Blanqueamiento de la correlación mediante PCAHola,
Tengo una Y simple frente a X con alguna correlación lineal. Me gusta descorrelacionar (blanquear) Y vs. X. Sé cómo utilizar el análisis de componentes principales para obtener los nuevos componentes principales no correlacionados Y y X. ¿Cómo transforma el nuevo componente a la escala X e Y original en JMP?
Aprecio tu ayuda.
Gracias
Adán
AnalíticaRe: Blanquear la correlación usando PCAHola @A ,
Si entiendo lo que buscas, quieres saber cómo pasar de los componentes principales a X e Y, ¿es correcto?
Por ejemplo, si tiene un sistema de tres componentes: X1, X2, X3 y realiza una PCA, tiene Prin1, Prin2 y Prin3. Estos PC serán combinaciones lineales de X1, X2 y X3 con coeficientes que son los valores propios. Puede obtener los autovalores y autovectores del botón de acceso rápido al lado de la PC en la parte superior del informe.
La matriz de vectores propios le muestra cuáles son los coeficientes para obtener la combinación lineal de lo que es X1 en términos de Prin1, Prin2 y Prin3 (fila en la tabla), o puede encontrar lo que es Prin1 en términos de X1, X2, X3 ( columna en la tabla). Vea una captura de pantalla de ejemplo a continuación.
La tabla de valores propios debería proporcionarle lo que está buscando.
¡Espero que esto ayude!,
DS
Re: Blanquear la correlación usando PCAHola DS,
Gracias por la respuesta rápida. Después de PCA, P1 y P2 se dan en términos de X e Y (dos variables). Conozco mi X e Y originales, pero me gusta descorrelacionar Y vs. X. Por ejemplo, a partir de un peso y una altura altamente correlacionados, me gusta obtener el peso y la altura descorrelacionados sin escalar después de eliminar el efecto de correlación.
Gracias de nuevo.
Saludos,
Adán
Re: Blanquear la correlación usando PCAHola @A ,
Estoy un poco confundido acerca de tu objetivo aquí.Aquí hay dos cosas que creo que podrías estar intentando hacer.¿Alguno está cerca?
Después de tener en cuenta la variación de altura que se corresponde con el peso, ¿qué otro ¿Hay variación en la altura?
Para hacer esto, puede hacer un PCA con altura y peso y guardar los valores predichos (Plataforma PCA> Triángulo rojo> Guardar columnas> Predicciones), y luego restar el valor predicho del valor real usando columnas adicionales en su tabla de datos.Esto te dará la residual que es la variación en la altura que no se correlaciona con el peso.Las unidades de estas variables son las mismas que las variables originales, pero sus valores estarán centrados alrededor de cero.
O podría querer decir:
Producir un conjunto único de variables para representar tanto la altura como el peso, de modo que las nuevas variables no estén correlacionadas entre sí y que se utilizarían en otros análisis.
En este caso, no transformaría las variables de nuevo al espacio original, sino que las utilizaría como variables latentes.Para hacer esto, guarde los valores de los componentes principales (Plataforma PCA> Triángulo rojo> Guardar columnas> Componentes principales). Estas variables latentes no tienen unidades, y al examinarlas en cualquier otro análisis, necesitaría considerar sus cargas para ver cómo afectan tanto a la altura como al peso.
