Grundlegende Interpretation von PCA-DiagrammenHallo zusammen, ich habe mich gefragt, ob jemand das zweite Diagramm erklären kann, das nach der allgemeinen PCA-Analyse in JMP angezeigt wird. Typischerweise werden drei Diagramme angezeigt: ein Eigenwertdiagramm, ein zweites Streudiagramm und das Belastungsdiagramm. Welche Beziehung besteht zwischen dem zweiten Diagramm und dem Ladediagramm? Mir ist aufgefallen, dass das Ladediagramm normalerweise viel mehr Details enthält als das zweite Streudiagramm. Danke!
Erweiterte statistische ModellierungDatenexploration und -visualisierungRe: Grundlegende Interpretation von PCA-PlotsDanke Georg das war auch sehr hilfreich! Es hat mir geholfen, die Biplot-Ansicht aus dem PCA-Plot und dem Ladediagramm abzuleiten.
Re: Grundlegende Interpretation von PCA-PlotsDanke Dan, das war sehr hilfreich!
Re: Grundlegende Interpretation von PCA-Plots@ Kristall007 dazu gibt es viele hervorragende Informationen im Programm, zB mal anschauen
- einige Beispiele im Statistikindex (Hilfe --> Statistikindex) oder in anderen Beispieltabellen
- Drücken Sie im Bericht "?" und Zeigen Sie auf den Teil des Berichts, zu dem Sie Fragen haben
- im Handbuch (Multivariate Methoden, Kapitel 4 PCA)
- ...
Re: Grundlegende Interpretation von PCA-PlotsEs gibt viele Möglichkeiten, PCA zu erklären, aber hier ist eine Erklärung.
Das zweite Diagramm ist das Streudiagramm von PC1 und PC2. Dies ist ein Diagramm der Beobachtungen auf den neuen PC-Koordinatenachsen. Ihr könnt es euch als eine zweidimensionale Ansicht eures ursprünglichen mehrdimensionalen Raums vorstellen. Es kann Ihnen Auskunft über Beziehungen zwischen den Beobachtungen geben.
Der dritte Graph ist der Plot der Eigenwerte für die ersten beiden PCs. Dies kann Ihnen Auskunft über die Beziehungen zwischen den Variablen geben.
Die beiden zusammen: Angenommen, Sie sehen einen äußeren Punkt im oberen rechten Teil des zweiten Diagramms. Sehen Sie sich die dritte Grafik an und sehen Sie, welche Variablen in diese Richtung zeigen. Dieser äußerste Punkt ist wahrscheinlich hoch in diesen Variablen. Ebenso hätten alle Variablen in der entgegengesetzten Richtung niedrige Werte für die ursprünglichen Variablen.
