Una opción es obtener las frecuencias de todas las combinaciones de las compras de productos; seleccione el par de combinaciones más comunes; luego construir un modelo de regresión para predecir cada individuo de la combinación elegida. E. g., con una regresión logística binaria, se podría predecir la compra de una) de Vino Blanco, Queso, Fresas y Uvas vs b) de Vino tinto, queso Cheddar y Gouda. Con más de 2 combinaciones de estos, o si desea incluir la categoría de "ninguna de las anteriores," la regresión logística multinomial probablemente sería el método de elección.
Tenga en cuenta que incluso sólo el común de los combos significa que usted tendrá más viable números de cada uno, pero que va a estar excluyendo a los demás, al menos a partir de este procedimiento. Me imagino 7 elementos de la creación de decenas de combos de cada uno elegido por al menos un par de personas. Este es posiblemente demasiadas categorías para su tamaño de la muestra. Por otra parte, si un combo fueron elegidos por sólo un par de personas, su modelo tendría muy poca información para trabajar con.
Otra opción es utilizar el análisis cluster para llegar a un par de conjuntos de elementos que tienden a ser comprado juntos. Con 7 elementos, usted probablemente va a terminar con menos de 4 clusters, lo que podría hacer su tarea más fácil. Si se intenta un análisis de cluster y encontrar los resultados inviable, no hay ninguna razón por qué usted tiene que utilizarlos: sólo tienes que ir de nuevo a la frecuencia enfoque basado en el descrito anteriormente. En este caso, si he leído bien, usted está buscando el más descriptivo e interesante gama de categorías, y en el establecimiento de que, usted no necesita preocuparse acerca de los grados de libertad o de comparaciones múltiples o cualquier tipo de inquietudes que se puedan aplicar si estuviera tratando de múltiples métodos en la realización de algunos inferencial de la prueba.
