Uma opção é obter frequências de todas as combinações de compra de produtos; selecione as poucas combinações mais comuns; depois, construa um modelo de regressão para prever a combinação escolhida de cada indivíduo. Por exemplo, com uma regressão logística binária, é possível prever a compra de a) Vinho Branco, Brie, Morangos e Uvas vs. b) Vinho Tinto, Cheddar e Gouda. Com mais de duas dessas combinações, ou se você deseja incluir a categoria "nenhuma das opções acima", a regressão logística multinomial provavelmente seria o método de escolha.
Observe que incluir apenas os combos comuns significa que você terá números mais viáveis de cada um, mas excluirá os outros, pelo menos deste procedimento. Eu poderia imaginar 7 itens criando dezenas de combos, cada um escolhido por pelo menos algumas pessoas. É possível que haja muitas categorias para o tamanho da amostra. Além disso, se uma combinação fosse escolhida por apenas algumas pessoas, seu modelo teria muito pouca informação para trabalhar.
Outra opção é usar a análise de cluster para chegar a alguns conjuntos de itens que tendem a ser comprados juntos. Com 7 itens, você provavelmente terminará com menos de 4 clusters, o que pode facilitar sua tarefa. Se você tentar a análise de cluster e achar os resultados impraticáveis, não há razão para usá-los: basta voltar à abordagem baseada em frequência descrita acima. Nesse caso, se eu entendi direito, você está procurando o conjunto de categorias mais descritivo e interessante e, ao estabelecer isso, não precisa se preocupar com graus de liberdade ou com múltiplas comparações ou com quaisquer preocupações que possam se aplicar. se você estava tentando vários métodos na execução de algum teste inferencial.