Questions tagged «pca»

我正在使用具有一个固定效果（条件）和两个随机效果（由于主题设计和配对而导致的参与者）的混合效果模型分析数据集。该模型是使用lme4包生成的exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp)。 接下来，我针对没有固定效果（条件）的模型对该模型进行了似然比检验，结果有显着差异。我的数据集中有3个条件，因此我想进行多重比较，但不确定使用哪种方法。我在CrossValidated和其他论坛上发现了许多类似的问题，但我仍然很困惑。 据我所见，人们建议使用 1.该lsmeans包- lsmeans(exp.model,pairwise~condition)这给了我下面的输出： condition lsmean SE df lower.CL upper.CL Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089 Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443 Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552 Confidence level used: 0.95 $contrasts contrast estimate SE df t.ratio p.value Condition1 - Condition2 -0.04893538 0.03813262 62.07 -1.283 0.4099 Condition1 - …

16 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

我知道常规的PCA不遵循概率模型来观察数据。那么PCA和PPCA之间的基本区别是什么？在PPCA中，潜变量模型包含例如观测变量，潜变量（未观察变量x）和矩阵W，矩阵W不必像常规PCA那样是正交的。我可以想到的另一个区别是，常规PCA仅提供主要组件，而PPCA提供了数据的概率分布。yyyxxxWWW 有人可以进一步谈谈PCA和PPCA之间的区别吗？

15 pca 

我正在使用主成分分析（PCA）创建研究所需的索引。我的问题是我应该如何使用通过PCA计算出的保留主成分来创建单个索引。 例如，在使用PCA之后，我决定保留3个主要成分，并计算了这3个主要成分的得分。为每位受访者从这三个分数中创建一个索引的合适方法是什么？ 将3个计算所得的分数相加得到一个复合值是否有意义？ 还是将这3个分数取平均值才能获得这样的价值？ 还是只保留第一个主成分（最强）并将其分数用作索引？ 或者，可以使用因子分析（FA），但仍然存在相同的问题：如何基于多个因子得分创建单个索引？

15 pca  factor-analysis  rating  composite  scale-construction 

我想查看是否去岭回归，LASSO，主成分回归（PCR），或偏最小二乘（PLS）中的情况下有大量的变量/特征（）和样品的较小数量（Ñ < p），而我的目标是预测。pppn < pn<pn np > 10 np>10np>10n 变量（和Y）以不同程度相互关联。XXXÿYY 我的问题是哪种策略最适合这种情况？为什么？

15 regression  pca  lasso  ridge-regression  partial-least-squares 

这些术语混在一起，但我想知道您认为差异是什么，如果有的话。 谢谢

15 pca  text-mining  svd 

不久前，R-help邮件列表上的用户询问了在回归中使用PCA分数的合理性。用户正在尝试使用一些PC分数来解释另一台PC的变化（请参见此处的完整讨论）。答案是不，这不是声音，因为PC彼此正交。 有人可以详细解释为什么会这样吗？

15 regression  pca 

我有一个包含11个变量的数据集，并进行了PCA（正交）处理以减少数据量。根据我对主题和碎石图的了解，确定要保留的组成部分数量对我来说很明显，两个主要组成部分（PC）足以解释数据，而其余组成部分仅提供较少的信息。 具有并行分析的Scree图：观察到的特征值（绿色）和基于100次仿真的模拟特征值（红色）。Scree图建议使用3台PC，而并行测试仅建议使用前两台PC。 如您所见，前两台PC只能捕获到48％的方差。 由前两台PC在第一平面上绘制的观测结果显示，使用分层聚类聚类（HAC）和K均值聚类，得到了三个不同的聚类。事实证明这3个类别与所讨论的问题非常相关，并且也与其他发现一致。因此，除了仅捕获了48％的方差这一事实以外，其他一切都很好。 我的两位审稿人中的一位说：一位不能太依赖于这些发现，因为只能解释48％的方差，而且这个方差小于要求。 问 是否有任何需要多大的变化应该由PCA捕捉到有效的价值？它不依赖于所使用的领域知识和方法吗？有人可以仅根据所解释的方差的值来判断整个分析的优点吗？ 笔记 数据是通过一种称为实时定量聚合酶链反应（RT-qPCR）的分子生物学中非常敏感的方法测量的11个基因变量。 使用R进行分析。 数据分析人员基于他们在微阵列分析，化学计量学，光谱分析等领域中解决现实生活问题的个人经验，给出了很多答案。 请考虑为您的回答提供尽可能多的参考。

15 variance  pca 

使用此数据： head(USArrests) nrow(USArrests) 我可以这样进行PCA： plot(USArrests) otherPCA <- princomp(USArrests) 我可以在中获得新组件 otherPCA$scores 和方差的比例由组件解释 summary(otherPCA) 但是，如果我想知道哪些变量主要由哪些主要成分来解释？反之亦然：例如PC1或PC2是否主要由解释murder？我怎样才能做到这一点？ 例如，我可以说PC1是由murder或解释的80％assault吗？ 我认为载荷在这里对我有帮助，但它们显示的是方向性，而不是我理解的方差，例如 otherPCA$loadings Loadings: Comp.1 Comp.2 Comp.3 Comp.4 Murder 0.995 Assault -0.995 UrbanPop -0.977 -0.201 Rape -0.201 0.974

15 r  pca  dimensionality-reduction  regression-strategies 

当查看协方差矩阵的特征向量时，我们得到最大方差的方向（第一个特征向量是数据变化最大的方向，等等）；这称为主成分分析（PCA）。 我想知道查看互信息矩阵的特征向量/值是什么意思，它们会指向最大熵的方向吗？

14 pca  entropy  mutual-information  eigenvalues 

我目前正在查看用于“因子分析”（据我所知的PCA）的幻灯片集。 其中，得出了“因子分析的基本定理”，它声称可以使用因子加载矩阵（）恢复进入分析的数据的相关矩阵（）：RR\bf RAA\bf A R=AA⊤R=AA⊤\bf R = AA^\top 但是，这使我感到困惑。在PCA中，“因子负载”矩阵由数据协方差/相关矩阵的特征向量矩阵给出（因为我们假设数据已经标准化，所以它们是相同的），每个特征向量都按比例缩放为具有长度一。此矩阵是正交的，从而这是在一般不等于。AA⊤=IAA⊤=I\bf AA^\top = IRR\bf R

14 pca  factor-analysis  terminology  definition 

我了解Bartlett检验与确定您的样本是否来自方差相等的总体有关。 如果样本来自方差相等的总体，则我们无法拒绝检验的原假设，因此，主成分分析是不合适的。 我不确定这种情况（具有同方差数据集）的问题在哪里。拥有所有数据的基础分布都相同的数据集会出现什么问题？如果存在这种情况，我只是没什么大不了的。为什么这会使PCA不合适？ 我似乎无法在网上找到任何好的信息。有人解释这一测试为何与PCA有关的经验吗？

14 variance  pca  heteroscedasticity 

在进行随机森林分类之前进行PCA是否有意义？ 我正在处理高维文本数据，并且我想进行特征缩减以帮助避免维数的诅咒，但是Random Forests是否已经在某种程度上降低了维度？

14 classification  pca  random-forest  dimensionality-reduction  high-dimensional 

考虑以下PCA双线图： library(mvtnorm) set.seed(1) x <- rmvnorm(2000, rep(0, 6), diag(c(5, rep(1,5)))) x <- scale(x, center=T, scale=F) pc <- princomp(x) biplot(pc) 有一堆红色箭头，它们是什么意思？我知道标有“ Var1”的第一个箭头应指向数据集变化最大的方向（如果我们认为它们是2000个数据点，则每个都是大小为6的向量）。我还从某处读取，变化最大的方向应该是第一特征向量的方向。 但是，请阅读R中的biplot代码。有关箭头的线是： if(var.axes) arrows(0, 0, y[,1L] * 0.8, y[,2L] * 0.8, col = col[2L], y实际在哪里是荷载矩阵，它是特征向量矩阵。所以它看起来像第一个箭头实际上是从指向(0, 0)到(y[1, 1], y[1, 2])。我了解我们正在尝试在2D平面上绘制高维箭头。这就是为什么我们要使用y[1, ]向量的第一和第二元素。但是我不明白的是： 第一特征向量方向y[, 1]不是由表示的向量y[1, ]吗？（同样，这y是通过PCA或通过的特征分解获得的特征向量矩阵t(x) %*% x），即特征向量应该是列向量，而不是那些水平向量。 即使我们将它们绘制在2D平面上，我们也应该绘制第一个方向从(0, 0)指向(y[1, 1], y[2, 1])？

14 r  pca  linear-algebra  biplot 

作为大学任务的一部分，我必须对相当庞大的多元（> 10）原始数据集进行数据预处理。我不是一个统计学家，所以我对发生的事情有些困惑。提前道歉可能是一个可笑的简单问题-在查看了各种答案并试图通过统计数据发言后，我的头开始旋转。 我读过： PCA使我可以减少数据的维数 它是通过合并/删除大量相关的属性/维度来实现的（因此是不必要的） 它是通过在协方差数据上找到特征向量来实现的（这要归功于我学习了一个很好的教程） 太好了 但是，我真的很想知道如何将其实际应用到我的数据中。例如（如果我要使用类似...的数据集，这不是我将要使用的数据集，而是尝试一个不错的示例，人们可以使用）。 PersonID Sex Age Range Hours Studied Hours Spent on TV Test Score Coursework Score 1 1 2 5 7 60 75 2 1 3 8 2 70 85 3 2 2 6 6 50 77 ... ... ... ... ... ... ... …

14 pca 

我正在使用脚本。它用于核心记录。我有一个数据框，该数据框显示了给定深度（第一列）中各列的不同元素组成。我想用它来执行PCA，我对必须选择的标准化方法感到困惑。 你们中有没有人使用clr()来准备的数据prcomp()？还是将我的解决方案掺假了？除了在中使用属性scale之外，我还尝试clr()在使用prcomp()函数之前对数据使用on prcomp()。 data_f_clr<- clr(data_f) data_pca <- prcomp(data_f, center = TRUE, scale. = TRUE) https://stat.ethz.ch/R-manual/R-devel/library/stats/html/prcomp.html 描述scale是为了缩放数据，因此它们具有单位差异。我想我的数据规模与我想要的完全不同。问题是，当我使用上面的代码或跳过时clr()（这会产生更想要的结果），我收到了不同的解决方案。但是我想知道为什么clr()在这种情况下令人不安？

13 r  pca  normalization  compositional-data