เปรียบเทียบวิธี

	การวิเคราะห์ความสัมพันธ์แบบคงทน	การจัดอันดับหลายมิติแบบทนทาน (Robust MDS)
สาขาวิชา	สถิติศาสตร์	สถิติศาสตร์
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	2000s (robust extensions of CA developed since the early 2000s)	2002 (robust extension); 1952 (classical MDS)
ผู้ริเริ่ม	Greenacre (CA); robust extensions by Croux, Ruiz-Gazen and colleagues	Hubert, Arabie, and Meulman (robust extensions); classical MDS by Torgerson (1952)
ประเภท	Robust dimension reduction for contingency tables	Dimensionality reduction / proximity scaling
แหล่งต้นตำรับ	Croux, C. & Ruiz-Gazen, A. (2005). High breakdown estimators for principal components: the projection-pursuit approach revisited. Journal of Multivariate Analysis, 95(1), 206–226.	Hubert, L., Arabie, P. & Meulman, J. (2002). Linear unidimensional scaling in the L2-norm: Basic optimization methods using SMACOF. Journal of Classification, 19(2), 303–327.
ชื่อเรียกอื่น	RCA, outlier-resistant correspondence analysis, robust CA	Robust MDS, outlier-resistant MDS, robust proximity scaling
ที่เกี่ยวข้อง	5	4
สรุป	Robust Correspondence Analysis (RCA) extends classical correspondence analysis to contingency tables that contain outlying rows or columns. By replacing the standard singular value decomposition with a robust alternative, RCA produces biplots and coordinate maps that accurately reflect the dominant association structure even when atypical cells or categories exert undue influence on the standard solution.	Robust multidimensional scaling recovers a low-dimensional spatial map from a matrix of pairwise dissimilarities while resisting distortion caused by outlying or erroneous proximity values. By replacing squared-error loss with a robust loss function or down-weighting suspect pairs, it produces a configuration that faithfully represents the bulk of the data even when some distances are grossly atypical.