac{f_{ik}^2}{d_i^2},\qquad \text{kalite}_i=\sum_{k\le K}\cos^2_{ik}
  • Atalet payı: noktanın toplam atalete katkı oranı; tüm satırlarda toplamı 1. R ca bunu binde (‰) ve mutlak değer olarak verir; MerQur oran olarak verir.
  • \text{ctr}_{ik}: noktanın k. boyutun ataletine katkısı; her boyutta satırların toplamı 1. Boyutu kimin kurduğunu gösterir.
  • \cos^2_{ik}: noktanın k. eksenle yaptığı açının kosinüs karesi; noktanın o boyutta ne kadar iyi temsil edildiğini gösterir.
  • Kalite: gösterilen K boyuttaki temsil oranı. K tüm boyutları kapsıyorsa her nokta için 1'dir.
  • \chi^2_k=n\lambda_k: ki-karenin k. boyuta düşen payı ("Profiller ve tekil değerler" tablosu).

Koddaki tercih: χ² paydası

Motor \chi^2'yi np.maximum(expected, 1e-12) paydasıyla hesaplar (dimensionality_advanced.py:106–107); marjinaller pozitif olduğu için bu yalnız sayısal bir güvenliktir. Test p değeri chi2.sf ile hesaplanır (correspondence_analysis.py:397). Beklenen frekansı 5'ten küçük hücre bulunursa Ki-Kare modülündeki dipnotla aynı uyarı yazılır.

42.5.7 Çoklu uyum analizi (MCA)

İşaretlenen Q değişken J toplam kategoriyle gösterge (0/1) matrisi \mathbf Z (n\times J) olarak kodlanır ve bu matrise CA uygulanır (mca_indicator, correspondence_analysis.py:197–224). Gösterge özdeğerleri \lambda_k kendi başına küçük ve iyimser olmayan oranlar verdiği için iki düzeltme raporlanır:

\lambda_k^{\text{B}}=\left[\frac{Q}{Q-1}\left(\lambda_k-\frac1Q\right)\right]^2\ \ (\lambda_k>1/Q),\qquad \Phi^2_{\text{G}}=\frac{Q}{Q-1}\left(\sum_k\lambda_k^2-\frac{J-Q}{Q^2}\right)
  • \lambda_k^{\text{B}}: Benzécri düzeltmeli özdeğer; \lambda_k\le1/Q olan boyutlar 0 alır.
  • \Phi^2_{\text{G}}: Greenacre düzeltmeli toplam atalet; "% Greenacre" sütunu \lambda_k^{\text{B}}/\Phi^2_{\text{G}}'dir. Benzécri yüzdesi ise \lambda_k^{\text{B}}/\sum\lambda^{\text{B}}'dir ve açıklanan oranı abartır.
  • Kategori koordinatları gösterge çözümünün temel koordinatlarıdır.

Neden Q=2'de MCA, CA'yı yeniden üretir?

İki değişkenli gösterge matrisinin özdeğerleri \lambda=(1\pm\sigma_k)/2 ve 1/2'dir (\sigma_k, iki değişkenin CA tekil değerleri). Benzécri düzeltmesi \left[2(\lambda-\tfrac12)\right]^2=\sigma_k^2 verir: düzeltilmiş özdeğerler tam olarak CA ataletleridir ve Greenacre toplamı CA toplam ataletine eşittir. Bu, MCA kodunun doğruluğunu sınamak için kullanışlı bir özdeşliktir (42.6 Adım 8).

42.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Aşağıdaki ara değerler dogrulama/correspondence/elle_hesap.py ile, MerQur kodu çağrılmadan hesaplanmıştır. Bağımsız hesap SVD yerine \mathbf S^{\top}\mathbf S matrisinin özdeğer ayrışımını kullanır ve \mathbf U=\mathbf S\mathbf V\boldsymbol\Sigma^{-1} ile satır vektörlerini bulur; işaretler karşılaştırma için MerQur'un yönüne çevrilmiştir.

Adım 1 — Kütleler ve beklenen frekanslar. Satır kütleleri r=(0{,}290909;\ 0{,}218182;\ 0{,}181818;\ 0{,}309091) (MI, stroke, copd, diabetes); sütun kütleleri c=(0{,}118182;\ 0{,}390909;\ 0{,}490909). Beklenen frekans örneği: e_{\text{MI},18\text{-}40}=550\times0{,}290909\times0{,}118182=160\times65/550=18{,}909.

Adım 2 — Standartlaştırılmış artıklar.

s_{\text{MI},18\text{-}40}=\frac{20/550-0{,}290909\times0{,}118182}{\sqrt{0{,}290909\times0{,}118182}}=\frac{0{,}036364-0{,}034380}{0{,}185418}=0{,}010697
Tanı 18-40 41-65 66+
MI 0,010697 −0,013724 0,006998
stroke −0,047350 −0,043014 0,061616
copd −0,084569 −0,027900 0,066391
diabetes 0,094265 0,070852 −0,109476

En büyük artıklar diabetes satırındadır: diyabet gençlerde beklenenden sık, 66+'da seyrektir.

Adım 3 — Toplam atalet ve ki-kare. \sum s_{ij}^2=0{,}046470; \chi^2=550\times0{,}046470=25{,}558280, sd =(4-1)(3-1)=6, p=0{,}000269.

Adım 4 — Tekil değerler. \sigma_1=0{,}212977, \sigma_2=0{,}033325:

\begin{gathered}\lambda_1=0{,}045359\ (\%97{,}61),\qquad \lambda_2=0{,}001111\ (\%2{,}39)\\[4pt] \chi^2_1=550\times0{,}045359=24{,}9475,\qquad \chi^2_2=0{,}6108\end{gathered}

Tablo 4×3 olduğu için yalnız K=2 boyut vardır ve harita toplam ataletin %100'ünü gösterir. Birinci boyut ataletin %97,6'sını taşır: ilişki pratikte tek boyutludur.

Adım 5 — Koordinatlar. Standart ve temel koordinatlar (Boyut 1):

Satır \phi_{i1} f_{i1}=\phi_{i1}\sigma_1 Sütun \gamma_{j1} g_{j1}
MI 0,030262 0,006445 18-40 −1,824894 −0,388660
stroke 0,885526 0,188596 41-65 −0,643405 −0,137030
copd 1,195267 0,254564 66+ 0,951667 0,202683
diabetes −1,356657 −0,288936

Geçiş formülüyle denetim: copd satır profili (5,\,35,\,60)/100=(0{,}05;\ 0{,}35;\ 0{,}60):

f_{\text{copd},1}=0{,}05(-1{,}824894)+0{,}35(-0{,}643405)+0{,}60(0{,}951667)=0{,}254564

Boyut 1 yaş eksenidir: 18-40 solda, 66+ sağda; diabetes genç uca, copd ve stroke yaşlı uca yakındır. MI merkeze çok yakındır (f=0{,}006): profili ortalama profile neredeyse eşittir.

Adım 6 — Nokta tanıları. diabetes için d^2=0{,}288936^2+0{,}016760^2=0{,}083765:

\text{atalet payı}=\frac{0{,}309091\times0{,}083765}{0{,}046470}=0{,}557161,\qquad \text{ctr}_1=\frac{0{,}309091\times0{,}288936^2}{0{,}045359}=0{,}568888,\qquad \cos^2_1=\frac{0{,}083484}{0{,}083765}=0{,}996647
Nokta Kütle Atalet payı ctr₁ cos²₁ ctr₂ cos²₂
MI 0,2909 0,0076 0,0003 0,0344 0,3059 0,9656
stroke 0,2182 0,1698 0,1711 0,9837 0,1156 0,0163
copd 0,1818 0,2655 0,2598 0,9550 0,5004 0,0450
diabetes 0,3091 0,5572 0,5689 0,9966 0,0782 0,0034
18-40 0,1182 0,3958 0,3936 0,9705 0,4882 0,0295
41-65 0,3909 0,1686 0,1618 0,9366 0,4473 0,0634
66+ 0,4909 0,4355 0,4446 0,9965 0,0645 0,0035

Birinci boyutu diabetes (%57) ve copd (%26) satırları, 66+ (%44) ve 18-40 (%39) sütunları kurar. MI'nın cos²'si birinci boyutta yalnız 0,03'tür; MI'nın küçük sapması ikinci boyuttadır ama ikinci boyut ataletin yalnız %2,4'üdür.

Adım 7 — Normalleştirmeler ve ek nokta. Simetrik: \phi_{\text{diabetes},1}\sqrt{\sigma_1}=-1{,}356657\times0{,}461494=-0{,}626089. Satır temel: sütun noktaları standart koordinatlardadır (\gamma_{18\text{-}40{,}1}=-1{,}824894). stroke ek satır seçildiğinde etkin 3×3 tabloda \lambda_1=0{,}044744, \lambda_2=0{,}001093; stroke profili (10{,}40{,}70)/120 etkin çözümün standart sütun koordinatlarıyla çarpılınca temel koordinatı (-0{,}239601;\ 0{,}038695) olur. Bu çalıştırmada eksen yönü tersine döndüğünden stroke, yaşlı ucu temsil eden 66+ ile aynı (negatif) taraftadır.

Adım 8 — MCA (Q=2, J=7). Gösterge özdeğerleri:

\lambda=\left(0{,}606488;\ 0{,}516663;\ 0{,}500000;\ 0{,}483337;\ 0{,}393512\right)=\left(\tfrac{1+\sigma_1}{2};\ \tfrac{1+\sigma_2}{2};\ \tfrac12;\ \tfrac{1-\sigma_2}{2};\ \tfrac{1-\sigma_1}{2}\right)

Benzécri: \left[2(0{,}606488-0{,}5)\right]^2=0{,}212977^2=0{,}045359=\lambda_1^{\text{CA}}. Greenacre toplamı 2\left(1{,}273236-5/4\right)=0{,}046470, CA toplam ataletine eşittir; "% Greenacre" 97,61 ve 2,39'dur. Ham gösterge yüzdeleri ise 24,26 ve 20,67'dir ve ilişkinin gücünü olduğundan çok düşük gösterir.

Şekil 42.1. Temel koordinatlarla uyum analizi haritası (MerQur varsayılanı). Mor daireler tanılar, turuncu kareler yaş grupları. Birinci boyut (%97,61) yaş eksenidir.

42.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() ve ca_diagnostics() sonuçlarından alınmıştır (dogrulama/correspondence/merqur_calistir.py); motor sayıları tam hassasiyette saklar, yuvarlama yalnız metin biçimlemesindedir. R: 4.5.3, ca::ca (tekil değerler, kütleler, standart ve temel koordinatlar, suprow ile ek nokta), FactoMineR::CA (ctr, cos², atalet payı; tam hassasiyette), ca::mjca (lambda = "indicator" ve "adjusted"), chisq.test(correct = FALSE). R'de tanı düzeyleri MerQur sırasına (verideki ilk görülme sırası, levels = unique(...)) çevrilmiştir. R ca bu veride MerQur'la aynı işaretleri verir. Ölçüt: en büyük fark \le10^{-6}.

Ki-kare, atalet ve koordinatlar:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Pearson \chi^2 25,558280 25,558280 25,558280 3,2e−14 ✓
p (\chi^2, sd 6) 0,000269 0,000269 0,000269 1,1e−18 ✓
Toplam atalet 0,046470 0,046470 0,046470 3,5e−17 ✓
Tekil değer \sigma_1 0,212977 0,212977 0,212977 2,8e−16 ✓
Özdeğer \lambda_1 0,045359 0,045359 0,045359 2,8e−17 ✓
Açıklanan oran, boyut 1 0,976101 0,976101 0,976101 3,3e−16 ✓
Boyut \chi^2 payı, 1 24,947472 24,947472 24,947472 1,4e−14 ✓
Tekil değer \sigma_2 0,033325 0,033325 0,033325 1,8e−16 ✓
Özdeğer \lambda_2 0,001111 0,001111 0,001111 1,2e−17 ✓
Açıklanan oran, boyut 2 0,023899 0,023899 0,023899 2,4e−16 ✓
Boyut \chi^2 payı, 2 0,610808 0,610808 0,610808 6,6e−15 ✓
Satır MI, boyut 1 0,006445 0,006445 0,006445 6,4e−17 ✓
Satır MI, boyut 2 −0,034171 −0,034171 −0,034171 6,9e−17 ✓
Satır stroke, boyut 1 0,188596 0,188596 0,188596 8,3e−17 ✓
Satır stroke, boyut 2 −0,024254 −0,024254 −0,024254 5,6e−17 ✓
Satır copd, boyut 1 0,254564 0,254564 0,254564 3,3e−16 ✓
Satır copd, boyut 2 0,055285 0,055285 0,055285 4,9e−17 ✓
Satır diabetes, boyut 1 −0,288936 −0,288936 −0,288936 6,7e−16 ✓
Satır diabetes, boyut 2 0,016760 0,016760 0,016760 6,2e−17 ✓
Sütun 18-40, boyut 1 −0,388660 −0,388660 −0,388660 3,9e−16 ✓
Sütun 18-40, boyut 2 −0,067735 −0,067735 −0,067735 3,9e−16 ✓
Sütun 41-65, boyut 1 −0,137030 −0,137030 −0,137030 3,3e−16 ✓
Sütun 41-65, boyut 2 0,035646 0,035646 0,035646 2,2e−16 ✓
Sütun 66+, boyut 1 0,202683 0,202683 0,202683 1,1e−16 ✓
Sütun 66+, boyut 2 −0,012079 −0,012079 −0,012079 3,6e−17 ✓

Nokta tanıları:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Kütle MI 0,290909 0,290909 0,290909 1,1e−16 ✓
Atalet payı MI 0,007570 0,007570 0,007570 1,8e−17 ✓
ctr MI, boyut 1 0,000266 0,000266 0,000266 5,1e−18 ✓
cos² MI, boyut 1 0,034353 0,034353 0,034353 7,2e−16 ✓
ctr MI, boyut 2 0,305859 0,305859 0,305859 3,7e−15 ✓
cos² MI, boyut 2 0,965647 0,965647 0,965647 1,0e−15 ✓
Kütle stroke 0,218182 0,218182 0,218182 1,7e−16 ✓
Atalet payı stroke 0,169762 0,169762 0,169762 5,6e−17 ✓
ctr stroke, boyut 1 0,171089 0,171089 0,171089 5,8e−16 ✓
cos² stroke, boyut 1 0,983731 0,983731 0,983731 1,1e−15 ✓
ctr stroke, boyut 2 0,115565 0,115565 0,115565 1,6e−15 ✓
cos² stroke, boyut 2 0,016269 0,016269 0,016269 5,9e−17 ✓
Kütle copd 0,181818 0,181818 0,181818 1,7e−16 ✓
Atalet payı copd 0,265508 0,265508 0,265508 5,6e−16 ✓
ctr copd, boyut 1 0,259757 0,259757 0,259757 2,2e−16 ✓
cos² copd, boyut 1 0,954959 0,954959 0,954959 3,3e−16 ✓
ctr copd, boyut 2 0,500398 0,500398 0,500398 5,6e−15 ✓
cos² copd, boyut 2 0,045041 0,045041 0,045041 8,3e−17 ✓
Kütle diabetes 0,309091 0,309091 0,309091 5,6e−17 ✓
Atalet payı diabetes 0,557161 0,557161 0,557161 5,6e−16 ✓
ctr diabetes, boyut 1 0,568888 0,568888 0,568888 5,6e−16 ✓
cos² diabetes, boyut 1 0,996647 0,996647 0,996647 1,2e−15 ✓
ctr diabetes, boyut 2 0,078179 0,078179 0,078179 1,4e−15 ✓
cos² diabetes, boyut 2 0,003353 0,003353 0,003353 2,3e−17 ✓
Kütle 18-40 0,118182 0,118182 0,118182 1,7e−16 ✓
Atalet payı 18-40 0,395836 0,395836 0,395836 3,9e−16 ✓
ctr 18-40, boyut 1 0,393574 0,393574 0,393574 3,9e−16 ✓
cos² 18-40, boyut 1 0,970522 0,970522 0,970522 3,3e−16 ✓
ctr 18-40, boyut 2 0,488244 0,488244 0,488244 8,9e−16 ✓
cos² 18-40, boyut 2 0,029478 0,029478 0,029478 3,4e−16 ✓
Kütle 41-65 0,390909 0,390909 0,390909 1,1e−16 ✓
Atalet payı 41-65 0,168646 0,168646 0,168646 3,1e−16 ✓
ctr 41-65, boyut 1 0,161824 0,161824 0,161824 2,2e−16 ✓
cos² 41-65, boyut 1 0,936618 0,936618 0,936618 1,1e−15 ✓
ctr 41-65, boyut 2 0,447266 0,447266 0,447266 6,7e−16 ✓
cos² 41-65, boyut 2 0,063382 0,063382 0,063382 6,5e−16 ✓
Kütle 66+ 0,490909 0,490909 0,490909 1,7e−16 ✓
Atalet payı 66+ 0,435518 0,435518 0,435518 5,6e−17 ✓
ctr 66+, boyut 1 0,444602 0,444602 0,444602 7,2e−16 ✓
cos² 66+, boyut 1 0,996461 0,996461 0,996461 4,4e−16 ✓
ctr 66+, boyut 2 0,064489 0,064489 0,064489 5,3e−16 ✓
cos² 66+, boyut 2 0,003539 0,003539 0,003539 4,3e−17 ✓

Normalleştirmeler, ek nokta ve MCA:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Simetrik satır MI, boyut 1 0,013966 0,013966 0,013966 1,3e−16 ✓
Simetrik satır stroke, boyut 1 0,408665 0,408665 0,408665 3,9e−16 ✓
Simetrik satır copd, boyut 1 0,551608 0,551608 0,551608 1,9e−15 ✓
Simetrik satır diabetes, boyut 1 −0,626089 −0,626089 −0,626089 1,2e−15 ✓
Simetrik sütun 18-40, boyut 1 −0,842178 −0,842178 −0,842178 7,8e−16 ✓
Simetrik sütun 41-65, boyut 1 −0,296927 −0,296927 −0,296927 3,3e−16 ✓
Simetrik sütun 66+, boyut 1 0,439189 0,439189 0,439189 1,1e−16 ✓
Satır temel: sütun 18-40 (standart), boyut 1 −1,824894 −1,824894 −1,824894 2,4e−15 ✓
Satır temel: sütun 18-40 (standart), boyut 2 −2,032560 −2,032560 −2,032560 1,3e−15 ✓
Satır temel: sütun 41-65 (standart), boyut 1 −0,643405 −0,643405 −0,643405 3,3e−16 ✓
Satır temel: sütun 41-65 (standart), boyut 2 1,069659 1,069659 1,069659 1,8e−15 ✓
Satır temel: sütun 66+ (standart), boyut 1 0,951667 0,951667 0,951667 4,4e−16 ✓
Satır temel: sütun 66+ (standart), boyut 2 −0,362445 −0,362445 −0,362445 1,3e−15 ✓
Ek satır stroke, boyut 1 −0,239601 −0,239601 −0,239601 6,9e−16 ✓
Ek satırlı çözüm \lambda_1 0,044744 0,044744 0,044744 1,3e−16 ✓
Ek satır stroke, boyut 2 0,038695 0,038695 0,038695 3,7e−15 ✓
Ek satırlı çözüm \lambda_2 0,001093 0,001093 0,001093 1,0e−17 ✓
Ek satırlı çözüm: MI, boyut 1 −0,058607 −0,058607 −0,058607 4,2e−17 ✓
Ek satırlı çözüm: copd, boyut 1 −0,305313 −0,305313 −0,305313 3,9e−16 ✓
Ek satırlı çözüm: diabetes, boyut 1 0,234755 0,234755 0,234755 2,8e−17 ✓
MCA gösterge özdeğeri 1 0,606488 0,606488 0,606488 1,2e−15 ✓
MCA gösterge özdeğeri 2 0,516663 0,516663 0,516663 8,9e−16 ✓
MCA gösterge özdeğeri 3 0,500000 0,500000 0,500000 1,4e−15 ✓
MCA gösterge özdeğeri 4 0,483337 0,483337 0,483337 1,0e−15 ✓
MCA gösterge özdeğeri 5 0,393512 0,393512 0,393512 8,9e−16 ✓
MCA Benzécri düzeltmeli 1 0,045359 0,045359 0,045359 1,4e−15 ✓
MCA % Greenacre 1 0,976101 0,976101 0,976101 1,8e−13 ✓
MCA Benzécri düzeltmeli 2 0,001111 0,001111 0,001111 6,3e−17 ✓
MCA % Greenacre 2 0,023899 0,023899 0,023899 5,1e−15 ✓
MCA Greenacre toplam atalet 0,046470 0,046470 0,046470 9,8e−15 ✓

Sonuç: 97 büyüklüğün tamamı ölçütü karşılar; en büyük fark 10^{-13} düzeyindedir.

42.7 Çıktıyı okuma

Varsayılan ayarlarla sonuç metni (kısaltılmış):

Uyum Analizi
  Toplam gözlem (N)         = 550
  Pearson χ²                = 25.5583
  Toplam atalet (inertia)   = 0.046470
  Boyut sayısı              = 2

  Boyut başına açıklanan atalet (varyans):
    Dim1:  λ = 0.045359  (%97.61, kümülatif %97.61)
    Dim2:  λ = 0.001111  (%2.39, kümülatif %100.00)

── Satır Koordinatları (temel) ──
               Dim1    Dim2
MI         0.0064 -0.0342
stroke     0.1886 -0.0243
copd       0.2546  0.0553
diabetes  -0.2889  0.0168
── Sütun Koordinatları (temel) ──
18-40     -0.3887 -0.0677
41-65     -0.1370  0.0356
66+        0.2027 -0.0121
Bağımsızlık testi: Pearson χ² = 25.5583, df = 6, p = 0.0003

── Satır noktaları: kütle, kalite, atalet payı, koordinat, katkı (ctr), cos² ──
  Nokta                  Kütle  Kalite   Atalet     Dim1    ctr   cos²     Dim2    ctr   cos²
  MI                    0.2909   1.000   0.0076   0.0064  0.000  0.034  -0.0342  0.306  0.966
  stroke                0.2182   1.000   0.1698   0.1886  0.171  0.984  -0.0243  0.116  0.016
  copd                  0.1818   1.000   0.2655   0.2546  0.260  0.955   0.0553  0.500  0.045
  diabetes              0.3091   1.000   0.5572  -0.2889  0.569  0.997   0.0168  0.078  0.003
  ...
Satır/Öğe Ne yazar Nasıl yorumlanır
Toplam gözlem (N) Tablo toplamı Ek kategori seçildiyse etkin tablonun toplamıdır.
Pearson χ², Toplam atalet \chi^2 ve \chi^2/n Atalet, n'den bağımsız ilişki gücüdür; 0,046 küçük-orta bir ilişkidir (Cramér V=\sqrt{\Phi^2/\min(I-1,J-1)}=0{,}152).
DimK: λ = … (%…) Asal atalet, yüzdesi, birikimli yüzde İlk iki boyut %70'in üzerindeyse 2B harita tabloyu iyi özetler.
Satır/Sütun koordinatları Temel koordinatlar Normalleştirme seçilse de bu tablo temeldir; seçilen normalleştirme ek tabloda ve grafikte görünür.
Bağımsızlık testi \chi^2, sd, p Ki-kare testidir; CA'nın kendisi bir test değildir. Küçük beklenen frekans varsa altında uyarı satırı çıkar.
Nokta tanıları Kütle, kalite, atalet payı, koordinat, ctr, cos² ctr boyutu kimin kurduğunu, cos² noktanın ne kadar iyi gösterildiğini söyler. Düşük kaliteli noktaların haritadaki konumu yorumlanmaz.
Not satırları Boyut sınırı notu; ek kategori bulunamadı ya da MCA için tek değişken uyarıları dimensionality_advanced.py:140–142, correspondence_analysis.py:159–169.

Tablo sekmesi satır ve sütun koordinatlarını (ve seçilen normalleştirmeyi), Frekans sekmesi nokta tanılarını verir (correspondence_analysis.py:428–475).

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Tanı ile yaş grubu arasındaki ilişki anlamlıydı, \chi^2(6, N = 550) = 25{,}56, p < 0{,}001, Cramér V = 0{,}15. Uyum analizinde 4 × 3 tablonun toplam ataleti 0,0465 idi; birinci boyut ataletin %97,6'sını, ikinci boyut %2,4'ünü açıkladı. Birinci boyut bir yaş eksenini temsil etti: 18–40 yaş grubu (katkı %39) ile 66 yaş ve üstü (katkı %44) karşıt uçlarda yer aldı; diyabet genç uca (katkı %57), KOAH (%26) ve inme (%17) yaşlı uca yakındı. Miyokard enfarktüsünün profili ortalama profile çok yakındı ve birinci boyutta temsil kalitesi düşüktü (\cos^2 = 0{,}03).

42.8 Uzman soruları

S1. "Simetrik harita" ile MerQur'un "Simetrik (√σ)" seçeneği aynı şey mi?

Hayır; terim iki farklı anlamda kullanılır. Greenacre'nin ve R plot.ca'nın varsayılanı olan "simetrik harita" (map = "symmetric"), satır ve sütunları ikisini de temel koordinatlarda çizer; bu MerQur'un varsayılanıdır. MerQur'un "Simetrik (√σ ölçekleme)" seçeneği ise standart koordinatları \sqrt{\sigma_k} ile çarpar; biplot geleneği bu tanımı kullanır. Bir yayında "simetrik harita" yazılıyorsa hangi ölçeğin kastedildiği belirtilmelidir. MerQur ana tabloyu her durumda temel koordinatta verir, çünkü nokta tanıları (ctr, cos²) temel koordinatlarla tanımlanır (correspondence_analysis.py:449–475).

S2. Koordinatların işareti R'den farklı çıkarsa?

İşaret keyfidir ve MerQur'da sabitlenmez (42.5.4). Bu veride R ca ile aynı yön çıkmıştır, ama başka veride ya da başka platformda bir boyut ayna görüntüsü olabilir. Yorumu değiştirmez; ctr, cos², atalet ve uzaklıklar işaretten bağımsızdır.

S3. Neden 3 boyut istediğimde yalnız 2 boyut geliyor?

4×3 tabloda merkezleme kısıtı nedeniyle en çok \min(4{,}3)-1=2 sıfırdan farklı boyut vardır. Kod fazladan istenen boyutu atar ve not yazar (dimensionality_advanced.py:87, 140–142). Sıfır ataletli bir 3. boyut gösterilseydi koordinatları yalnız sayısal gürültü olurdu.

S4. Ek satır seçtiğimde neden χ² ve n değişti?

Ek kategori analizin kurulmasına katılmaz; MerQur o kategorinin gözlemlerini etkin tablodan çıkarır (correspondence_analysis.py:151–155). Etkin tablo 3×3 olur, n=430 ve \chi^2=19{,}71'dir. R ca(…, suprow = 4) aynı sonucu verir (doğrulama tablosu). Ek nokta tüm etkin çözüm kurulduktan sonra profiliyle yerleştirilir.

S5. Ki-kare testinde küçük beklenen frekans nasıl denetlenir?

CA paneli beklenen frekansları hesaplar; 5'ten küçük hücre varsa sayısını, oranını ve en küçük beklenen frekansı uyarı satırında yazar (ca_diagnostics, correspondence_analysis.py:392–421). Bu veride en küçük beklenen frekans 100\times65/550=11{,}8'dir ve uyarı çıkmaz. Seyrek tablolarda ki-kare testi için Ki-Kare Bağımsızlık Testi paneli (kesin test seçenekleriyle) kullanılmalıdır. CA haritasının kendisi küçük frekanslardan dağılımsal olarak etkilenmez, ama çok seyrek kategoriler (küçük kütle, büyük d^2) haritada uç noktalar oluşturabilir.

S6. MCA'da Benzécri ve Greenacre yüzdeleri neden farklı?

Benzécri yüzdesi düzeltilmiş özdeğerleri kendi toplamlarına böler ve gösterilen boyutların açıklama gücünü abartır. Greenacre (2007) düzeltilmiş özdeğerleri, Burt matrisinin köşegen dışı bloklarının ataletine eşit olan düzeltilmiş toplam ataletle böler; bu yüzden yüzdelerin toplamı genellikle %100'ün altında kalır. İki değişkende (Q=2) iki düzeltme aynıdır ve CA sonucunu verir. R ca::mjca(lambda = "adjusted") varsayılanı Greenacre yüzdesidir.

S7. Nokta tanılarında "atalet" neden binde değil?

R summary.ca atalet, kalite, ctr ve cos² değerlerini binde (‰) verir. MerQur oran (0–1) olarak verir ve not satırında belirtir (res_ca_diag_note). 0,5572 = 557‰ demektir.

S8. Kategori sırası neden R'den farklı?

MerQur kategorileri ortak düzey sırasıyla dizer (sıra tanımlanmamış metinde verideki ilk görülme sırası); R table() ise yerel ayara duyarlı alfabetik sıralar. Sıra yalnız tabloların satır sırasını etkiler; sayılar değişmez. Doğrulamada R düzeyleri aynı sıraya getirilmiştir.

42.9 Sık hatalar ve tuzaklar

  • Satır ile sütun noktası arasındaki uzaklığı yorumlamak. Temel ya da √σ ölçekli haritada satır–sütun uzaklığı tanımlı değildir; yalnız yön ve açı okunur (42.5.4).
  • Düşük kaliteli noktaları yorumlamak. cos² toplamı (kalite) düşük olan nokta haritada merkeze yakın görünür ama gerçekte başka bir boyutta ayrışıyor olabilir. Bu veride MI birinci boyutta cos² = 0,03'tür.
  • Merkeze yakın noktayı "ilişkisiz" saymak. Merkezdeki nokta ortalama profile sahiptir (MI); bu bir bulgudur, eksik bilgi değil.
  • Ek kategori seçiminin ana sonucu değiştirdiğini fark etmemek. n, \chi^2 ve eksen yönü değişebilir (42.3).
  • Eksen işaretine anlam yüklemek. Boyut 1'in pozitif ucu "yaşlı" olmak zorunda değildir; işaret keyfidir ve MerQur'da sabitlenmez.
  • MCA'da ham gösterge yüzdelerini raporlamak. Gösterge özdeğerlerinin yüzdeleri (bu veride %24 ve %21) açıklama gücünü çok düşük gösterir; Greenacre düzeltmeli yüzdeler raporlanmalıdır.
  • Normalleştirme seçince Tablo sekmesinin değişmesini beklemek. Ana koordinatlar temel kalır; seçilen normalleştirme ayrı sütunlarda eklenir.
  • CA'yı test sanmak. Anlamlılık yalnız bağımsızlık ki-karesinden gelir; harita betimleyicidir.

42.10 Kaynaklar

  • Benzécri, J.-P. (1979). Sur le calcul des taux d'inertie dans l'analyse d'un questionnaire. Les Cahiers de l'Analyse des Données, 4(3), 377–378.
  • Greenacre, M. (2007). Correspondence analysis in practice (2nd ed.). Chapman & Hall/CRC. https://doi.org/10.1201/9781420011234
  • Greenacre, M., & Hastie, T. (1987). The geometric interpretation of correspondence analysis. Journal of the American Statistical Association, 82(398), 437–447. https://doi.org/10.1080/01621459.1987.10478446
  • Lê, S., Josse, J., & Husson, F. (2008). FactoMineR: An R package for multivariate analysis. Journal of Statistical Software, 25(1), 1–18. https://doi.org/10.18637/jss.v025.i01
  • Nenadić, O., & Greenacre, M. (2007). Correspondence analysis in R, with two- and three-dimensional graphics: The ca package. Journal of Statistical Software, 20(3), 1–13. https://doi.org/10.18637/jss.v020.i03