离散数据和PCA的替代方案

我有一个离散的数据集（常规，特征和名义），这些变量描述了几种紧密相关的昆虫的形态翅膀特征。我要做的是进行某种分析，以便根据形态特征直观地呈现不同物种的相似性。首先出现在我脑海中的是PCA（这是我要创建的可视化类型），但是在研究之后（尤其是其他问题，例如：主成分分析可以应用于包含连续数据的混合数据集吗？和分类变量？），似乎PCA可能不适用于离散数据（文献中这些类型的研究中使用了PCA，但始终使用连续数据）。忽略了为什么该数据不合适的统计背景，PCA确实在我的生物学问题上给了我相对完美的结果（感兴趣的杂交人群恰好位于其父辈群体的中间）。

我还尝试了多种对应关系分析以安抚统计数据（至少就我的理解而言），但是我似乎无法获得与PCA相似的图，其中我的观察值（生物学个体）用颜色分开表示不同的分组（不同的物种，从生物学上来说）。似乎该分析旨在描述变量（在这里是我的形态特征）如何相互关联，而不是各个观察结果之间的关联。当我按组对观察结果进行绘制时，我只能得到描述整个个体的单个值（也许是平均值）。我已经在R中完成了分析，所以也许我还不够R精明，无法使我对工作情节有所了解。

我对数据进行这种分析是否正确，还是偏离轨道？如果您无法判断，我的统计专业知识是有限的，因此在这些分析下发生的方程式一直困扰着我。我正在尝试完全描述性地进行此分析（我不再需要进行任何下游数字运算），并且我已经读到，如果是这种情况，PCA就足够了，但是想确保我不会违反了太多的统计假设。

这一点取决于您的目的，但是如果您使用可视化工具，则可以将多维比例缩放应用于随机森林接近度的输出，这可以产生漂亮的图片，并且可以处理分类数据和连续数据。在这里，您将根据预测变量对物种进行分类。但是-这是一个很大的警告-我不知道是否有人真的知道这些可视化输出的含义。

另一种选择是对诸如高尔相似度之类的东西应用多维缩放。

有一个悬而未决的问题-您的最终目的是什么？您想回答什么问题？我喜欢将这些技术用作探索性工具，也许可以引导您提出更多更好的问题，但是我不确定它们是如何解释或告诉您的。

也许我在您的问题上读得太多了，但是如果您想探索哪些预测变量具有两个纯种之间的杂种的值，则最好建立一个模型来估算导致物种和杂种直接。如果您想测量变量之间的相互关系，则可以建立一个相关矩阵-对此有很多简洁的可视化方法。