IBM SPSS Statistics的多维标度分析实战

多维标度分析，又称为相似度结构分析，英文简称MDS，它是一种将多维空间的研究对象(样本或变量)简化到低维空间进行定位、分析和归类，同时又保留对象间原始关系的数据分析方法。

听不懂？没关系，下面我们用IBM SPSS Statistics统计软件，通过一篇演示教程，来演示多维标度分析的作用和在软件中的具体使用教程。

一、操作步骤

我们准备好图1所示的数据，该数据是一位测试人员，针对10种不同的物品（A到J），对它们彼此之间的相似度进行打分，分数范围为0-7，接下来我们将使用此数据进行多维标度分析。

图1：分析数据

选择【分析】--【刻度】--【多维标度（ALSCAL）(M)】，进入多维标度分析界面，如图2。

图2：选择多维标度

随后将A到J这10个变量拉入到“变量”框中，再点击“形状”按钮，选择数据形状为“对称正方形”，如图3。在其他案例中，我们需要根据数据结构的具体情况，选择对称或不对称的正方形或者是矩阵。

图3：选择数据形状

随后我们点击“模型”按钮，勾选测量级别为有序，再勾选“矩阵”，这样矩阵里的每个数据可以互相比较；由于我们这是在平面上的多维标度分析，因此维度设置最小值和最大值为2，标度模型选择“欧氏距离”模型。

图4：模型设置

点击“选项”按钮，在选项界面中，勾选上“组图”，其他采用默认设置即可。完成后，我们就可以开始利用SPSS生成多维标度分析的结果了。

图5：选项设置

二、结果总结

通过以上的操作步骤，我们得到了演示数据多维标度分析的结果，图6上方红框表示模型的一个完整迭代过程，我们在图5中设置了最大迭代次数为30次，图6中说明我们在第六次迭代时，迭代的提升值就已经小于0.001,因此终止迭代。

图6下方的红框，我们直接看最后的相关系数平方值，即RSQ参数，它用于估计多维标度分析的效度，在本研究中RSQ参数为0.904，这说明本次多维标度分析是可信的，一般大于0.6就表示模型效果不错。

图6：模型完整迭代过程

另外，模型生成的欧式距离图见图7，我们可观察出，在本次数据中，结果被明显的分割在了两个区域，代表有两种不同的看法，它们之间越相似距离越接近。

图7：欧氏距离模型图

以上就是关于IBM SPSS Statistics软件进行多维标度分析的全过程，我们可以发现，多维标度分析操作是比较简单的，且结果可视化程度高，可以非常清晰明了的让我们对数据进行归类，这类模型对于我们看清数据是非常有帮助的。