运用分布图分析变量类别间的关系时可以采用两种方法：

一种是分解法（Decomposi-tional Method）。例如多维标度（Multidimentional Scaling）就属于分解法分析技术，使用多维标度技术分析顾客对不同品牌商品的喜好时，每个被访者只需对不同品牌是否相似或喜欢什么品牌作一个总体的评价，随后这些总体评价会被分解成若干维度，从而在分布图上将不同品牌的差异表现出来。

另一种方法是构成法（Compositonal Method）。用构成法分析顾客对不同品牌商品的喜好时，每个被访者需对不同品牌商品的每一个特征分别进行评价，然后再从这些评价中得出品牌相似或品牌喜好的总体评价。在多元统计分析方法中，对应分析、因子分析和判别分析都是常用的构成法分析技术。

以下我们讨论的是构成法中常用的对应分析方法在品牌研究中的应用。

一、有关概念
在品牌研究中，通常会运用到大量的态度、心理、行为等变量，在数据分析时，常常用交叉表的形式来描述属性变量，比如品牌的个性（见表1）。当交叉表的列和行取值都较少时，把所得到的数据放到一张交叉表中，就可以很直观地对行与列之间及它们的各种取值的相关性做出判断。但当交叉表的列和行取值都比较多时，就很难正确地做出判断，此时利用对应分析降维的思想以简化交叉表的结构就是一个很好的化繁为简的分析工具。对应分析能够显示出几种定类数据之间的空间关系，能找出被访者比较一致的看法，以及他们在回答问题时主要是从哪些角度考虑的，很适合用于品牌形象分析、品牌偏好分析和定位分析。

由于对应分析所需的数据形式为定类数据，被访者不一定必须回答从“非常同意”到“非常不同意”这样的李克特（Likert）量表，并且被访者不需对所有的品牌进行评价，可以只对其中一部分品牌进行评价，能大大减低被访者的负担及节约访问时间。但是不可否认如果用5级甚至10级量表来衡量所有项目，那么数据拟合的效果可能会更好，但是由此给被访者造成大量的负担也并不值得。因此对应分析为我们提供了一个选择：必须在更多的评分项目和较低的准确度之间结合研究任务和目的来进行权衡。

对于所分析的调查数据，需具备以下一些假设条件：
1.输入数据必须是定类形式的数据；
2.调查对象必须有代表性；研究对象要有可比性；
3.变量的类别应当涵盖所有可能出现的情况，例如在品牌形象中，有女性化，也应该有男性化的；
4.被访者回答问题时并不需从同一角度做出回答；
5.所有被访者对于某一维度重要性的评价不必一样；
6.被访者做出评价时所考虑的角度、对每个维度重要性的看法会随着时间推移而改变，不一定保持同一看法。

即使对应分析能够处理以定类形式表示的任何类型的数据，但只有在下列情况下，对应分析才能发挥最大效用：
1.数据矩阵的规模应该足够大（即行数和列数应该足够多），通过简单的视觉检测难以发现行和列之间的关联；
2.变量必须属于同一基本类型，这样才能对行和列之间的距离做出有意义的解释；
3.事先未知数据矩阵的结构，或者无法理解数据矩阵的结构。

当然对应分析方法也有它的局限性，在分析时要注意下列情况：
1.不能用于相关关系的假设检验。对应分析只是一种描述性的统计分析方法，它只可以揭示变量间的联系，但不能说明两个变量之间存在的联系是否显著。
2.对应分析是一种减少维度的方法，在分析过程中，降维的处理必然会造成一定信息量的损失，在客户对数据精度要求高于信息解释度时将不适合使用此分析方法。
3.在分析过程中，极端值对分析的结果影响很大，注意在进行对应分析前需检查数据的有效性，清除极端值。