缺失值的PCA估计方法（对数变换）<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好呀，
我是统计学和 JMP 的初学者，所以我希望有人能帮助我解决以下问题。 我尝试在 80 行 x 10 列（800 个值）的相对较小的环境数据集上使用 JMP PCA 协方差模块。 我的目标是减少数据集，以便我可以预测 10 个变量（列中）是否在 80 个位置（80 行）中共同变化。 这些变量具有相同的单位，并且我对数据进行了 log10 转换。
我的问题是某些单元格缺少值（即在 LOD 中未检测到变量的位置）。 当我使用默认估计方法 (REML) 时，我得到了 PC1 解释的大约 80% 的方差。 但当我使用 Row-Wise 方法的精确数据时，该值下降到 60%。 我想了解为什么。 我知道 REML 正在使用我的所有数据，并且 Row-Wise 方法显然忽略了缺失的值。 但是，在这方面，省略意味着什么，使用零代替，从而减少计算的方差？ 对我来说，总体问题是，当缺失值是由于数据集中的未检测到而导致时，哪种方法在解释数据时最保守？
另外，我尝试向 log10 转换的数据集添加 +1 以避免缺失值问题（来自另一个论坛的提示），但 JMP 不允许我向空的 log10 转换单元格添加 +1。 我正在使用 JMPPro 12。
非常感谢你的帮助！ 萨沙
回复：缺失值的PCA估计方法（对数变换）谢谢 DanO，我会尝试将这个声明与我的数据一起使用！
回复：缺失值的PCA估计方法（对数变换）太好了，非常感谢你，健草！ 这很有帮助！
回复：缺失值的PCA估计方法（对数变换）jiancao 回答了建模问题，但您表示 JMP 不允许您用 1 代替对数转换中的缺失值。 事实上，你可以，但你只需要添加一个条件语句，如下所示：
回复：缺失值的PCA估计方法（对数变换）REML 假设一个线性多元正态模型，这意味着每个变量都与其他每个变量线性相关，并且每个变量都呈正态分布。 你所做的是合法的。 只需确保您的变量不会因极端异常值等而高度倾斜。
回复：缺失值的PCA估计方法（对数变换）非常感谢你，健草！
REML 也是我的直觉，因为未检测到的情况并非完全随机（例如，在我的所有 80 个位置的某个组中未检测到某些变量）。
您提到我应该了解我使用 REML 假设的多元正态分布。 您到底是什么意思？我如何检查数据的正态分布？ 到目前为止，我所做的是使用 JMP 中的分布正态分位数图检查每个变量的分布。 仅凭肉眼，我就可以看到每个变量的所有点都遵循置信区间内的线性模式。 这是合法的方式吗？
再次感谢，
萨沙
回复：缺失值的PCA估计方法（对数变换）行方式方法会在至少有一个缺失单元格的情况下从估计中排除整行；它不会替换 0。 REML 在其估计中使用所有非缺失单元格，换句话说，仅不使用该行中的缺失单元格。 因此，当存在缺失数据时，Row-wise 实际使用的数据比 REML 少。
很难肯定地说哪种方法更保守或更好——这取决于缺失的性质。 那些未检测到的情况是完全随机的吗？如果是这样，可以使用逐行方法。 否则请使用 REML，因为它本质上是一种通过拟合混合模型来进行缺失数据插补的方法，但只需注意假设的多元正态分布。 就我个人而言，我会选择 REML。
