Design crossover e PCACiao,
È accettabile applicare PCA come metodo di riduzione variabile ai dati raccolti da una progettazione crossover in cui ogni partecipante è stato sottoposto a due livelli dello stesso fattore? Ogni osservazione consiste di 1060 variabili.
Grazie
Re: design crossover e PCAQuando hai scritto '... riduzione variabile ...' stai cercando di identificare un insieme più piccolo di variabili influenti all'interno di un contesto di modellazione per spiegare o prevedere il comportamento di un sistema? Se è così, si consiglia una tecnica di 'identificazione variabile'. In generale, la PCA viene utilizzata come tecnica di riduzione della dimensionalità ... non una tecnica di identificazione variabile. Esistono diversi metodi di modellazione in JMP e ancor più in JMP Pro insieme a piattaforme companion / di supporto come Confronto modelli, Crea colonna di convalida e Depot di formula (tutto solo per JMP Pro) che può essere utilizzato per l'identificazione delle variabili. Quale metodo funziona meglio è una questione di contesto, i tuoi dati e il problema pratico a portata di mano.
Re: design crossover e PCAGrazie per la risposta. Potrei non essermi espresso bene. Voglio ottenere i punteggi dai miei dati di progettazione crossover e utilizzare quei punteggi come variabili di input per qualcos'altro. Sarebbe un approccio valido?
Re: design crossover e PCANon sono ancora sicuro al 100% della struttura del tuo progetto sperimentale. Ci sono N soggetti e ad ogni soggetto è stato somministrato il trattamento A e il trattamento B? E dove entrano in gioco le variabili "1060"? Queste variabili "1060" sono attributi di ciascun soggetto? Forse puoi condividere la tabella dei dati JMP?
Re: design crossover e PCASì, ho N bovine (soggetti) e ogni mucca ha ricevuto il trattamento A e il trattamento B. Un campione di latte prelevato da ciascuna vacca (soggetto) e FTIR (Fourier Transform Infrared) è stato registrato per quel campione di latte. Lo spettro FTIR contiene 1060 variabili spettrali, o numeri d'onda come si dice. Mi chiedo se le osservazioni accoppiate sarebbero un problema per il calcolo dei punteggi PCA. Questo calcolo richiede l'indipendenza delle osservazioni? Se sì, sto violando questa ipotesi in questo caso?
Re: design crossover e PCAStai trattando i valori FTIR come predittori o risposte?
Re: design crossover e PCArisposte
Re: design crossover e PCAOK ... Penso di capire cosa stai cercando di fare ... dato che i valori FTIR sono risposte e sembra che tu userai l'output PCA per qualche altro scopo, suppongo che non vedo alcun problema con l'azione di usare questi valori per creare autovalori, ecc. Potresti voler vedere se ci sono differenze apprezzabili tra i risultati dell'APC per trattamento. Potrebbe essere inclemente utilizzare una tecnica di modellazione come minimi quadrati parziali per vedere cosa puoi imparare lì anche se non ti sembra di essere nello spazio di modellazione con questo particolare set di dati. Il tuo problema sembra non troppo dissimile dalla tabella dati Baltic.jmp ... anche se si tratta di un tavolo molto più piccolo.
Re: design crossover e PCA @P_Bartell Grazie per la tua risposta e il tuo tempo, lo apprezzo davvero.
