Interpréter les vecteurs propres dans une plateforme de clustering variableJ'ai des variables qui indiquent les taux de disparition de divers métabolites du plasma, c'est-à-dire la clairance de la circulation sanguine. Comme j'en ai plus de 200, j'utilise la plateforme de clustering de variables pour regrouper ces variables. J'utilise ensuite les composants du cluster dans un modèle PLS-DA pour voir quels composants du cluster (et leur groupe de variables correspondant) finissent par discriminer deux groupes cliniques que j'étudie. Ce faisant, comment puis-je interpréter les vecteurs propres négatifs (ou s'agit-il de valeurs propres, mais cela suggère des vecteurs propres) ? Si un vecteur propre positif indique une vitesse plus élevée à laquelle ce groupe de variables disparaît du plasma, alors un vecteur propre négatif indique-t-il une disparition plus lente par rapport à ceux avec une notation positive ? Heureux de fournir plus de détails si nécessaire.
Modélisation statistique avancéeles fenêtresRe : Interpréter les vecteurs propres dans une plateforme de clustering variableCV : Laissez-en un de côté, car les n sont si petits.
K-fold fonctionnerait probablement aussi, je suis resté avec LOO pour le moment.
Je ne suis pas sûr de comprendre ce que vous entendez par « classer par une approche de mesures répétées ». Mais je suppose que la façon dont j'avais expliqué mon ensemble de données n'était pas claire. Je vais donc essayer de mieux le détailler cette fois. Nous avons recruté 44 personnes sur un spectre de maladies. Nous leur avons fait passer un test de « défi » 3 fois (mes mesures répétées) et nous les avons classés en 3 groupes de réponses (élevées, faibles et variables) en fonction de la régularité de leurs résultats à leur test de « défi ». Nous avons créé ces classifications sur la base de notre expertise en la matière, et il ne s'agissait pas d'une décision statistique. Est ce que ça aide?
Re : Interpréter les vecteurs propres dans une plateforme de clustering variableHmmm... Je ne suis pas surpris que le PLS-DA ait eu des problèmes avec les petits groupes déséquilibrés. Et je suis curieux de savoir quelle technique de validation croisée vous avez choisie ? Avez-vous essayé K-fold ou Leave One Out ? Et en ce qui concerne les mesures répétées, pouvez-vous nous dire comment vous classifiez grâce à une approche de « mesures répétées » ? Habituellement, une mesure répétée est invoquée par une réponse continue et non par une réponse de classification.
Re : Interpréter les vecteurs propres dans une plateforme de clustering variableMerci, P_Bartell.
Peut-être qu'un aperçu un peu plus approfondi des données serait utile, comme vous l'avez mentionné. Mon ensemble de données est assez large : 236 variables, avec n = 44 cas, avec 3 mesures répétées chacune, classées en 3 groupes très déséquilibrés (n = 6, 7 et 31) sur la base d'un score de critère spécifique. Lorsque je laisse PLSDA faire de son mieux en prédisant mon Y (3 groupes déséquilibrés, mesurés 3 fois) en fonction des X (les 236 variables), aucun modèle ne converge. Mais, lorsque je réduis mes X en regroupant des variables, cela génère un modèle, avec 2 facteurs, et je peux ensuite interpréter ce que cela signifie.
est-ce que cela aide?
Re : Interpréter les vecteurs propres dans une plateforme de clustering variableVotre étude exacte n'est pas claire pour moi... mais voici une question... Regroupez-vous les x avant d'exécuter le modèle PLS-DA, puis utilisez les vecteurs propres comme x ? Bien sûr, cela ressemble à ça. Alors maintenant la question : pourquoi ne pas simplement laisser la plate-forme PLS-DA faire ce qu'elle fait de mieux, c'est-à-dire former et identifier le nombre optimal de variables latentes dans les x pour le modèle et les réponses. Ensuite, vous n'avez pas à vous soucier de regrouper les x et d'essayer de savoir où les couper, etc. et d'interpréter les vecteurs propres comme des x. Le rapport de la plateforme fera tout le gros du travail d’interprétation pour vous.
Re : Interpréter les vecteurs propres dans une plateforme de clustering variableHummm. Désolé pour les questions continues concernant votre étude... ce « test de défi » que chaque individu a exécuté... y avait-il un résultat numérique qui constituait la base de la classification ? Pour un exemple hypothétique, vous avez demandé à chaque personne de courir 100 mètres, celles qui couraient moins de 15 secondes étaient classées comme « rapides », celles qui couraient entre 15 et 20 secondes étaient classées comme « lentes » et au-delà de 20 secondes, « encore plus lentement ». ? Ce que j'espère, c'est que vous pourrez utiliser la sortie numérique pour la modélisation, puis effectuer votre classification en arrière-plan, après la modélisation. Avec une réponse continue, un ensemble beaucoup plus large de méthodes de modélisation devient disponible.
Également sur une autre réflexion... Je ne suis plus un utilisateur de JMP ou de JMP Pro (ingénieur système senior JMP à la retraite), mais il semble qu'une PCA soit en cours en arrière-plan de la plate-forme de clustering d'après votre description ? Avez-vous d'abord essayé PCA dans la plate-forme native JMP Pro PCA sur les x pour avoir un aperçu de certaines des visualisations utiles dans les rapports de cette plate-forme ? Cela peut vous aider à interpréter les composantes principales ainsi que les vecteurs propres.
Re : Interpréter les vecteurs propres dans une plateforme de clustering variablePas de soucis et merci d'essayer de m'aider.
WRT à l'utilisation de données continues ou catégorielles - j'ai en fait exécuté à la fois PLSR et PLSDA, et de toute façon, lorsque j'utilise les 236 variables, aucun modèle ne converge. En fait, même après réduction de dimension à l'aide de la plate-forme de clustering variable et en utilisant ces vecteurs propres (composants de cluster) comme X, je n'obtiens pas de modèle convergé lorsque je fais un PLSR prédisant des données continues, le seul moment où un modèle converge est lorsque j'utilise des Y catégoriques en cours de prédiction. par les composants du cluster X.
Re : Interpréter les vecteurs propres dans une plateforme de clustering variableOh, le PCA sur X est une bonne idée, je n'ai pas encore essayé ça. Je vais le faire et voir ce que je peux apprendre...
