主成分分析后如何确定要使用的变量数量？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />主成分分析后如何确定要使用的变量数量？ 我有以下结果：
我应该根据什么参数选择主成分？
回复：主成分分析后如何决定使用的变量数量？请记住，PCA 将始终从方差解释最多到最少对主成分进行排序。 因此，不同的方法将始终以相同的顺序开始“保持”PC。 他们可能不同意在哪里停止。
回复：主成分分析后如何决定使用的变量数量？这三个不同测试的结果是否有可能发生冲突？
回复：主成分分析后如何决定使用的变量数量？Akshay，在您的具体情况下，“最佳”方法似乎是您的教授推荐的方法！
回复：主成分分析后如何决定使用的变量数量？有很多方法可以确定要保留在 PCA 中的因子数量。 在JMP培训课程：Analyzing Multidimensional Data里面就更提到了。 底线是没有“正确答案”。 这将取决于进行分析的目的、将如何处理结果、保留太多或太少因素的“费用”。 我不能不同意该线程中已经提到的任何建议。 需要对风险、收益和权衡进行教育，以做出适合特定情况的决定。
回复：主成分分析后如何决定使用的变量数量？我研究了一些在线提供的关于如何选择我们想要保留的组件的其他文章。
以下是建议的方法：-
1. 特征值一准则 :: 在主成分分析中，解决成分数问题最常用的准则之一是特征值一准则，也称为凯撒准则（Kaiser，1960）。 使用这种方法，您可以保留并解释特征值大于 1.00 的任何分量
2. 碎石测试。 使用碎石测试 (Cattell, 1966)，您可以绘制与每个组件关联的特征值，并在具有相对较大特征值的组件和具有较小特征值的组件之间寻找“中断”。 在中断之前出现的组件被认为是有意义的，并保留以供轮换使用；那些在中断之后出现的被认为是不重要的并且不被保留。
这个方法被提到凯文·安德森在这个帖子的第一个回复中。
3. 占方差的比例，解决因素数问题的标准涉及保留一个组件，如果它占数据集中特定比例（或百分比）的方差。 例如，您可能决定保留至少占总方差 5% 或 10% 的任何组件。 这个比例可以用一个简单的公式计算：
比例 = 相关分量的特征值 / 相关矩阵的总特征值。
我在这里感到困惑的是，所有方法都关注特征值而不是累积方差百分比。 在我目前的课程中，我的教授要求关注百分比。 请说说选择主成分的最佳方法。
先感谢您！！
PS - 以上信息可在http://support.sas.com/publishing/pubcat/chaps/55129.pdf
回复：主成分分析后如何决定使用的变量数量？我同意这个看似简单的问题从来没有像人们想象的那么简单。 Kevin 在组件方面为您指出了正确的方向。PCA 将您的大量变量减少为少量组件，看起来您只需要 1 个（最多 2 个）。
凯文还指出，您如何进行取决于分析的最终结果。
除了要保留的组件数量之外，人们可能会问构建组件需要多少因素？这是我利用 JMP 的便利性并使用因子子集重新运行 PCA 的地方。我可能会查看得分图并从图中的每个“因素群”中选择一个因素。在 JMP Pro 中，有一个“聚类变量”选项可以帮助理解哪些变量比其他变量更相似。此外，您可以使用不同的工具查看数据，以最好地了解变量对最终目标的关系和重要性。这就是 JMP 的闪光点，它能够从所有不同角度探索数据。 此外，看看您可以在您的机器上一次打开多少个 JMP 窗口总是很有趣！
回复：主成分分析后如何决定使用的变量数量？嗨，阿克谢！
你看似简单的问题并不是那么多。有几种思想流派给出了不同的答案。
一种思想流派说要看 Scree Plot。
碎石图是 PCA 中的特征值与分量数的关系。在开始平线趋势的第一个点之前，保留陡峭曲线部分中的组件。在这些体脂数据中，这一学派可能建议您保留一个成分。
碎石图通常不太容易解释。一种思想流派认为，使用您对参数的了解来决定要保留的组件。
另一种观点认为“为什么不全部保留呢？”这种方法可能最有效 a) 当变量的数量相对较少时 b) 当您出于分析原因使用数据时（计划对未来观察的行动，如控制图等）。
我敢肯定还有更多的思想流派可以帮助您以不同的方式回答看似简单的问题。
