Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformIch habe Variablen, die die Geschwindigkeit des Verschwindens verschiedener Metaboliten aus dem Plasma, auch bekannt als Clearance aus dem Blutkreislauf, anzeigen. Da ich über 200 davon habe, verwende ich die Variablen-Clustering-Plattform, um diese Variablen zu gruppieren. Anschließend verwende ich die Clusterkomponenten in einem PLS-DA-Modell, um zu sehen, welche Clusterkomponenten (und ihre entsprechende Variablengruppe) letztendlich die beiden von mir untersuchten klinischen Gruppen unterscheiden. Wie interpretiere ich dabei negative Eigenvektoren (oder sind es Eigenwerte, aber das deutet auf Eigenvektoren hin)? Wenn ein positiver Eigenvektor auf eine höhere Rate hinweist, mit der dieser Variablencluster aus dem Plasma verschwindet, weist ein negativer Eigenvektor dann auf ein langsameres Verschwinden im Vergleich zu solchen mit positiver Notation hin? Gerne geben wir Ihnen bei Bedarf weitere Einzelheiten.
Erweiterte statistische ModellierungWindowsBetreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformIhre genaue Studie ist mir unklar ... aber hier ist eine Frage ... Gruppieren Sie die x, bevor Sie das PLS-DA-Modell ausführen, und verwenden Sie dann die Eigenvektoren als x? Klingt sicher so. Nun die Frage: Warum lässt man die PLS-DA-Plattform nicht einfach das tun, was sie am besten kann, nämlich die optimale Anzahl latenter Variablen in den x-Werten für das Modell und die Antworten zu bilden und zu identifizieren? Dann müssen Sie sich nicht darum kümmern, die x-Werte zu gruppieren und herauszufinden, wo Sie sie abschneiden usw., und die Eigenvektoren nicht als x-Werte interpretieren. Der Bericht der Plattform übernimmt für Sie die ganze schwere Arbeit in Bezug auf die Interpretation.
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformVielen Dank, P_Bartell.
Vielleicht würde ein bisschen mehr Einblick in die Daten helfen, wie Sie bereits erwähnt haben. Mein Datensatz ist ziemlich umfangreich: 236 Variablen mit n = 44 Fällen mit jeweils 3 wiederholten Messungen, klassifiziert in 3 stark unausgeglichene Gruppen (n = 6, 7 und 31), basierend auf einem bestimmten Kriterienwert. Wenn ich PLSDA sein Bestes geben lasse, indem ich mein Y (drei unausgeglichene Gruppen, dreimal gemessen) basierend auf X (alle 236 Variablen) vorhersage, konvergiert kein Modell. Wenn ich jedoch meine X-Werte durch Clustering von Variablen reduziere, wird tatsächlich ein Modell mit zwei Faktoren generiert, und ich kann dann mit der Interpretation fortfahren, was das bedeutet.
Hilft das?
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformHmmmm. Entschuldigen Sie die anhaltenden Fragen zu Ihrer Studie ... diesem „Herausforderungstest“, den jeder Einzelne durchführte ... Gab es eine numerische Ausgabe, die die Grundlage für die Klassifizierung bildete? Als hypothetisches Beispiel haben Sie jede Person gebeten, 100 Meter zu laufen. Diejenigen, die weniger als 15 Sekunden liefen, wurden als „schnell“ eingestuft, diejenigen, die zwischen 15 und 20 Sekunden liefen, wurden als „langsam“ eingestuft und diejenigen, die über 20 Sekunden liefen, wurden als „noch langsamer“ eingestuft. ? Ich hoffe, dass Sie die numerische Ausgabe für die Modellierung verwenden und dann Ihre Klassifizierung im Backend nach der Modellierung durchführen können. Mit einer kontinuierlichen Reaktion steht ein viel breiteres Spektrum an Modellierungsmethoden zur Verfügung.
Auch zu einem anderen Gedanken ... Ich bin kein JMP- oder JMP Pro-Benutzer mehr (pensionierter leitender JMP-Systemingenieur), aber es sieht so aus, als ob im Hintergrund der Clustering-Plattform eine PCA im Gange ist, wie aus Ihrer Beschreibung hervorgeht? Haben Sie PCA zuerst in der nativen JMP Pro PCA-Plattform auf den x ausprobiert, um einen Blick auf einige der hilfreichen Visualisierungen in den Berichten dieser Plattform zu werfen? Es kann Ihnen bei der Interpretation der Hauptkomponenten und der Eigenvektoren hilfreich sein.
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformHmmm...ich bin nicht überrascht, dass die PLS-DA Probleme mit den kleinen unausgeglichenen Gruppen hatte. Und ich bin neugierig, welche Kreuzvalidierungstechnik Sie gewählt haben? Haben Sie K-Fold oder Leave One Out ausprobiert? Und können Sie in Bezug auf die wiederholten Messungen mitteilen, wie Sie die Klassifizierung anhand eines Ansatzes mit wiederholten Messungen vornehmen? Normalerweise wird eine wiederholte Messung für mich durch eine kontinuierliche Antwort und nicht durch eine Klassifizierungsantwort hervorgerufen.
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformCV: Lassen Sie eins weg, da die n so klein waren.
K-Fold würde wahrscheinlich auch funktionieren, ich bin vorerst einfach bei LOO geblieben.
Ich bin mir nicht sicher, ob ich Ihrer Meinung nach „Klassifizierung durch einen Ansatz mit wiederholten Messungen“ folge. Aber ich vermute, dass die Art und Weise, wie ich meinen Datensatz erklärt habe, nicht klar war. Deshalb werde ich versuchen, es dieses Mal genauer zu beschreiben. Wir haben 44 Personen in ein Krankheitsspektrum aufgenommen. Wir haben sie dreimal einem „Herausforderungstest“ unterzogen (meine wiederholten Messungen) und wir haben sie in drei Antwortgruppen (hoch, niedrig und variabel) eingeteilt, basierend darauf, wie konsistent sie bei ihrem „Herausforderungs“-Test abgeschnitten haben. Wir haben diese Klassifizierungen auf der Grundlage unserer Fachkenntnisse erstellt und es handelte sich nicht um eine statistische Entscheidung. Hilft das?
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformKeine Sorge, und vielen Dank, dass Sie versucht haben, mir zu helfen.
WRT zur Verwendung kontinuierlicher vs. kategorialer Daten – ich habe tatsächlich sowohl PLSR als auch PLSDA ausgeführt, und in beiden Fällen konvergiert kein Modell, wenn ich alle 236 Variablen verwende. Selbst nach der Dimensionsreduzierung mithilfe der variablen Clustering-Plattform und der Verwendung dieser Eigenvektoren (Clusterkomponenten) als durch die Clusterkomponente X.
Betreff: Interpretieren Sie Eigenvektoren in einer Variablen-Clustering-PlattformOh, die PCA auf X ist eine gute Idee, das habe ich noch nicht ausprobiert. Ich werde das tun und sehen, was ich lernen kann ...
