Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse? Ich habe folgendes Ergebnis:
Auf der Grundlage welcher Parameter sollte ich Hauptkomponenten auswählen?
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Denken Sie daran, dass PCA die Hauptkomponenten immer von der größten bis zur geringsten erklärten Varianz ordnet. Die verschiedenen Methoden beginnen also immer damit, die PCs in derselben Reihenfolge zu "halten". Sie können sich nicht einig sein, wo sie aufhören sollen.
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Besteht die Möglichkeit, dass die Ergebnisse dieser drei verschiedenen Tests widersprüchlich sind?
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Akshay, in Ihrem speziellen Fall scheint der "beste" Weg der zu sein, den Ihr Professor empfiehlt!
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Es gibt so viele Möglichkeiten, die Anzahl der Faktoren zu bestimmen, die in PCA beibehalten werden sollen. Im JMP-Schulungskurs werden noch mehr erwähnt: Analyse multidimensionaler Daten. Fazit ist, dass es keine "richtige Antwort" gibt. Es hängt vom Ziel der Analyse ab, was mit den Ergebnissen gemacht wird, von den "Kosten", zu viele oder zu wenige Faktoren beizubehalten. Ich kann keinem der Vorschläge widersprechen, die bereits in diesem Thread erwähnt wurden. Die Aufklärung über die Risiken, Vorteile und Kompromisse ist erforderlich, um eine Entscheidung zu treffen, die für die jeweilige Situation angemessen ist.
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Ich habe einige der anderen online verfügbaren Artikel recherchiert, wie man die Komponenten auswählt, die man behalten möchte.
Unten sind die vorgeschlagenen Möglichkeiten: -
1. Das Eigenwert-Eins-Kriterium :: In der Hauptkomponentenanalyse ist eines der am häufigsten verwendeten Kriterien zur Lösung des Anzahl-Komponenten-Problems das Eigenwert-Eins-Kriterium, auch als Kaiser-Kriterium bekannt (Kaiser, 1960). Mit diesem Ansatz behalten und interpretieren Sie alle Komponenten mit einem Eigenwert größer als 1,00
2. Der Gerölltest. Beim Scree-Test (Cattell, 1966) zeichnen Sie die jeder Komponente zugeordneten Eigenwerte auf und suchen nach einem „Bruch“ zwischen den Komponenten mit relativ großen Eigenwerten und denen mit kleinen Eigenwerten. Die Komponenten, die vor dem Bruch erscheinen, werden als sinnvoll angenommen und für die Rotation beibehalten; diejenigen, die nach der Pause erscheinen, werden als unwichtig angenommen und nicht beibehalten.
Diese Methode wurde von erwähnt kevin.c.anderson in der ersten Antwort auf diesen Beitrag.
3. Anteil der berücksichtigten Varianz, das Kriterium zur Lösung des Problems der Anzahl der Faktoren beinhaltet die Beibehaltung einer Komponente, wenn sie einen bestimmten Anteil (oder Prozentsatz) der Varianz im Datensatz ausmacht. Beispielsweise können Sie entscheiden, jede Komponente beizubehalten, die mindestens 5 % oder 10 % der Gesamtvarianz ausmacht. Dieser Anteil lässt sich mit einer einfachen Formel berechnen:
Anteil = Eigenwert für die interessierende Komponente / Gesamteigenwerte der Korrelationsmatrix.
Was mich hier verwirrt, ist, dass sich alle Methoden auf Eigenwerte und nicht auf den kumulativen Prozentsatz der Varianz konzentrieren. In meiner aktuellen Klasse hat mein Professor darum gebeten, sich auf den Prozentsatz zu konzentrieren. Bitte sprechen Sie auf dem besten Weg zur Auswahl der Hauptkomponenten.
Vielen Dank im Voraus!!
PS - die oben genannten Informationen finden Sie unter http://support.sas.com/publishing/pubcat/chaps/55129.pdf
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Ich stimme zu, dass die scheinbar einfache Frage nie ganz so einfach ist, wie man vielleicht denkt. Kevin weist Sie in Bezug auf Komponenten in die richtige Richtung.PCA reduziert Ihre große Anzahl von Variablen auf eine kleine Anzahl von Komponenten, es sieht so aus, als ob 1 (höchstens 2) alles ist, was Sie brauchen.
Kevin weist auch darauf hin, dass die Vorgehensweise davon abhängt, was das Endspiel mit der Analyse ist.
Abgesehen von der Anzahl der zu behaltenden Komponenten könnte man sich die Frage stellen, wie viele Faktoren ich benötige, um meine Komponenten zu bauen?Hier nutze ich die Einfachheit von JMP und führe die PCA mit Teilmengen von Faktoren erneut aus.Ich könnte mir das Ergebnisdiagramm ansehen und einen Faktor aus jedem "Cluster" von Faktoren im Diagramm auswählen.In JMP Pro gibt es eine „Cluster-Variablen“-Option, die dabei hilft zu verstehen, welche Variablen einander ähnlicher sind als andere.Außerdem können Sie Ihre Daten mit verschiedenen Tools betrachten, um die Beziehungen und die Bedeutung der Variablen für Ihr Endziel am besten zu verstehen.Hier glänzt JMP, die Fähigkeit, die Daten aus allen verschiedenen Blickwinkeln zu untersuchen. Außerdem macht es immer wieder Spaß zu sehen, wie viele JMP-Fenster gleichzeitig auf Ihrem Rechner geöffnet sein können!
Betreff: Wie entscheidet man über die Anzahl der zu verwendenden Variablen nach der Hauptkomponentenanalyse?Hallo Akshay!
Ihre scheinbar einfache Frage ist nicht so sehr.Es gibt mehrere Denkschulen, die unterschiedliche Antworten liefern.
Eine Denkrichtung sagt, man solle sich den Scree Plot ansehen.
Das Scree-Diagramm ist der Eigenwert gegenüber der Anzahl der Komponenten in der PCA.Behalten Sie die Komponenten im Abschnitt der steilen Kurve vor dem ersten Punkt bei, der den Trend der flachen Linie beginnt.In diesen Körperfettdaten könnte diese Denkschule darauf hindeuten, dass Sie eine Komponente beibehalten.
Scree Plots sind oft gar nicht so einfach zu interpretieren.Eine Denkrichtung besagt, dass Sie Ihr Wissen über die Parameter nutzen sollten, um eine Entscheidung über die beizubehaltenden Komponenten zu treffen.
Eine andere Denkrichtung schlägt vor: "Warum nicht alle behalten?"Dieser Ansatz funktioniert möglicherweise am besten, a) wenn die Anzahl der Variablen relativ gering ist und b) wenn Sie die Daten für analytische Zwecke verwenden (Planung von Maßnahmen für zukünftige Beobachtungen, wie z. B. Regelkarten usw.).
Ich bin sicher, dass es noch mehr Denkschulen gibt, die Ihnen helfen könnten, Ihre scheinbar einfache Frage anders zu beantworten.
