近似值映射
本文档可指导用户规范输入数据、选择模型、转换函数、维度设置，以及在邻近性制图中纳入属性和属性。
邻近性映射是一种可视化技术，用于降低多元数据的维度，并显示空间配置中对象（案例、项目或其他实体）之间的关系。 该方法最初是以多维标度（MDS）的名称在心理学中提出的，它利用近似性（相似性、不相似性或距离）来定位对象，使其空间排列反映数据的结构。 相似的物体相互靠近，而不相似的物体则相距较远。 通过将复杂的关系数据转换为直观的二维或三维图形，邻近性映射可支持解释和模式识别。
在 IBM® SPSS® Statistics 中，邻近度映射是通过 PROXMAP 程序实现的。 与仅限于分析邻近矩阵的 PROXSCAL 不同，PROXMAP 可接受多种形式的输入，具有更大的灵活性。 它支持多个近似源，包含额外的变量（属性和属性），并提供多种转换和限制选项。 这些特点使 PROXMAP 成为探索多元结构和将不同类型数据整合到统一空间表示中的强大工具。
当有多种来源的接近信息时，无论是直接指定的还是从多元数据中得到的，PROXMAP 都可以在默认的身份模型之外，拟合出多个个体差异模型。 可用的模型包括加权同位（扩张）模型、加权欧几里得（对角线）模型和带有可选等级限制的广义欧几里得模型。
与主成分分析（PCA）和经典多维数据集（MDS）等传统降维技术相比，PROXMAP 提供了一种更直接、更灵活的近似性表示方法。 经典 MDS 可用于初始化配置。 当应用于多元数据时，经典 MDS 等同于主坐标分析，是 PCA 的一种变体。
| 输入类型 | 描述 |
|---|---|
| 原始近似点和推导近似点 | 推导近似度由数值变量、序数变量或名义变量计算得出。 这两种近似值都可以选择使用单调函数（例如，序函数或基于样条的函数）进行转换，然后再用距离进行近似。 |
| 属性 | 制约配置的变量，在关节空间中显示为方向（监督映射）。 |
| 属性 | 用于解释的补充变量；这些变量显示在空间中，但不影响配置（无监督映射）。 |
- 作为近距离推导的基础
- 作为形成配置的属性
- 作为支持解释的属性
除了线性变换外，PROXMAP 还为属性和属性提供了各种变换选项（包括顺序变换、单调样条变换、非单调样条变换和名义变换）。 就近似性而言，变换必须是单调的，还包括幂变换。 输出包括图形诊断，如压力图、最小生成树和邻接图，以帮助解释和评估。
示例
邻近性映射可广泛应用于各个学科，包括心理学和行为科学（感知、记忆、偏好）、市场学（品牌映射、细分）、社会学（意识形态映射、社交网络）、教育学和心理测量学（测试诊断、技能剖析）、语言学（语义相似性、方言映射）、地理学（感知距离、生态空间分析）、基因组学和生物信息学（表达模式、种群结构、单细胞表达异质性探索）、化学信息学（分子相似性）、计算机科学（嵌入可视化）、人类学和考古学（人工制品相似性、颅骨数据）。
- 数据
- 待分析的数据包括代表邻近矩阵（或矩阵）的变量，或代表转换为邻近矩阵或矩阵的多元数据。
对于多变量数据，变量可以是量表变量、顺序变量和名义测量变量的混合物。 最少需要 3 个变量
对于近距离数据，请提供与病例数相同的变量数。
对于近似数据和多元数据，所需的最小案例数都是 3。
输出包括空间配置、各种诊断图和拟合统计。 双幅图在一个共同的空间中显示对象以及变量、属性和特性。
要开始 PROXMAP 分析，请单击。
本程序粘贴 PROXMAP 命令语法。