JMP Pro > Riduzione dimensione > PCA > Recuperare i componenti più significativi?CIAO,
Sto lavorando su un set di dati relativamente ampio che include circa 1.500 variabili (ovvero biomarcatori). Poiché i sottoinsiemi di queste variabili tendono a correlarsi tra loro, desidero ridurre le dimensioni del set di dati. Attualmente sto esplorando la PCA per raggiungere questo obiettivo. Tuttavia, non sono sicuro di come collegare i componenti principali specifici con i dati originali (vale a dire, quali biomarcatori/variabili contribuiscono "maggiormente" ai componenti principali specifici). So come recuperare la matrice di caricamento formattata, ma come posso impostare un limite significativo per la selezione dei componenti più influenti dei componenti principali?
Da notare che i principali componenti specifici di interesse derivano da un semplice modello lineare che testa l'associazione di ciascun PC con una variabile clinica.
Windows Pro
JMPPro16.1
Grazie per l'aiuto.
Migliore,
TS
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseRi: JMP Pro > Riduzione dimensione > PCA > Recuperare i componenti più significativi?Ciao @Thierry_S ,
Ci sono forse alcune opzioni interessanti da considerare per il tuo caso d'uso:
- Contributo parziale delle variabili : nel triangolo rosso della piattaforma PCA, puoi selezionare "Contributo parziale delle variabili", che offre una visione interessante su quali variabili sono più influenti in quali componenti principali, e la tabella fornita prima del grafico è utile per stimare queste influenze relative:
- Variabili del cluster : aiuta a definire cluster di variabili non sovrapposti e può aiutarti a selezionare le variabili che contribuiscono più interessanti/importanti ai diversi cluster.
- Scree plot : infine, se si desidera stimare un numero appropriato di componenti principali da utilizzare (buon compromesso tra accuratezza/spiegazione della variabilità e complessità/numero di PC), lo Scree plot è un'opzione molto interessante, che mostra gli autovalori in base al principale ordine dei componenti:
L'approccio comune in letteratura consiglia di selezionare solo un numero di PC che forniscono autovalore >1 e non oltre la regione del "gomito" (come per ogni fattore aggiuntivo, l'autovalore non cambia molto, il che significa che il contributo di ciascuna variabile aggiuntiva non è molto alto).
"Quelli con autovalori inferiori a 1,0 non sono considerati stabili. Rappresentano meno variabilità rispetto a una singola variabile e non vengono mantenuti nell'analisi. In questo senso, ci si ritrova con meno fattori rispetto al numero originale di variabili. (Girden , 2001)": https://stats.stackexchange.com/questions/72439/why-eigenvalues-are-greater-than-1-in-factor-analysis
Spero che queste prime opzioni ti possano aiutare,
Migliore,
Ri: JMP Pro > Riduzione dimensione > PCA > Recuperare i componenti più significativi?La tua domanda è abbastanza tipica per i professionisti. Scusate la mia eccessiva semplificazione.
L'interpretazione degli autovettori non è facilmente compresa dal professionista (con questo intendo scienziato o ingegnere). Gli autovettori sono probabilmente una combinazione (e un sottoinsieme) dei biomarcatori nel tuo studio. Poiché gli autovettori guardano i dati attraverso una "dimensione" diversa, quella dimensione potrebbe non avere senso o non avere alcun significato intrinseco da un punto di vista pratico. Gli autovettori non hanno un "nome" familiare. Si spera che ciò che la PCA farà sarà identificare la necessità e fornire motivazioni per ulteriori indagini.
Come hai ottenuto i tuoi dati? Le variazioni di qualche biomarcatore sono distorte (ad esempio, alcuni variano più di altri)? Se sai già che alcuni biomarcatori sono collineari (o correlati o ridondanti), puoi utilizzare questa conoscenza per ridurre il numero di biomarcatori prima di eseguire la PCA?
Ora, ad alcune persone non interessa davvero capire (cosa sono questi autovettori e come si relazionano alle variabili nei miei dati grezzi?) e vogliono solo un modello che "funzioni" ( forse come le reti neurali).
