Skip to contents

Análise de correspondência (CA) entre documentos/grupos e termos

Source: R/ac_ca.R
ac_ca.Rd

ac_ca() reduz uma tabela de contingência documento/grupo x termo a poucas dimensões, posicionando unidades e termos no mesmo espaço geométrico (Greenacre, 2007). Unidades próximas entre si têm perfis de vocabulário parecidos; termos próximos entre si são usados de forma parecida pelos grupos. É uma alternativa simples e determinística à Alocação de Dirichlet Latente (LDA, já disponível em ac_lda()) para visualizar associações entre vocabulário e grupos em duas dimensões: sem assumir um número de tópicos latentes.

Como ler o mapa. As coordenadas de unidades e termos são principais (mapa "simétrico"). Nesse mapa, distâncias entre unidades (e entre termos) aproximam distâncias qui-quadrado entre perfis, mas a distância entre uma unidade e um termo não tem interpretação direta (Greenacre, 2007, cap. 8-9). Leia a relação unidade-termo pela direção: um termo longe da origem e na mesma direção de um grupo é sobrerrepresentado nele; termos perto da origem têm perfil parecido com a média (pouco distintivos).

É útil, por exemplo, para visualizar como o vocabulário difere entre categorias de atendimento ao cliente, entre seções de um conjunto de notícias, ou entre partidos/períodos legislativos: qualquer situação em que se queira um "mapa" conjunto de grupos e das palavras que os caracterizam.

Implementação: SVD (base::svd()) sobre os resíduos padronizados de Pearson da tabela de contingência normalizada, no espírito do algoritmo clássico de Análise de Correspondência (Greenacre, 2007). Os sinais de cada dimensão são normalizados (a unidade com maior coordenada em valor absoluto é sempre positiva), para que o resultado seja determinístico entre execuções.

Usage

ac_ca(
  corpus,
  by = NULL,
  top_n = 50L,
  min_count = 5L,
  n_dim = 2L,
  drop_punct = TRUE
)

Arguments

corpus

Objeto ac_corpus.

by

Nome de uma coluna de metadados em corpus para definir os grupos (linhas da tabela de contingência). Se NULL (padrão), cada documento é uma linha.

top_n

Número máximo de termos (colunas) a manter, pelos mais frequentes no total. Padrão: 50.

min_count

Frequência total mínima de um termo para ele ser mantido. Padrão: 5.

n_dim

Número de dimensões a retornar. Padrão: 2.

drop_punct

Lógico, encaminhado para ac_count(). Padrão: TRUE.

Value

Lista de classe ac_ca com:

  • row_coords: tibble com unit, dim1, dim2, ..., mass (massa/peso relativo da linha).

  • col_coords: tibble com term, dim1, dim2, ..., mass.

  • eigenvalues: autovalores (inércia) de cada dimensão.

  • variance_explained: proporção da inércia total explicada por cada dimensão.

References

Greenacre, M. (2007). Correspondence Analysis in Practice (2nd ed.). Chapman and Hall/CRC.

See also

ac_count(), ac_lda(), ac_plot_ca()

Examples

df <- data.frame(
  id = paste0("d", 1:6),
  texto = c(
    "entrega atrasada rastreio sumiu",
    "pedido atrasou muito, rastreio não atualiza",
    "produto com defeito, chegou quebrado",
    "veio quebrado, qualidade péssima",
    "atendimento excelente, resolveram rápido",
    "suporte educado e rápido, resolveu tudo"
  ),
  categoria = c("entrega", "entrega", "produto", "produto",
                 "atendimento", "atendimento"),
  stringsAsFactors = FALSE
)
corpus <- ac_corpus(df, text = texto, docid = id, meta = categoria)

ca <- ac_ca(corpus, by = "categoria", min_count = 1)
ca$variance_explained
#> [1] 0.5 0.5