多维尺度分析MDS结果解读一、方法概述多维尺度分析Multidimensional ScalingMDS是一类把对象之间的相异性或距离关系投影到低维空间中的方法。它的目标不是建立因果模型而是尽可能保留对象间的相对距离结构使研究者能够通过二维或三维坐标图直观看到谁更接近、谁更分散、哪些对象可能形成聚类。因此MDS特别适合用于区域比较、品牌定位、消费者认知结构以及样本相似性研究。需要强调的是MDS坐标本身通常不具有直接经济学含义真正有解释价值的是对象之间的相对位置关系。也就是说点落在左上角还是右下角并不是结论核心关键在于彼此之间是否接近、是否分成若干团簇、是否存在明显离群点。本次结果采用二维度量MDS因此解读重点将放在维度设置、投影坐标、城市间接近关系以及图形中的空间分布结构上。在SPSSAU【综合评价】模块选择【多维尺度MDS】按提示粘贴或修改数据操作如下图二、模型基本设置表1显示本研究采用度量MDS输入数据为n×n相异性矩阵并最终投影到二维空间中。这说明结果图是以保持原始距离关系为目标的低维表示适合做相对位置和聚类模式解释。维度数量为2意味着研究者可以直接在平面图上观察样本点的接近与分离情况便于在论文中进行可视化展示和文字说明。三、维度坐标结果表2给出了八个城市在二维空间中的投影坐标。从维度1看北京、天津、济南、青岛和郑州位于正向一侧上海、杭州和南京位于负向一侧说明维度1对样本的区分最明显它首先把城市分成了东西两侧或两类结构明显不同的群体。尤其北京和天津在维度1上取值很高而上海与杭州则明显为负说明这两组城市在整体相似性结构中距离较远。从维度2看郑州、杭州和南京位于正向区域其中郑州的维度2值最高达到426.418表现出明显的独立位置北京、天津和青岛则位于负向区域说明它们在第二维度上与郑州有较大区分。济南和上海分别接近0附近意味着它们在第二维度上的极端性较弱更像连接不同区域结构的过渡点。由此可见维度2更像是在维度1基础上的进一步细分用于区分正向和负向群体内部的差异。如果进一步从城市之间的空间距离理解坐标最接近的一组是北京与天津两点在二维空间中的距离最小说明二者相似性最高上海与杭州也非常接近构成另一组明显的近邻关系南京与杭州、南京与上海之间的距离也相对较近说明三者具有较强的同群聚集特征。相反北京与杭州、北京与上海、天津与杭州等组合之间距离较大说明这些城市之间的相似性明显较低。在整体结构上可以初步识别出三个层级第一北京与天津构成一组高度接近的样本第二上海、杭州和南京形成另一组相互靠近的城市群第三郑州在维度2方向上明显偏上具有一定相对独立性济南与青岛则位于中间偏右区域既不同于京津也不同于沪杭宁说明它们与其他群体之间保持中等距离而非完全附着。这种分布格局说明样本并不是均匀散开而是存在清晰的空间聚类倾向。四、图形结果解读图1 MDS二维感知图图1把表2中的坐标转换为二维散点图后城市间的相对关系变得更直观。图中右下区域聚集了北京、天津和青岛说明它们在二维结构中的位置较接近左侧则分布着上海、杭州和南京其中上海与杭州几乎垂直排列、距离很近南京与二者也保持相对邻近郑州位于右上方明显高于其他城市是最容易被识别出的相对独立点。可见图形结果与前述坐标解释是一致的。MDS图的学术价值主要在于揭示相似性结构而不是赋予坐标轴固定含义。就本研究而言图中最值得强调的不是某个城市在某一维度上的绝对数值而是样本之间的相对近远关系北京与天津最接近上海与杭州关系也非常紧密南京与沪杭群体具有较强邻近性而郑州相对独立。对于论文写作来说这种图形证据有助于支持‘样本存在明显聚类和分层结构’的结论。五、结论综合以上结果本次二维MDS分析表明样本城市之间并非随机分布而是形成了较为清晰的相似性结构。北京与天津构成最接近的城市对上海、杭州和南京形成另一聚集群郑州在第二维度上呈现较强独立性济南与青岛则位于中间过渡位置。整体上维度1承担了最主要的群体区分作用维度2进一步揭示了群体内部的细化差异。因此本次MDS结果支持“样本存在聚类分组、且部分城市具有相对独立位置”的判断适合在后续研究中结合实际背景进一步解释这些空间接近关系背后的经济或结构性原因。