欠損値の PCA 推定法 (対数変換)<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />やあ、
私は統計の初心者であり、JMP の初心者でもあります。 80 行 x 10 列 (800 値) の比較的小さな環境データ セットで、JMP の PCA 共分散モジュールを使用しようとしています。 私の目標は、データ セットを減らして、10 個の変数 (列内) が 80 か所 (80 行) で共変動するかどうかを予測できるようにすることです。 変数の単位はすべて同じで、データを log10 変換しました。
私の問題は、一部のセルの値が欠落していることです (つまり、変数が LOD で検出されなかった場所)。 デフォルトの推定方法 (REML) を使用すると、PC1 によって説明される分散の約 80% が得られます。 しかし、Row-Wise メソッドで正確なデータを使用すると、この値は 60% に低下します。 その理由を理解したいと思います。 REML がすべてのデータを使用しており、Row-Wise メソッドでは欠損値が省略されているようです。 しかし、代わりにゼロを使用して計算された分散を減少させることは、この点で何を意味するのでしょうか? 私にとっての全体的な質問は、欠損値がデータセットの非検出によるものである場合、データを解釈する際に最も保守的な方法はどれですか?
また、欠損値の問題を回避するために、log10 変換されたデータ セットに +1 を追加しようとしましたが (別のフォーラムからのヒント)、JMP では、log10 変換された空のセルに +1 を追加することはできません。 JMPPro12を使用しています。
助けてくれてどうもありがとう！ サーシャ
Re: 欠損値の PCA 推定法 (対数変換)DanO さん、ありがとうございます。このステートメントを自分のデータで使用してみます。
Re: 欠損値の PCA 推定法 (対数変換)ありがとう、ジャンカオ！ それは大いに役立ちます！
Re: 欠損値の PCA 推定法 (対数変換)jiancao はモデリングの質問に答えましたが、JMP では、対数変換の欠損値の代わりに 1 を使用することはできないと述べました。 実際には可能ですが、次のような条件ステートメントを追加するだけです。
Re: 欠損値の PCA 推定法 (対数変換)REML は線形多変量正規モデルを想定しています。これは、すべての変数が他のすべての変数に線形に関連しており、各変数が正規分布していることを意味します。 あなたがしたことは合法です。 極端な外れ値などのために、変数が大きく偏っていないことを確認してください。
Re: 欠損値の PCA 推定法 (対数変換)どうもありがとう、Jiancao!
非検出は完全にランダムではないため、REML は私の直感でもありました (たとえば、80 か所すべての特定のグループでいくつかの変数が検出されませんでした)。
REMLを使用して、私が想定する多変量正規分布に注意する必要があるとおっしゃいました。 これは正確には何を意味し、データのこの正規分布をどのように確認できますか? これまでに行ったことは、JMP の分布正規分位点プロットを使用して各変数の分布を確認することです。 目で見ると、各変数のすべてのポイントが信頼区間内の線形パターンに従っていることがわかります。 それは合法的な方法ですか？
再度、感謝します、
サーシャ
Re: 欠損値の PCA 推定法 (対数変換)行単位の方法では、欠落しているセルが少なくとも 1 つある場合は常に、全体の行が推定から除外されます。 0 に置き換えません。 REML は、推定に欠損していないセルをすべて使用します。つまり、その行の欠損セルのみを使用しません。 そのため、データが欠落している場合、Row-wise で使用される実際のデータは REML よりも少なくなります。
どちらの方法がより保守的であるか、またはより優れているかを特定するのは困難です。それは、欠落の性質によって異なります。 それらの非検出は完全にランダムですか?その場合、行ごとの方法を使用しても問題ない可能性があります。 それ以外の場合は、REML を使用します。これは、基本的には混合モデルをフィッティングすることによる欠損データ代入法であるためです。ただし、想定される多変量正規分布に注意してください。 個人的にはREMLがいいと思います。
