Análisis de Correspondencias Múltiple

Se cargan los paquetes requeridos:

library("factoextra")

Loading required package: ggplot2

library("FactoMineR")

Ahora, se leen los datos:

#--- datos provitos en los paquetes: {FactoMineR} y {factoextra}
data("poison")

Los datos están en un data.frame: Primera fila con los nombres de las columnas. En este ejemplo, hay dos variables cuantitativas y 13 variables categóricas binarias.

Se hace el Análisis de Correspondencias Múltiple:

res.mca <- MCA(poison, quanti.sup = 1:2, quali.sup = 3:4, graph = F)

Se extraen los resultados:

#--- para las categorías de las variables:
get_mca_var(res.mca)

Multiple Correspondence Analysis Results for variables
 ===================================================
  Name       Description                  
1 "$coord"   "Coordinates for categories" 
2 "$cos2"    "Cos2 for categories"        
3 "$contrib" "contributions of categories"

#--- para los individuos:
get_mca_ind(res.mca)

Multiple Correspondence Analysis Results for individuals
 ===================================================
  Name       Description                       
1 "$coord"   "Coordinates for the individuals" 
2 "$cos2"    "Cos2 for the individuals"        
3 "$contrib" "contributions of the individuals"

Se visualizan las contribuciones en el eje 1:

#--- para las categorías de las variables:
fviz_contrib(res.mca, choice ="var", axes = 1)

#--- para los individuos:
# seleccionando los 20 más importantes
fviz_contrib(res.mca, choice ="ind", axes = 1, top = 20)

Se grafican los resultados:

#--- para los individuos:
# Colores por grupos
# Con elipses de concentración
# Use repel = TRUE para evitar sobreposición
grp <- as.factor(poison[, "Vomiting"])
fviz_mca_ind(res.mca, col.ind = "blue", habillage = grp,
             addEllipses = TRUE, repel = TRUE) + theme_minimal()

#--- para las categorías de las variables:
fviz_mca_var(res.mca, repel = TRUE)

Se pueden seleccionar sólo algunas categorias de variables:

#--- las 10 más importantes
fviz_mca_var(res.mca, select.var = list(contrib = 10))

#--- O por nombres:
fviz_mca_var(res.mca, 
             select.var= list(name = c("Courg_n", "Fever_y", "Fever_n")))

#--- y la visualización conjunta:
fviz_mca_biplot(res.mca, repel = TRUE) + theme_minimal()

Y también seleccionar los individuos más importantes (30 en este caso) y las categorías más importantes (10 en este caso).

fviz_mca_biplot(res.mca, 
                select.ind = list(contrib = 30), 
                select.var = list(contrib = 10))

Ejemplo de aplicación de MCA, tomado de: http://www.sthda.com/english/wiki/factoextra-r-package-easy-multivariate-data-analyses-and-elegant-visualization