Çoklu Yazışma Analizi (MCA)
Multiple Correspondence Analysis (MCA) · Ayrıca şöyle bilinir: MCA, Homogeneity Analysis, Multiple Nominal Component Analysis, Çoklu Uyum Analizi
Çoklu Yazışma Analizi (MCA), üç veya daha fazla kategorik değişken arasındaki ilişkileri eş zamanlı olarak keşfetmek ve görselleştirmek için tasarlanmış çok değişkenli bir sıralama tekniğidir. Hem gözlemleri hem de değişken kategorilerini paylaşılan düşük boyutlu bir alana haritalayarak, MCA nominal veya sıralı anket verilerindeki gizli yapıyı ortaya çıkarır. Yöntem, 1960'lar ve 1970'lerde Jean-Paul Benzecri tarafından Fransa'da geliştirilen önceki geometrik veri analizi geleneklerine dayanarak, Michael Greenacre ve Jorg Blasius tarafından 2006 tarihli derleme ciltlerinde kapsamlı bir şekilde sistematize edilmiş ve genişletilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MCA, bir veri kümesinin tamamen veya çoğunlukla nominal veya sıralı kategorik değişkenlerden oluştuğu ve araştırma hedefinin onaylayıcı hipotez testinden ziyade keşifsel örüntü tespiti olduğu durumlarda uygundur. Dağılım varsayımı gerektirmez, bu da onu anket, sağlık, sosyal bilimler ve pazar araştırması verileri için sağlam kılar. Yöntem, kategori koordinatlarını stabilize etmek için orta ila büyük örneklere (n > 50) en uygunudur. Değişkenler sürekli olduğunda, PCA tercih edilir; yalnızca iki değişken karşılaştırıldığında, basit yazışma analizi yeterlidir. Teorik olarak belirtilmiş gizli yapılar olduğunda MCA, onaylayıcı faktör analizinin yerine kullanılmamalıdır.
Güçlü yönler & sınırlılıklar
- Dağılım varsayımı gerektirmeden birden çok kategorik değişkeni eş zamanlı olarak işler.
- Kategoriler ve gözlemler arasındaki kümeleri, eğilimleri ve aykırı değerleri ortaya çıkaran sezgisel bir geometrik harita üretir.
- Yanıt vermemeyi açık bir kategori olarak ele alarak eksik veri kategorilerini barındırır.
- Anket araştırmalarında yaygın olan çok sayıda değişken ve kategoriye verimli bir şekilde ölçeklenir.
- MCA'daki atalet (açıklanan varyans) değerleri, basit CA'ya göre doğası gereği düşüktür, bu da ayarlama yapılmadan açıklanan yüzde istatistiklerini yorumlamayı zorlaştırır.
- Yöntem tamamen keşifseldir; boyut çıkarımı veya kategori farklılıkları için resmi anlamlılık testleri sunmaz.
- Sonuçlar, kategorilerin sayısına ve kodlanmasına duyarlıdır: kategorileri birleştirmek veya bölmek çözümü değiştirir.
- Ek (pasif) değişkenler sonradan eklenmelidir ve geometrik çözümü etkilemez.
SSS
MCA, basit yazışma analizinden (CA) nasıl farklıdır?
Basit CA, tam olarak iki kategorik değişkenden oluşan tek bir iki yönlü olasılık tablosunu analiz eder, satır ve sütun kategorileri arasındaki ilişkiyi ayrıştırır. MCA, gösterge matrisi veya türetilmiş Burt matrisi üzerinde çalışarak bunu üç veya daha fazla değişkene genişletir, harita üzerindeki yakınlığın aynı ki-kare mesafesi yorumunu korurken birden çok kategorik değişkeni aynı anda işlemek için geometrik çerçeveyi genelleştirir.
Bir MCA çözümünden kaç boyut tutmalıyım?
Yaygın uygulama, Greenacre'ın ayarlanmış atalet kriterini uygular: ayarlanmış özdeğeri ortalama ayarlanmış özdeğerden büyük olan boyutları tutun. Ayarlanmış atalet değerlerinin yama grafikleri de bir dirsek belirlemeye yardımcı olur. MCA'daki ham atalet değerleri yapı gereği düşük olduğundan, kaç eksenin anlamlı olduğunu belirlemek için asla yalnızca ayarlanmamış açıklanan yüzde rakamlarına güvenmeyin.
MCA sıralı değişkenleri mi yoksa yalnızca nominal olanları mı işleyebilir?
MCA, varsayılan olarak tüm girdi değişkenlerini nominal olarak ele alır, kategoriler arasındaki herhangi bir doğal sıralamayı göz ardı eder. Değişkenler gerçekten sıralı olduğunda, analistler doğrusal olmayan PCA veya sıralı MCA uzantıları aracılığıyla sıralama kısıtlamaları getirebilirler veya verilerdeki sıralı yapı güçlü olduğunda genellikle doğal olarak gerçekleşen kurtarılan boyutun amaçlanan sıralamayı yansıttığını sonradan doğrulayabilirler.
Kaynaklar
- Greenacre, M., & Blasius, J. (Eds.). (2006). Multiple Correspondence Analysis and Related Methods. Chapman & Hall/CRC. ISBN: 978-1-58488-628-0
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Multiple Correspondence Analysis (MCA). ScholarGate. https://scholargate.app/tr/statistics/multiple-correspondence-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çok Değişkenli Verilerde Satır ve Sütunların Eş Zamanlı Gösterimi: Biplotİstatistik↔ karşılaştır
- Korelasyon Analiziİstatistik↔ karşılaştır