主成分回歸您好 - 我在 JMP 中使用 PCA 已經大約四年了。沒什麼特別的，但我對很多功能感到非常滿意。我一直使用電腦作為能源部的因素，認為我是個聰明人。瞧，我上週偶然發現了一個關於主成分回歸的維基百科頁面。哈。
不管怎樣，我看了又看，在 JMP for PCR（或與 DoE 的整合）中沒有看到任何參考，更不用說功能了。我是否遺漏了某些內容？JMP 中是否存在此功能（即使僅以 JSL 形式存在）？如果沒有，有人有這方面的經驗嗎？您是否會在 PC 上使用倒置相關矩陣，基本上就是 PC 公式列的逆矩陣？
謝謝！進階統計建模實驗設計視窗回覆：主成分回歸你好，
我也嘗試過同樣的想法，但被告知這在這個板上是無稽之談。不過，可能有一種勞力密集的方式來獲得你想要的東西。
- 根據資料集計算主成分（多元方法 > 主成分）
- 在報表中，前往儲存列 > 儲存主成分值。您保存的 PC 數量取決於您的數據，我傾向於使用捕獲至少 80% 數據變化的 PC
- 然後，將 PC 視為模型中的任何變數（例如，反應篩選、擬合模型…）
注意：此方法直接受到 R 中工作流程的啟發，如本頁（ 連結）所述
最好的，
TS
回覆：主成分回歸謝謝回覆！那麼人們對PCR有什麼不滿呢？這是一個基本的統計問題，還是其他問題？就像我正在使用的紙張需要 700 種溶劑，涵蓋 100 種特性。溶劑空間似乎不太可能有 100 個真正獨立的基本方面，而 PCR 似乎是將其減少到可管理大小的合理方法。我確信還有很多其他地方也有沸石、礦物質等。而這只是化學物質。
回覆：主成分回歸我想我也在問將迴歸模型反轉回原始列空間的最佳方法是什麼？我想完全公開：我正在使用這些電腦作為實驗設計的因素。您是否根據 PC 建立模型並對其應用一些逆相關矩陣，或者您只是對所有因素進行某種擬合，看看哪種最適合以獲得更基於物理的模型？回覆：主成分回歸偏最小平方法迴歸是否是一個更簡單的解決方案？
回覆：主成分回歸我不確定人們是否對 PCR 感興趣，但它有一些限制。最終，您必須確定您想要從建模工作中獲得什麼。
PCR 是一種有偏迴歸技術。這不一定是壞事，但您的模型只是預測性的。它的目的並不是像設計的實驗那樣提供任何關於導致事情發生的原因的見解。它確實只是建立在相關性的基礎上，沒有因果關係。
當您按照@Thierry_S建議對 X 執行 PCA 時，僅保留前幾個主成分只是考慮 X，而不是目標或反應變數 Y。最後一個主成分可能具有最佳的目標預測能力，因此您應該保留所有主成分來建立 PCR 模型。將模型與所有 PC 擬合後，您可以刪除無關緊要的 PC 以獲得最終模型。
您的上一篇文章討論了 PCR 的主要問題：如何轉換回原始 X 空間。有幾種可能的方法。一種方法是保留來自每台重要 PC 的負載最高的因子。第二種方法是從每個重要 PC 中刪除具有最低負載的因子。還有其他可能性。您選擇哪種方法取決於您想要從模型中獲得什麼。
回覆：主成分回歸嗯嗯嗯。我想理解你的擔憂@Dan_Obermiller 。
好的，這是一個想法。這是在深入研究我真的不熟悉的東西，所以讓我知道這是否荒謬。儘管使用 PC 的實驗設計產生了以 PC 為單位的模型，但 y 向量仍然採用實數單位。那我們可以照@Thierry_S 的建議去做，產生 PC。這樣，您就能夠產生一個設計，該設計至少嘗試選取沿最大變異數方向的點。將它們作為協變量載入到 DoE 平台中。然後，我只是瀏覽@Victor_G共享的 PLS 平台，也許不是根據 PC 建立模型，而是根據原始資料集對最終資料進行 PLS 迴歸。
這樣，您只需使用 PC 來確保設計中原始列空間的使用最大化，但您使用的迴歸模型會優先考慮原始的、實體接地的列空間。
這樣合理嗎？我的第一個擔憂是，這只是將最優性標準降級到了眾所周知的密室，但從我收集的情況來看，PLS 旨在處理高度相關的變量，因此對最優性標準的需求減少了？可能還有其他問題。
我只是一個低階的化學工程師，所以如果我沒有很好地處理這裡的統計數據，請告訴我。回覆：主成分回歸另外， @Victor_G ，剛剛看到你的口號有歐萊雅。其實我剛剛申請了歐萊雅。我不知道我是否會得到它，但我因為跳槽而失去 JMP Pro 感到壓力。很高興知道如果我在那裡找到工作，我不會失去訪問權！回覆：主成分回歸@ehchandlerjr對於設計創作，我看到兩個選擇：
- 使用 PC 作為設計中的因素（ @丹_奧伯米勒在預測性方面提到了風險，但您可能有良好的實驗空間覆蓋範圍），
- 直接使用您的因子作為協變量，因為根據您擁有的因子，您可能無法獨立更改水平：例如，對於化學特性，您無法完全獨立地更改分子量、拓撲表面積、碳鏈長度一組分子。使用所有可能的因素組合準備候選集並將這些因素用作協變量可以幫助保持相同的原始輸入，能夠很好地覆蓋您的實驗空間，並直接使用這些因素對您的反應進行建模（透過PLS 或其他模型） 。更多資訊請參見： 實驗設計中的協變數是什麼？
開發人員教學 - 設計實驗時有效處理協變數 - JMP 使用者社群
祝歐萊雅好運，請隨時通知我:)
最好的，
回覆：主成分回歸也許我對實驗的定義與你的不同？我想我的實際問題是：你在實驗中實際上操縱了什麼？我認為 PC 不一定能直接轉化為一個因素或一組可以具體且獨立操縱的因素？
你當然可以對這些進行回歸，但我不確定這是一個實驗？我的意思是，如果你所擁有的只是協變量，那就不是實驗，而是回歸。通常實驗包括被視為固定效應的因素。協變數隨機效應。你們將得到一個混合模型。在混合模型中，您可以考慮的隨機變數的數量通常受到限制。
