PCA sobre matriz de correlación y covarianzaHola,
No soy un usuario experto, así que sea amable conmigo.
Realicé PCA en algunos datos estandarizados (con 2 variables) en JMP14 y noté que los dos gráficos de puntuaciones casi se reflejan en el eje PC1. ¿Por qué se reflejan de esta manera? (Además, no son reflejos perfectos. ¿A qué se debe esto?)
Modelado estadístico avanzadoventanasRe: PCA en matriz de correlación y covarianzaLa covarianza es la cantidad fundamental, pero el análisis está dominado por las medidas con las escalas y rangos más grandes. Centrar y escalar primero puede ayudar a evitar el predominio de algunas variables. Primero estandarizó los datos, por lo que los resultados de la covarianza y la correlación serán similares.
Re: PCA en matriz de correlación y covarianzaEl PCA en el análisis de datos exploratorios se usa comúnmente para reducir la dimensionalidad colocando cada punto de datos solo en los primeros componentes básicos para obtener datos con una dimensionalidad más baja y al mismo tiempo preservar la mayor variación de datos posible. (Propiedad ortogonal)
Las coordenadas ortogonales se definen como el conjunto de coordenadas dq = ( q 1, q 2, ..., qd ) donde todas las superficies de coordenadas se encuentran en ángulo recto (nota: los superíndices son índices, no exponentes). La superficie ordenada de una coordenada qk dada es la curva, superficie o epitaxia en la que qk es una constante.
