典型相关分析（CCA）在数学建模中的核心应用与Python实现

1. 项目概述：典型相关分析在数学建模中的核心价值

典型相关分析，英文叫Canonical Correlation Analysis，我们建模圈子里习惯简称CCA。这玩意儿在数学建模比赛里，尤其是在处理那种“两组变量之间关系”的问题时，出场率相当高，但很多新手拿到题目一看就懵，不知道从哪下手。简单来说，它要解决的核心问题是：你有两组变量，比如一组是学生的“学习行为”（每天学习时长、刷题数量、课堂互动次数），另一组是“学业表现”（期末成绩、项目得分、综合评级）。你肯定想知道，这两组变量之间到底是怎么互相影响的？是不是某种特定的学习行为组合，最能预测某一种学业表现组合？典型相关分析干的就是这个——它不是看单个变量和单个变量之间的相关（那是普通相关分析），而是找出两组变量各自的线性组合，让这两个组合之间的相关性达到最大。

我第一次在国赛里用上CCA，是处理一个经济预测题，一组是宏观经济指标，另一组是金融市场波动指标，题目要求分析宏观政策对市场的传导机制。那时候就发现，这方法思路清晰，结果解释性强，论文里放上几张典型载荷图，评委一看就明白你的分析逻辑。对于参加建模比赛的同学，无论是美赛、国赛还是亚太杯，掌握CCA意味着你手里多了一把处理复杂变量关系问题的“手术刀”，特别适合社会科学、经济管理、生物医学、环境科学这些领域里，需要探究两个变量集之间深层关联的题目。它帮你从一堆杂乱的数据中，提炼出最核心的关联模式，把论文的分析深度立刻提升一个档次。

2. 典型相关分析的核心思想与数学模型拆解

2.1 从线性回归到典型相关：思想的跃迁

要理解CCA，最好从大家更熟悉的线性回归说起。线性回归是找一个因变量Y和一组自变量X之间的线性关系。但CCA面对的是两个“阵营”的变量，X组和Y组，它不满足于找出X预测Y的关系，而是探寻X和Y之间“手拉手、共进退”的那种协同变化模式。它的目标很优雅：分别为X组和Y组构造一个综合指标（即典型变量），让这两个综合指标之间的相关系数（即典型相关系数）尽可能大。

举个例子，在“城市发展与生态环境”的题目中，X组可能是经济发展变量（GDP、固定资产投资、第三产业占比），Y组是环境指标（PM2.5年均浓度、污水处理率、绿地覆盖率）。普通相关分析只能看GDP和PM2.5是否相关，很片面。CCA则可以发现，也许“高投资驱动的粗放型增长模式”这个X组的综合指标，与“大气污染加剧且绿地建设滞后”这个Y组的综合指标，之间存在最强的共变关系。这个发现比单纯的相关性要有力得多。

数学上，假设第一组变量有p个，记为X = (X1, X2, ..., Xp)‘；第二组变量有q个，记为Y = (Y1, Y2, ..., Yq)’。我们要找的是两组线性组合： U = a1X1 + a2X2 + ... + apXp =a‘XV = b1Y1 + b2Y2 + ... + bqYq =b‘Y其中a和b是待求的权重系数向量。CCA的目标就是找到a和b，使得U和V的相关系数ρ = corr(U, V)达到最大。这个最大的ρ就是第一对典型变量之间的第一典型相关系数。

注意：这里的数据通常需要标准化处理（均值为0，标准差为1），以消除量纲影响，让系数更具可比性。这是实操中必不可少的第一步，但很多初学者会忘记，导致结果难以解释。

2.2 模型求解与典型变量的提取

找到了第一对典型变量(U1, V1)和最大相关系数ρ1之后，事情还没完。就像主成分分析可以提取多个主成分一样，CCA也可以提取多对典型变量。第二对典型变量(U2, V2)需要满足：它们与第一对典型变量不相关（即cov(U1, U2)=0, cov(V1, V2)=0），并且在满足此约束下，使U2和V2的相关系数ρ2达到最大。以此类推，最多可以提取min(p, q)对典型变量。

求解这些权重向量a和b，在数学上转化为一个特征值问题。具体来说，需要计算两组变量内部及之间的协方差矩阵。设ΣXX为X组的协方差矩阵，ΣYY为Y组的协方差矩阵，ΣXY为X与Y之间的互协方差矩阵。那么，典型相关系数的平方（ρ²）就是矩阵M = ΣXX^(-1/2) ΣXY ΣYY^(-1) ΣYX ΣXX^(-1/2) 的特征值，而对应的特征向量经过变换就能得到权重系数a。类似地，从另一个矩阵也能得到b。

在实际编程中（比如用MATLAB或Python），我们不需要手动推导这些矩阵运算，直接调用成熟的算法包即可。但理解这个数学本质非常重要，它能帮助你在结果出现异常时，知道问题可能出在协方差矩阵计算（如变量存在完全共线性）还是特征值求解上。

2.3 结果解读：典型载荷、交叉载荷与冗余分析

算出结果不是终点，读懂结果才是关键。CCA的输出主要看三样东西：

1. 典型相关系数：就是ρ1, ρ2, ...。它衡量了每对典型变量之间关联的强度。通常只有前几对是显著的，需要做统计检验（如Bartlett的卡方近似检验）。
2. 典型权重：即系数向量a和b。它表示原始变量在构成其所在组的典型变量时的相对贡献。但要注意，当原始变量之间存在较强相关性时，典型权重可能不稳定，解释时要谨慎。
3. 典型载荷：这是更常用、更稳定的解释依据。它是原始变量与本组典型变量之间的相关系数。比如，X1与U1的相关系数很高，说明X1在U1所代表的综合模式中扮演重要角色。
4. 交叉载荷：原始变量与另一组典型变量之间的相关系数。比如，X1与V1的相关系数，这能直接显示X组的变量对Y组典型模式的直接影响，解释起来非常直观。
5. 冗余分析：这是一个极其重要的指标，却常被忽略。它回答一个问题：一组变量的典型变量，能解释另一组变量总变异的比例是多少？例如，X组的典型变量U1能解释Y组总方差的百分比。有时候典型相关系数很高，但冗余度很低，说明虽然找到的关联模式很强，但其代表性或预测能力有限。

在论文中，你应该用表格清晰列出前几对显著典型变量的典型相关系数、p值，并用文字结合典型载荷/交叉载荷表，阐述每一对典型变量所代表的实际意义。例如，“第一对典型变量显示，以‘工业能耗’和‘汽车保有量’为主导的经济发展模式（U1），与以‘PM2.5浓度’和‘臭氧超标天数’为特征的复合大气污染状况（V1）具有显著强相关（ρ1=0.87, p<0.01）”。

3. 典型相关分析的完整实现流程与代码详解

3.1 环境准备与数据预处理

工欲善其事，必先利其器。实现CCA，MATLAB和Python是两大主流工具，各有优劣。MATLAB的canoncorr函数非常成熟稳定，文档齐全；Python则在scikit-learn和statsmodels等库中提供了支持，更利于集成到复杂的数据分析管道中。这里我以Python为例，因为其开源和生态丰富的特点，在越来越多的比赛中被接受。

首先确保你的环境安装了必要的库：

pip install numpy pandas scikit-learn statsmodels matplotlib seaborn

数据预处理是建模成功的一半，对于CCA尤其如此：

1. 缺失值处理：CCA无法处理缺失值。必须检查并处理。对于连续变量，常用均值或中位数填充；对于分类变量，可用众数或单独作为一个类别。如果缺失太多，考虑删除该变量或样本。
2. 标准化：强烈建议对连续变量进行标准化（减去均值，除以标准差），使其均值为0，方差为1。这能消除量纲影响，让求得的系数具有可比性。对于分类变量，需要先进行哑变量编码。
3. 正态性检验与变换：虽然CCA对正态性的要求没有某些参数检验那么严格，但严重的偏态或异常值会影响协方差矩阵的估计，进而影响结果。可以绘制直方图、Q-Q图查看，或进行Shapiro-Wilk检验。对于严重偏态的数据，可尝试对数变换、平方根变换等。
4. 异常值检测：使用箱线图或Z-score方法（|Z| > 3）检测异常值。异常值会扭曲变量间的关系，需要根据实际情况决定是修正、删除还是保留。
5. 变量分组：根据你的研究问题，清晰地将变量划分为X组和Y组。这个划分需要基于理论或研究假设，不能随意。

import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler import statsmodels.api as sm # 假设df是你的DataFrame，包含所有变量 # 1. 划分X和Y X_vars = ['GDP', 'Investment', 'Service_Industry_Ratio'] Y_vars = ['PM25', 'Wastewater_Treatment_Rate', 'Green_Coverage_Rate'] X = df[X_vars].copy() Y = df[Y_vars].copy() # 2. 处理缺失值（示例用均值填充） X = X.fillna(X.mean()) Y = Y.fillna(Y.mean()) # 3. 标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) Y_scaled = scaler.fit_transform(Y) # 将标准化后的数据转为DataFrame，方便后续查看 X_scaled = pd.DataFrame(X_scaled, columns=X.columns) Y_scaled = pd.DataFrame(Y_scaled, columns=Y.columns)

3.2 基于Python的CCA核心计算步骤

我们可以使用statsmodels库中的CanonicalCorrelation类来实现。这个类提供了完整的CCA计算和检验功能。

from statsmodels.multivariate.cancorr import CanonicalCorrelation # 将数据转换为数组 X_array = X_scaled.values Y_array = Y_scaled.values # 创建CCA对象并拟合 cca = CanonicalCorrelation(X_array, Y_array) cca.fit() # 获取典型相关系数 print("典型相关系数：", cca.cancorr) # 这是一个数组，包含所有min(p,q)个典型相关系数 # 获取典型权重（系数） # cca.x_weights 对应X组的权重系数a # cca.y_weights 对应Y组的权重系数b print("X组典型权重（第一对）：\n", cca.x_weights[:, 0]) print("Y组典型权重（第一对）：\n", cca.y_weights[:, 0]) # 计算典型变量得分（即U和V的值） U = cca.x_scores # U = X * a V = cca.y_scores # V = Y * b # 例如，第一对典型变量得分 U1 = U[:, 0] V1 = V[:, 0]

3.3 统计显著性检验与结果可视化

算出系数后，不能直接就用。我们需要判断提取的典型相关系数是否在统计上显著（即是否真的存在关联，而非随机噪声）。statsmodels提供了方便的检验方法。

# 进行显著性检验（Wilks' Lambda, Pillai's Trace 等） test_results = cca.test_can_corr() print(test_results.summary()) # 通常我们最关心的是顺序检验（Sequential Test） # 它依次检验第k对及之后所有典型相关系数为零的原假设。 # 查看summary中的‘Wilks’ lambda’检验结果，关注p值。 # 如果第一行的p值显著（如<0.05），则说明至少第一对典型相关是显著的。 # 接着看第二行，如果也显著，说明第二对也显著，以此类推。

可视化能让你的论文和报告增色不少：

1. 典型相关系数碎石图：类似于主成分分析的碎石图，绘制每对典型变量的相关系数，帮助决定保留几对。
2. 典型载荷图：在二维平面上，以第一对典型变量为坐标轴，将每个原始变量作为一个点，其坐标就是该变量与两个典型变量的载荷（相关系数）。可以分别绘制X组和Y组的载荷图，或者将两组变量画在同一张图上（用不同颜色或形状），观察变量聚集模式。
3. 典型变量得分散点图：绘制第一对典型变量(U1, V1)的得分散点图，可以直观看到样本在这对关联模式上的分布，并检查是否有异常点。

import matplotlib.pyplot as plt import seaborn as sns # 1. 碎石图 plt.figure(figsize=(8,5)) plt.plot(range(1, len(cca.cancorr)+1), cca.cancorr, 'bo-', linewidth=2, markersize=8) plt.xlabel('典型变量对序号') plt.ylabel('典型相关系数') plt.title('典型相关系数碎石图') plt.grid(True, linestyle='--', alpha=0.7) plt.show() # 2. 计算典型载荷（原始变量与典型变量的相关系数） # 对于X组变量与X组典型变量U的载荷 x_loadings = np.corrcoef(X_array.T, U.T)[:len(X_vars), len(X_vars):] # 对于Y组变量与Y组典型变量V的载荷 y_loadings = np.corrcoef(Y_array.T, V.T)[:len(Y_vars), len(Y_vars):] # 绘制第一对典型变量的载荷图（以X组为例） plt.figure(figsize=(10,6)) for i, var in enumerate(X_vars): plt.arrow(0, 0, x_loadings[i, 0], x_loadings[i, 1], head_width=0.03, head_length=0.03, fc='blue', ec='blue', alpha=0.6) plt.text(x_loadings[i, 0]*1.1, x_loadings[i, 1]*1.1, var, color='blue', fontsize=12) # 添加参考圆 circle = plt.Circle((0,0), 1, color='gray', fill=False, linestyle='--') plt.gca().add_artist(circle) plt.axhline(y=0, color='k', linestyle='-', alpha=0.2) plt.axvline(x=0, color='k', linestyle='-', alpha=0.2) plt.xlabel('与第一典型变量U1的相关系数') plt.ylabel('与第二典型变量U2的相关系数') plt.title('X组变量典型载荷图（前两对）') plt.axis('equal') plt.grid(True, linestyle='--', alpha=0.5) plt.xlim(-1.2, 1.2) plt.ylim(-1.2, 1.2) plt.show() # 3. 典型变量得分散点图 plt.figure(figsize=(8,6)) plt.scatter(U[:, 0], V[:, 0], alpha=0.7, edgecolors='k') plt.xlabel('第一典型变量 U1 (X组综合指标)') plt.ylabel('第一典型变量 V1 (Y组综合指标)') plt.title('第一对典型变量得分散点图') plt.grid(True, linestyle='--', alpha=0.5) # 可以添加样本标签，如果样本数不多 # for i, txt in enumerate(df.index): # plt.annotate(txt, (U[i,0], V[i,0]), fontsize=9) plt.show()

3.4 冗余度计算与结果报告整合

最后，我们需要计算冗余度指标，并将所有关键结果整理成论文所需的表格。

# 计算冗余度 # 首先计算各原始变量的总方差（标准化后，每个变量的方差为1） # 因此，X组的总方差 = p (变量个数)， Y组的总方差 = q # X组的典型变量U解释X组自身方差的百分比（这个通常不是重点） # 重点是：X组的典型变量U解释Y组方差的比例，以及Y组的典型变量V解释X组方差的比例。 # 我们可以通过典型载荷的平方和来近似计算，或者使用更精确的公式。 # 这里介绍一种基于典型载荷平方和均值的方法（一种常用近似）： # 对于第k对典型变量： # X组变量被自身第k典型变量解释的方差比例 = (X组变量与Uk的载荷平方和) / p # X组变量被对方第k典型变量Vk解释的方差比例 = (X组变量与Vk的交叉载荷平方和) / p # 同理计算Y组的。 # 计算交叉载荷 (X变量与V典型变量的相关系数) x_cross_loadings = np.corrcoef(X_array.T, V.T)[:len(X_vars), len(X_vars):] y_cross_loadings = np.corrcoef(Y_array.T, U.T)[:len(Y_vars), len(Y_vars):] # 计算冗余度指标（以第一对为例） k = 0 # 第一对索引 # X组变量被V1解释的平均方差比例 redundancy_X_given_V1 = np.mean(x_cross_loadings[:, k]**2) # Y组变量被U1解释的平均方差比例 redundancy_Y_given_U1 = np.mean(y_cross_loadings[:, k]**2) print(f"第一典型变量V1解释X组变量的平均方差比例: {redundancy_X_given_V1:.4f}") print(f"第一典型变量U1解释Y组变量的平均方差比例: {redundancy_Y_given_U1:.4f}") # 整理结果到DataFrame，便于输出到论文 results_df = pd.DataFrame({ '典型变量对': [f'第{i+1}对' for i in range(len(cca.cancorr))], '典型相关系数': cca.cancorr, 'Wilks‘ Lambda检验p值': test_results.pvalues, # 从test_results中提取，可能需要根据实际输出调整 'X组被解释方差(冗余度)': [np.mean(x_cross_loadings[:, i]**2) for i in range(len(cca.cancorr))], 'Y组被解释方差(冗余度)': [np.mean(y_cross_loadings[:, i]**2) for i in range(len(cca.cancorr))] }) print("\n典型相关分析结果汇总表：") print(results_df.to_string(index=False))

4. 数学建模实战应用：从选题到论文写作的全流程

4.1 赛题适配性判断与变量设计

不是所有题目都适合用CCA。在拿到赛题后，快速判断是否适用CCA，可以看以下几点：

1. 问题本质：题目是否明确要求探究两组变量集之间的关系、影响或耦合机制？关键词如“关联分析”、“相互作用”、“影响路径”、“耦合协调度”等。
2. 数据特征：你是否拥有两组可以明确划分的变量？每组变量内部有一定相关性，但研究焦点是组间关系。
3. 往届案例：历年优秀论文中，处理类似问题用了什么方法？如果看到CCA或类似的多变量分析方法，可以大胆借鉴。

一旦确定使用CCA，变量设计就是重中之重。切忌把一堆变量不加区分地扔进去。X组和Y组的划分必须有理论或常识支撑。例如，在“电商用户行为与购买力”研究中，X组可以是“浏览行为”（页面停留时间、点击品类数、搜索次数），Y组是“购买表现”（客单价、复购率、折扣敏感度）。变量数量不宜过多，每组3-8个为宜，太多会导致结果不稳定、解释困难。优先选择代表性强的核心指标。

4.2 建模过程中的关键技巧与陷阱规避

在实际建模跑代码的过程中，有几个坑我几乎每次带学生都会遇到：

陷阱一：样本量不足。CCA要求足够的样本量。一个经验法则是样本数至少是变量总数的10倍，最好达到20倍。如果样本少变量多，结果极不可靠。解决方法：要么收集更多数据，要么先用主成分分析对每组变量进行降维，提取少数主成分作为新的变量集再进行CCA。

陷阱二：多重共线性。如果一组变量内部高度相关（例如，GDP和财政收入），会导致协方差矩阵接近奇异，计算不稳定，权重系数可能失真。解决方法：先检查变量间的相关系数矩阵，剔除相关性过高（如|r|>0.9）的变量之一，或者使用岭回归版的CCA（Ridge CCA）来增加数值稳定性。

陷阱三：过度解释。典型相关系数可能统计显著，但实际很小（比如0.3），此时虽然关联存在，但强度很弱，实际意义不大。一定要结合冗余度来看。如果冗余度很低（如<10%），说明找到的典型变量对解释对方变量总变异的贡献很小，这个结果的价值就需要打折扣。

技巧：标准化与中心化。再次强调，务必标准化。对于包含分类变量的情况，需要先进行哑变量编码，但要注意哑变量会导致变量集膨胀，可能加剧共线性和样本量不足的问题，需谨慎处理。

技巧：结果稳定性验证。可以通过自助法（Bootstrap）来验证典型权重和载荷的稳定性。随机重抽样多次运行CCA，观察系数分布。如果系数波动很大，说明结果不稳定，解释时要非常小心。

# 自助法（Bootstrap）验证示例（简略框架） n_bootstraps = 1000 bootstrap_weights_x = [] bootstrap_cancorr = [] for i in range(n_bootstraps): # 有放回地重抽样索引 indices = np.random.choice(len(X_array), size=len(X_array), replace=True) X_boot = X_array[indices, :] Y_boot = Y_array[indices, :] # 对重抽样数据运行CCA cca_boot = CanonicalCorrelation(X_boot, Y_boot) cca_boot.fit() # 存储第一对典型权重和相关系数 bootstrap_weights_x.append(cca_boot.x_weights[:, 0]) bootstrap_cancorr.append(cca_boot.cancorr[0]) # 计算权重系数的置信区间 bootstrap_weights_x = np.array(bootstrap_weights_x) ci_lower = np.percentile(bootstrap_weights_x, 2.5, axis=0) ci_upper = np.percentile(bootstrap_weights_x, 97.5, axis=0) print("X组第一典型权重系数的95%自助置信区间：") for var, lower, upper in zip(X_vars, ci_lower, ci_upper): print(f"{var}: [{lower:.3f}, {upper:.3f}]")

4.3 论文写作要点与图表呈现

在数学建模论文中，如何清晰有力地呈现CCA结果？

1. 方法描述部分：不要只写“我们使用了典型相关分析”。要简要说明其原理、目标（探究X组与Y组变量间的整体关联），并列出你划分的X组和Y组具体包含哪些变量，并说明数据经过了标准化等预处理。
2. 结果分析部分：
   • 表格先行：制作一个清晰的表格，展示前几对（通常2-3对）显著典型变量的典型相关系数、显著性p值、累积方差解释率（或冗余度）。这是核心结果。
   • 图文并茂：务必放入典型载荷图。在图中用箭头或点表示变量，解释哪些变量对当前典型变量贡献大（靠近坐标轴端点），并据此为每一对典型变量命名（如“粗放型发展-污染模式”），让分析立刻生动起来。
   • 文字解读：结合载荷图和交叉载荷，详细阐述每一对显著典型变量的实际含义。例如：“在第一对典型变量中，U1主要由‘工业能耗’和‘固定资产投资’正向驱动，而V1则与‘PM2.5’高度正相关、与‘绿地覆盖率’高度负相关。这表明，以高能耗投资为动力的发展模式，与大气污染加剧和生态空间挤占密切相关。”
   • 讨论冗余度：指出典型变量对对方变量集的解释能力（冗余度），客观评价模型的有效性。
3. 模型检验部分：汇报显著性检验结果（如Wilks‘ Lambda检验），说明保留了几对显著的典型变量。如果做了自助法验证，可以简要说明结果稳定性。
4. 避免的误区：
   • 不要只报告权重系数而忽略更稳定的载荷系数。
   • 不要对不显著的典型变量对进行过度解读。
   • 不要将典型相关关系直接等同于因果关系。CCA揭示的是关联，因果推断需要更严谨的设计。

5. 典型相关分析的常见问题与扩展思考

5.1 实操中高频问题排查指南

在实现CCA时，你可能会遇到各种报错或不合理的结果，下面是一些常见问题的排查思路：

5.2 超越基础CCA：扩展方法与模型选择

基础的CCA是线性模型，现实问题可能更复杂。当基础CCA效果不佳或问题有特殊要求时，可以考虑其扩展形式：

1. 稀疏典型相关分析：当变量非常多（如基因组学、文本数据）时，结果难以解释。稀疏CCA在目标函数中加入L1正则化惩罚，使得权重系数向量变得稀疏（很多系数为0），从而自动进行变量选择，只保留对关联贡献最大的变量，结果更简洁易懂。
2. 核典型相关分析：用于处理非线性关系。通过核函数将原始变量映射到高维特征空间，再在高维空间进行线性CCA，从而能够捕捉原始空间中复杂的非线性关联。
3. 深度典型相关分析：利用深度神经网络来学习两组数据之间的非线性映射和关联，是更强大的非线性扩展，适用于图像、语音等复杂数据。
4. 偏典型相关分析：当存在需要控制的协变量时使用。例如，研究教育投入（X）与学生成绩（Y）的关系，需要控制学生家庭背景（Z）的影响。偏CCA就是在剔除Z的影响后，再分析X和Y的典型相关。

在数学建模中，如果基础CCA结果不理想，在论文中简要讨论这些高级方法作为“模型优化方向”或“未来工作”，能体现你的知识广度和对问题复杂性的认识。

5.3 与其它多变量分析方法的比较与选择

CCA不是唯一分析多变量关系的方法，明确其定位有助于正确选用：

• 与多元回归的区别：多元回归有明确的因变量和自变量，用于预测。CCA没有明确的因变量，重在揭示两组变量的对称性关联结构。
• 与主成分分析的区别：PCA是针对一组变量降维，找内部结构。CCA是针对两组变量，找组间关联。可以理解为“关联导向的降维”。
• 与结构方程模型的区别：SEM可以处理更复杂的潜变量路径关系，包含测量模型和结构模型，能进行假设检验。CCA可以看作是SEM的一个特例或初步探索工具，更简单直观。
• 与偏最小二乘回归的区别：PLS回归也是处理两组变量，但它是不对称的，目的是用X预测Y，且侧重于最大化预测能力。CCA则是对称的，侧重于最大化相关性。如果研究目标明确是预测，PLS可能更合适；如果目标是理解两组变量的共享维度，CCA更合适。

选择的关键在于你的研究问题。如果问题是“哪些城市发展模式与哪些环境问题模式关联最强？”，用CCA。如果问题是“根据城市发展指标预测其环境综合得分”，用PLS或多元回归。

我个人在多次建模中体会是，CCA是一个强大的“探索性”和“描述性”工具。它帮你从数据中挖掘出故事主线，为后续更复杂的建模或决策提供清晰的洞察。不要把CCA的结果当作终点，而应视为深入分析的起点。例如，通过CCA找到了关键的影响模式后，你可以进一步用这些典型变量得分作为新的特征，去做聚类分析（看哪些城市属于同一发展-环境类型），或者做回归分析（探究典型变量与其他外部因素的关系）。把这个流程走通，你的论文在方法和深度上就能脱颖而出。