缺失值的PCA估計方法（對數轉換）<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好呀，
我是統計學和 JMP 的初學者，所以我希望有人能幫助我解決以下問題。 我嘗試在 80 行 x 10 列（800 個值）的相對較小的環境資料集上使用 JMP PCA 協方差模組。 我的目標是減少資料集，以便我可以預測 10 個變數（列中）是否在 80 個位置（80 行）中共同變化。 這些變數具有所有相同的單位，並且我對資料進行了 log10 轉換。
我的問題是某些單元格缺少值（即在 LOD 中未檢測到變數的位置）。 當我使用預設估計方法 (REML) 時，我得到了 PC1 解釋的大約 80% 的變異數。 但當我使用 Row-Wise 方法的精確數據時，該值下降到 60%。 我想了解為什麼。 我知道 REML 正在使用我的所有數據，而 Row-Wise 方法顯然忽略了缺少的值。 但是，在這方面，省略意味著什麼，使用零代替，從而減少計算的變異數？ 對我來說，總體問題是，當缺失值是由於資料集中的未檢測到而導致時，哪種方法在解釋資料時最保守？
另外，我嘗試向 log10 轉換的資料集添加 +1 以避免缺失值問題（來自另一個論壇的提示），但 JMP 不允許我向空的 log10 轉換單元格添加 +1。 我正在使用 JMPPro 12。
非常感謝你的幫忙！ 薩沙
回覆：缺失值的PCA估計方法（對數轉換）謝謝 DanO，我會嘗試將這個聲明與我的數據一起使用！
回覆：缺失值的PCA估計方法（對數轉換）太好了，非常感謝你，健草！ 這很有幫助！
回覆：缺失值的PCA估計方法（對數轉換）jiancao 回答了建模問題，但您表示 JMP 不允許您用 1 取代對數轉換中的缺失值。 事實上，你可以，但你只需要加入一個條件語句，如下所示：
回覆：缺失值的PCA估計方法（對數轉換）REML 假設一個線性多元常態模型，這意味著每個變數都與其他每個變數線性相關，並且每個變數都呈現常態分佈。 你所做的是合法的。 只需確保您的變數不會因極端異常值等而高度傾斜。
回覆：缺失值的PCA估計方法（對數轉換）非常感謝你，健草！
REML 也是我的直覺，因為未檢測到的情況並非完全隨機（例如，在我的所有 80 個位置的某個組中未檢測到某些變量）。
您提到我應該了解我使用 REML 假設的多元常態分佈。 您到底是什麼意思？我該如何檢查資料的常態分佈？ 到目前為止，我所做的是使用 JMP 中的分佈常態分位數圖檢查每個變數的分佈。 僅憑肉眼，我就可以看到每個變數的所有點都遵循置信區間內的線性模式。 這是合法的方式嗎？
再次感謝，
薩沙
回覆：缺失值的PCA估計方法（對數轉換）行方式方法會在至少有一個缺失單元格的情況下從估計中排除整行；它不會替換 0。 REML 在其估計中使用所有非缺失單元格，換句話說，僅不使用該行中的缺失單元格。 因此，當有缺失資料時，Row-wise 實際使用的資料比 REML 少。
很難肯定地說哪種方法更保守或更好——這取決於缺失的性質。 那些未偵測到的情況是完全隨機的嗎？如果是這樣，可以使用逐行方法。 否則請使用 REML，因為它本質上是一種透過擬合混合模型來進行缺失資料插補的方法，但只需注意假設的多元常態分佈。 就我個人而言，我會選擇 REML。
