Interpretar vectores propios en una plataforma de agrupación variableTengo variables que indican las tasas de desaparición de varios metabolitos del plasma, también conocidos como eliminación de la circulación sanguínea. Como tengo más de 200 de estos, estoy usando la plataforma de agrupación de variables para agrupar estas variables. Luego estoy usando los componentes del grupo en un modelo PLS-DA para ver qué componentes del grupo (y su correspondiente grupo de variables) terminan discriminando dos grupos clínicos que estoy estudiando. Al hacer esto, ¿cómo interpreto los vectores propios negativos (o son valores propios, pero esto sugiere vectores propios)? Si un vector propio positivo indica una tasa más alta a la que ese grupo de variables desaparece del plasma, entonces ¿un vector propio negativo indica una desaparición más lenta en relación con los que tienen una notación positiva? Estaremos encantados de proporcionar más detalles si es necesario.
Modelado estadístico avanzadoventanasRe: Interpretar vectores propios en una plataforma de agrupamiento variableSu estudio exacto no me queda claro... pero aquí hay una pregunta... ¿Está agrupando las x antes de ejecutar el modelo PLS-DA y luego usando los vectores propios como x? Seguro que lo parece. Entonces ahora la pregunta: ¿Por qué no dejar que la plataforma PLS-DA haga lo que mejor sabe hacer, que es formar e identificar el número óptimo de variables latentes en las x para el modelo y las respuestas? Entonces no tiene que preocuparse por agrupar las x y tratar de descubrir dónde cortarlas, etc. e interpretar los vectores propios como x. El informe de la plataforma hará todo el trabajo pesado de interpretación por usted.
Re: Interpretar vectores propios en una plataforma de agrupamiento variableGracias, P_Bartell.
Quizás sería útil tener un poco más de información sobre los datos, como usted mencionó. Mi conjunto de datos es bastante amplio: 236 variables, con n = 44 casos, con 3 medidas repetidas cada una, clasificadas en 3 grupos altamente desequilibrados (n = 6, 7 y 31) según un criterio de puntuación específico. Cuando dejo que PLSDA haga lo mejor que puede al predecir mi Y (3 grupos desequilibrados, medidos 3 veces) en función de las X (las 236 variables), ningún modelo converge. Pero, cuando reduzco mis X agrupando variables, genera un modelo, con 2 factores, y luego puedo proceder a interpretar lo que eso significa.
¿Esto ayuda?
Re: Interpretar vectores propios en una plataforma de agrupamiento variableMmmmm. Perdón por las continuas preguntas sobre su estudio... esta 'prueba de desafío' que cada individuo ejecutó... ¿hubo un resultado numérico que fuera la base para la clasificación? Para un ejemplo hipotético, le pidió a cada persona que corriera 100 yardas, los que corrieron menos de 15 segundos se clasificaron como "rápidos", los que corrieron entre 15 y 20 segundos se clasificaron como "lentos" y los de más de 20 segundos "aún más lentos". ? Lo que espero es que puedas usar la salida numérica para modelar y luego hacer tu clasificación en la parte final, después del modelado. Con una respuesta continua, se dispone de un conjunto mucho más amplio de métodos de modelización.
También en otro pensamiento... Ya no soy un usuario de JMP o JMP Pro (ingeniero senior de sistemas jubilado de JMP) pero, según su descripción, parece que hay algo de PCA en segundo plano en la plataforma de agrupación. ¿Ha probado PCA en la plataforma nativa JMP Pro PCA en el x para ver algunas de las visualizaciones útiles en los informes de esa plataforma? Puede ayudarle a interpretar los componentes principales y los vectores propios.
Re: Interpretar vectores propios en una plataforma de agrupamiento variableHmmm... No me sorprende que el PLS-DA tuviera problemas con los pequeños grupos desequilibrados. ¿Y tengo curiosidad por saber qué técnica de validación cruzada elegiste? ¿Probaste K-fold o Leave One Out? Y con respecto a las medidas repetidas, ¿puede compartirnos cómo las clasifica mediante un enfoque de 'medidas repetidas'? Por lo general, para mí una medida repetida se invoca mediante una respuesta continua y no una respuesta de clasificación.
Re: Interpretar vectores propios en una plataforma de agrupamiento variableCV: Deja uno fuera, ya que las n eran muy pequeñas.
K-fold probablemente también funcionaría, por el momento me quedé con LOO.
No estoy seguro de entender lo que quiere decir con "clasificar mediante un enfoque de medidas repetidas". Pero supongo que la forma en que expliqué mi conjunto de datos no estaba clara. Así que esta vez intentaré detallarlo mejor. Inscribimos a 44 personas en un espectro de enfermedades. Les dimos una prueba de "desafío" 3 veces (mis medidas repetidas) y los clasificamos en 3 grupos de respuesta (alta, baja y variable) según la consistencia con la que se desempeñaron en su prueba de "desafío". Creamos estas clasificaciones en función de nuestra experiencia en la materia y no fue una decisión estadística. ¿Eso ayuda?
Re: Interpretar vectores propios en una plataforma de agrupamiento variableNo te preocupes y gracias por intentar ayudarme.
WRT para usar datos continuos versus categóricos: de hecho, he ejecutado PLSR y PLSDA y, de cualquier manera, cuando uso las 236 variables, ningún modelo converge. De hecho, incluso después de la reducción de dimensiones usando la plataforma de agrupación de variables y usando esos vectores propios (componentes de agrupación) como X, no consigo que un modelo converja cuando hago PLSR prediciendo datos continuos, la única vez que un modelo converge es cuando uso las Y categóricas que se predicen. por los componentes X del clúster.
Re: Interpretar vectores propios en una plataforma de agrupamiento variableOh, el PCA en X es una buena idea, todavía no lo he probado. Lo haré y veré qué puedo aprender...
