718581_ja-JP

liliconcom

JMP Pro > 次元削減 > PCA > 最も意味のあるコンポーネントを取得しますか?

こんにちは、

私は、約 1,500 個の変数 (つまり、バイオマーカー) を含む比較的大規模なデータセットに取り組んでいます。これらの変数のサブセットは相互に相関する傾向があるため、データセットの次元を削減したいと考えています。私は現在、この目標を達成するために PCA を検討しています。それでも、特定の主成分を元のデータにリンクバックする方法（つまり、どのバイオマーカー/変数が特定の主成分に「最も」寄与しているか）はわかりません。フォーマットされた負荷行列を取得する方法はわかっていますが、主成分のうち最も影響力のある成分を選択するための意味のあるカットオフを設定するにはどうすればよいでしょうか?

注目すべき特定の主成分は、各 PC と臨床変数の関連性をテストする単純な線形モデルから導出されます。

Windows プロ

JMPプロ16.1

助けてくれてありがとう。

最高、

TS

高度な統計モデリング基本的なデータ分析とモデリングRe: JMP Pro > 次元削減 > PCA > 最も意味のあるコンポーネントを取得しますか?

こんにちは@Thierry_S さん

あなたのユースケースに合わせて検討すると興味深いオプションがいくつかあるかもしれません。

• 変数の部分的な寄与: PCA プラットフォームの赤い三角で、「変数の部分的な寄与」を選択できます。これにより、どの変数がどの主成分に最も影響を及ぼしているかに関する興味深いビューが提供されます。また、プロットの前に提供される表が役に立ちます。これらの相対的な影響を推定するには、次のようにします。
  

• クラスター変数: 変数の重複しないクラスターを定義するのに役立ち、さまざまなクラスターに最も興味深い/重要な寄与変数を選択するのに役立ちます。
• スクリー プロット: 最後に、使用する主成分の適切な数を推定したい場合 (精度/ばらつきの説明と複雑さ/PC 数の間で適切な妥協点)、主成分に応じた固有値を示すスクリー プロットは非常に優れたオプションです。コンポーネントの順序:
  

  文献における一般的なアプローチでは、固有値 > 1 を提供する PC の数のみを選択し、「肘」領域を超えないようにすることが推奨されています (各追加因子については、固有値はあまり変化しません。つまり、各追加変数の寄与はそれほど大きくありません)。高い）。

  「固有値が 1.0 未満のものは、安定しているとはみなされません。それらは、単一の変数よりも変動が少ないため、分析には保持されません。この意味で、元の変数の数よりも少ない因子を使用することになります。(Girden) 、2001)" : https://stats.stackexchange.com/questions/72439/why-eigenvalues-are-greater-than-1-in-factor-analysis

これらの最初のオプションがお役に立てば幸いです。

最高、

Re: JMP Pro > 次元削減 > PCA > 最も意味のあるコンポーネントを取得しますか?

あなたの質問は実務家にとって非常に典型的なものです。簡略化しすぎたことをご容赦ください。

固有ベクトルの解釈は、専門家 (これは科学者またはエンジニアを意味します) には簡単には理解できません。固有ベクトルは、研究内のバイオマーカーの組み合わせ (およびサブセット) である可能性があります。固有ベクトルは異なる「次元」を通してデータを見ているため、その次元は実用的な観点からは本質的な意味を持たず、無意味である可能性があります。固有ベクトルにはよく知られた「名前」がありません。 PCA が行うことは、ニーズを特定し、さらなる調査への動機を提供することであることを願っています。

データはどうやって入手しましたか?いずれかのバイオマーカーの変動に偏りはありますか (たとえば、一部の変動が他よりも大きいなど)?一部のバイオマーカーが共線的である (または相関している、または重複している) ことがすでにわかっている場合、PCA を実行する前に、この知識を利用してバイオマーカーの数を減らすことができますか?

さて、一部の人々は理解することにあまり興味がなく（これらの固有ベクトルは何であり、生データ内の変数とどのように関係しているのでしょうか？）、単に「機能する」モデル（おそらくニューラルネットワークのように）を望んでいます。