2つの結果を分離するためのPCAこんにちは、
患者群の2値アウトカムと、測定された変数（つまり、潜在的な予測因子／特性）の長いリストがあります。セット全体に対してPCAを実行することも、各セット（つまり、陽性患者と陰性患者を個別に）に対してPCAを実行することもできます。しかし、私が本当に知りたいのは、陽性と陰性を最もよく区別する2つの主成分は何かということです。判別分析を少し試してみましたが、まだあまり進んでいません。何かアドバイスや提案があればいただければ幸いです。
ありがとう！
ウリエル
高度な統計モデリングRe：2つの結果を分離するPCAこんにちは、
分類に最も関連する変数をフィルタリング/フォーカスする必要がある場合は、判別分析プラットフォーム、または応答スクリーニングプラットフォームを検討しましたか。
ベスト、
TSRe：2つの結果を分離するPCAこんにちは@utkcito 、
PCAはあなたにとって適切なツールではないかもしれません。 バイナリの結果（オン/オフ、1/0、デッド/アライブ）があるため、JMPのサンプルデータのタイタニック生存者の例のように、ロジスティック回帰の問題のように聞こえます。 PCAの目的は、必ずしも結果の予測、つまり0/1の結果を分離することではありません。 デシジョンツリー、ニューラルネット、またはXGBoostなどの他のツリーベースの方法を使用したほうがよい場合があります。 サポートベクターマシンを試すこともできます。 これらのオプションの多くは、使用しているJMPのバージョン（ProまたはStandardなど）によって異なります。
PCAは、（予測データセットの-応答データをフィードしない）線形独立ベクトルのセットを見つけるように実際に設計されており、変動性直交主成分のセットに沿ったデータで説明されています。 JMPのヘルプでそれを読むことができますここに。 主要なコンポーネントは、必ずしもポジティブ/ネガティブを分離するための優れた予測因子ではありません。 これは、SVMプラットフォームにはるかに適している可能性があります。 Proをお持ちでない場合は、パーティショニング決定木法またはニューラルネットのいずれかを試してみることをお勧めします。
もう1つのこと：行数によっては、結果列で階層化された検証列を生成し、それをモデルの検証に使用することをお勧めします。 ヌル因子列を追加して（JMPの自動検証アドインを参照）、完全にランダムで直交するヌル因子よりも、可能な予測子のセットが実際にモデルに頻繁に現れるかどうかを確認することも検討してください。
お役に立てれば。
がんばろう！、
DS
Re：2つの結果を分離するPCAこんにちはTSとDS、
私はPCAで予測子を探していません。 特徴づけ、説明したいと思います。 判別分析は主成分を示しているので、ワイドリニア法で行うべきだと思いますが、それが実際に当てはまるかどうかを評価するために生成する主成分の詳細を見つけることができません。
ウリエル。
Re：2つの結果を分離するPCAPCAの代わりにPLS-DAを検討することもできます。 PLSは、最初のコンポーネントがターゲットの最大の変動に関連することを保証します。つまり、単一のYの場合、コンポーネント1と2のスコアプロットで常に最良の分離が見られるはずです。次に、負荷、VIP v係数、またはPCAで慣れている方法を使用して、変数の重要性を評価します。
PLS-DAは、のPLSパーソナリティを使用して起動できます。フィットモデルプラットフォーム、またはカテゴリに応じて1または0のいずれかの変数を作成し、それをの「Y」セクションに含めることによって作成します。 PLSプラットホーム。
Re：2つの結果を分離するPCAこんにちは@utkcito 、
私は同意します@ih 、PLSプラットフォームは、実行したいこと、またはSVMプラットフォームにも適している可能性があります。
判別分析が機能しない理由の1つは、データセットがDAの予想される形式に完全に適合していないように思われるためです。 DAは、カテゴリXと連続応答Yを必要とします。これは逆であり、連続Yを使用して最終的にXを予測します。つまり、既知の連続Y変数に基づいて分類変数を予測します。
Xを使用して結果Yを特徴付け/説明する場合は、PLS、パーティショニング、またはSVMの方が優れたプラットフォームになると思います。 そしてとして@ih前述のように、VIPプロットを使用すると、VIPしきい値とともにそれを使用して、モデル内のすべてのX列を使用しない単純化されたモデルを生成できます。 クラスタリングもオプションになる可能性がありますが、結果を解釈しようとする場合、PLSほど意味がない場合があります。
これらのプラットフォームの1つを使用して作業を支援できることを願っています。
がんばろう！、
DS
2つの結果を分離するためのPCAについてこんにちは@utkcito 、
データ分析の選択肢については他の方々の意見に完全に同意しますが、試してみる価値のあるJMP Proプラットフォームをもう一つご紹介します。一般化回帰（GR）は二項分布／バイナリー結果に非常に適しています。LASSOアルゴリズムとElastic Netアルゴリズムを使えば、主成分分析や潜在因子分析（PLS）空間ではなく、作業対象の因子空間内で変数の最適な組み合わせを見つけることができます。PCAモデルとPLSモデルはどちらも、多大な労力をかけずに何が最も重要かを判断するのが難しい場合があります。また、過剰適合を回避するためのクロスバリデーションのオプションも豊富に用意されています。
ニューラルネットワーク（NN）が役に立つかもしれません。双曲線正接関数（TanH）は二項分布に非常に適しており、過剰適合を避けるために自動的に交差検証を使用するように指示されます。（JMPおよびJMP Pro）
パーティション分割法としてブートストラップフォレストを使用すると、因子空間内で最も重要な因子を見つけることもできます。（JMP Pro）
最後に、JMP 16 EA にアクセスできる場合は、予測モデリングのモデル スクリーニングを試して、データに最適な全体的なモデルを見つけることができます。
モデルスクリーニングはJMP Pro 16の素晴らしい新機能の一つです
2つの結果を分離するためのPCAについてご回答いただいた皆様、ありがとうございます。ご意見は大変参考になりました。実際、最近これらのオプションをすべて使ってデータを分析しました。特に直交判別法がどのようなものになるのか興味がありましたが、直接的に不可能であれば、先に進みたいと思います。
ウリエル。
