Correspondence analysis of multivariate categorical data by weighted least-squares
多元分类数据的加权最小二乘对应分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般分类数据对应分析，未涉及宏观或金融因子，也未建立离散选择模型。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多元分类数据的加权最小二乘对应分析
- 研究问题
- 如何将对应分析推广到多元分类数据，使一组分类变量的所有两两列联表得到联合拟合，并与传统多重对应分析比较？
- 方法与思路
- 作者通过加权最小二乘同时拟合所有两两列联表，并开发交替最小二乘算法，实现多元分类数据的对应分析。
- 材料陈述的贡献
- 摘要称该技术相较通常的多重对应分析具有若干优势，且是分类数据中最小二乘因子分析的类似方法，但未详列优势。
- 阅读关注点
- 应核对拟合目标、权重与约束的定义、交替算法的收敛性质，以及同多重对应分析比较时采用的具体标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；所称优势的内容和成立条件未说明，不能将一般分类数据因子分析直接解释为宏观或金融因子模型。
原文摘要
A generalization of correspondence analysis to multivariate categorical data is proposed, where all two-way contingency tables of a set of categorical variables are simultaneously fitted by weighted least-squares. An alternating least-squares algorithm is developed to perform the fitting. This technique has a number of advantages over the usual generalization known as multiple correspondence analysis. It is also an analogue of least-squares factor analysis for categorical data.