多元方法
《多元方法》说明以下用于同时分析若干变量的方法：
• “多元”平台检查多个变量以查看它们之间如何彼此相关。请参见相关性和多元方法。
• “主成分”平台从一组测量变量中得到少数几个相互独立的线性组合（主成分），使用它们来捕获原始变量中尽可能多的变异性。这是一种有用的探索性方法，可帮助您创建预测模型。请参见主成分。
• “判别”平台尝试找到一种根据已知的连续响应 (Y) 来预测分类 (X) 变量（名义型或有序型）的方法。它可以视为多元方差分析 (MANOVA) 的逆预测。请参见判别分析。
• “偏最小二乘”平台根据因子即解释变量 (X) 的线性组合来拟合线性模型。“偏最小二乘”利用 X 和 Y 之间的相关性来揭示底层的潜在结构。请参见偏最小二乘模型。
• “多重对应分析”(MCA) 平台适用于多个分类变量，并力求确定这些变量各水平之间的关联。MCA 常用在社会科学中，在法国和日本尤为普遍。可将其用在调查分析中，找出测试对象对不同问题的态度一致性。请参见多重对应分析。
• “结构化方程模型”支持您拟合各种模型，包括验证性因子分析、具有或不具有潜在变量的路径模型、测量值误差模型以及潜在变量增长曲线模型。请参见结构化方程模型。
• “因子分析”平台支持您从更大的一组观测变量中构造因子。这些因子可以表示为观测变量子集的线性组合。通过因子分析，您可以探索由一组测量的观测变量解释的因子数量，以及因子与变量之间关系的强度。请参见因子分析。
• “多维尺度化 (MDS)”平台支持您分析一组对象间的邻近性（相似性、相异性或距离），将它们之间的模式通过图形直观呈现出来。请参见多维尺度化。
• “项目分析”平台支持您拟合项目反应理论模型。项目反应理论 (IRT) 方法用于对测量手段（如：测试和问卷）进行分析和评分。IRT 使用模型体系将个体的特征与该个体正面或正确响应某个项目的概率相关联。IRT 可用于研究标准化测验、认知发展和消费者偏好。请参见项目分析。
• “层次聚类”平台将在几个变量上享有相似值的行分组在一起。这是一种有用的探索性方法，可帮助您理解数据的聚簇结构。请参见层次聚类。
• “K 均值聚类”平台将在几个变量上享有相似值的观测分组在一起。请参见K 均值聚类。
• “正态混合”平台可使您在数据来自重叠的正态分布时对观测聚类。请参见正态混合。
• “潜在类分析”平台可找到分类响应变量的观测聚类。该模型采取多项式混合模型的形式。请参见潜在类分析。
• “聚类变量”平台将相似变量分到典型组中。您可以将“聚类变量”用作降维方法。您不用在建模中使用大量变量，聚类中最典型的变量的聚类成分可用于解释数据中的大部分变异。请参见聚类变量。