comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />comment décider du nombre de variables à utiliser après l'analyse en composantes principales ? J'ai le résultat suivant :
Sur la base de quels paramètres dois-je sélectionner les composants principaux ?
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?N'oubliez pas que l'ACP ordonnera toujours les composantes principales de la plus grande variance expliquée à la moins. Ainsi, les différentes méthodes commenceront toujours à "garder" les PC dans le même ordre. Ils peuvent être en désaccord sur l'endroit où s'arrêter.
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?Y a-t-il une chance que les résultats de ces trois tests différents soient en conflit ?
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?Akshay, dans votre cas spécifique, il semble que la "meilleure" méthode soit celle que votre professeur recommande !
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?Il y a tellement de façons de déterminer le nombre de facteurs à conserver dans l'ACP. Il en est encore plus question dans le cours de formation JMP : Analyser des données multidimensionnelles. L'essentiel est qu'il n'y a pas de "bonne réponse". Cela dépendra de l'objectif de l'analyse, de ce qui sera fait des résultats, de la « dépense » de garder trop ou trop peu de facteurs. Je ne peux être en désaccord avec aucune des suggestions déjà mentionnées dans ce fil. L'éducation sur les risques, les avantages et les compromis est nécessaire pour prendre une décision appropriée à la situation donnée.
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?J'ai recherché certains des autres articles disponibles en ligne sur la façon de choisir les composants que nous voulons conserver.
Voici les moyens suggérés : -
1. Le critère de la valeur propre un :: Dans l'analyse en composantes principales, l'un des critères les plus couramment utilisés pour résoudre le problème du nombre de composants est le critère de la valeur propre un, également connu sous le nom de critère de Kaiser (Kaiser, 1960). Avec cette approche, vous conservez et interprétez tout composant avec une valeur propre supérieure à 1,00
2. Le test d'éboulis. Avec le test d'éboulis (Cattell, 1966), vous tracez les valeurs propres associées à chaque composant et recherchez une "rupture" entre les composants avec des valeurs propres relativement grandes et ceux avec de petites valeurs propres. Les composants qui apparaissent avant la rupture sont supposés significatifs et sont conservés pour la rotation ; celles apparaissant après la pause sont supposées sans importance et ne sont pas retenues.
Cette méthode a été évoquée par kevin.c.anderson dans la première réponse à ce message.
3. Proportion de variance prise en compte, le critère de résolution du problème du nombre de facteurs consiste à conserver une composante si elle représente une proportion (ou un pourcentage) de variance spécifiée dans l'ensemble de données. Par exemple, vous pouvez décider de conserver tout composant représentant au moins 5 % ou 10 % de la variance totale. Cette proportion peut être calculée avec une formule simple :
Proportion = Valeur propre de la composante d'intérêt / Valeurs propres totales de la matrice de corrélation.
Ce qui m'embrouille ici, c'est que toutes les méthodes se concentrent sur les valeurs propres et non sur le pourcentage cumulé de variance. Dans ma classe actuelle, mon professeur a demandé de se concentrer sur le pourcentage. Veuillez parler de la meilleure façon de sélectionner les composants principaux.
Merci d'avance!!
PS - les informations ci-dessus peuvent être trouvées sur http://support.sas.com/publishing/pubcat/chaps/55129.pdf
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?Je suis d'accord que la question apparemment facile n'est jamais aussi facile qu'on pourrait le penser. Kevin vous indique la bonne direction en termes de composants.PCA réduit votre grand nombre de variables en un petit nombre de composants, il semble que 1 (2 au maximum) soit tout ce dont vous avez besoin.
Kevin souligne également que la façon dont vous procédez dépend de la fin du jeu avec l'analyse.
Au-delà du nombre de composants à retenir on peut se poser la question de combien de facteurs ai-je besoin pour construire mes composants ?C'est là que j'utilise la facilité de JMP et que je relance l'ACP avec des sous-ensembles de facteurs.Je pourrais regarder le graphique des scores et sélectionner un facteur dans chaque "groupe" de facteurs sur le graphique.Dans JMP Pro, il existe une option "Variables de cluster" qui aide à comprendre quelles variables se ressemblent le plus les unes aux autres.En outre, vous pouvez consulter vos données avec différents outils pour mieux comprendre les relations et l'importance des variables par rapport à votre objectif final.C'est là que JMP brille, la capacité d'explorer les données sous tous les angles. Et en plus, c'est toujours amusant de voir combien de fenêtres JMP vous pouvez ouvrir sur votre machine en même temps !
Re : comment décider du nombre de variables à utiliser après l'analyse en composantes principales ?Salut, Akshay !
Votre question apparemment facile n'est pas tellement.Il existe plusieurs écoles de pensée qui donnent des réponses différentes.
Une école de pensée dit de regarder le Scree Plot.
Le Scree Plot est la valeur propre par rapport au nombre de composants dans l'ACP.Conservez les composants dans la partie de la courbe raide, avant le premier point qui commence la tendance de la ligne plate.Dans ces données sur la graisse corporelle, cette école de pensée pourrait suggérer que vous reteniez un composant.
Scree Plots n'est souvent pas si facile à interpréter.Une école de pensée dit d'utiliser ses connaissances sur les paramètres pour prendre une décision sur les composants à retenir.
Une autre école de pensée suggère "Pourquoi ne pas les conserver tous?"Cette approche peut fonctionner mieux a) lorsque le nombre de variables est relativement petit et b) lorsque vous utilisez les données pour des raisons analytiques (planification d'action sur les observations futures, comme sur les cartes de contrôle, etc.).
Je suis sûr qu'il existe encore plus d'écoles de pensée qui pourraient vous aider à répondre différemment à votre question apparemment facile.
