Interpretare gli autovettori nella piattaforma di clustering variabileHo variabili che indicano i tassi di scomparsa di vari metaboliti dal plasma, ovvero l'eliminazione dalla circolazione sanguigna. Poiché ne ho più di 200, sto utilizzando la piattaforma di clustering delle variabili per raggruppare queste variabili. Sto quindi utilizzando i componenti del cluster in un modello PLS-DA per vedere quali componenti del cluster (e il gruppo variabile corrispondente) finiscono per discriminare due gruppi clinici che sto studiando. Nel fare ciò, come interpreto gli autovettori negativi (o sono autovalori, ma questo suggerisce autovettori)? Se un autovettore positivo indica una velocità più elevata con cui quel gruppo di variabili scompare dal plasma, allora un autovettore negativo indica una scomparsa più lenta rispetto a quelli con notazione positiva? Felice di fornire maggiori dettagli se necessario.
Modellazione statistica avanzatafinestreRe: Interpretare gli autovettori nella piattaforma di clustering variabileIl tuo studio esatto non mi è chiaro... ma ecco una domanda... Stai raggruppando le x prima di eseguire il modello PLS-DA e quindi utilizzando gli autovettori come x? Sembra proprio di sì. Quindi ora la domanda: perché non lasciare semplicemente che la piattaforma PLS-DA faccia ciò che sa fare meglio, ovvero formare e identificare il numero ottimale di variabili latenti nelle x per il modello e le risposte. Quindi non devi preoccuparti di raggruppare le x e cercare di capire dove tagliarle ecc. E interpretare gli autovettori come x. Il rapporto della piattaforma farà tutto il lavoro pesante per l'interpretazione per te.
Re: Interpretare gli autovettori nella piattaforma di clustering variabileGrazie, P_Bartell.
Forse una visione un po’ più approfondita dei dati aiuterebbe, come hai detto. Il mio set di dati è piuttosto ampio: 236 variabili, con n = 44 casi, con 3 misure ripetute ciascuno, classificati in 3 gruppi altamente sbilanciati (n = 6, 7 e 31) sulla base di un punteggio di criterio specifico. Quando lascio che PLSDA faccia del suo meglio prevedendo il mio Y (3 gruppi sbilanciati, misurati 3 volte) in base a X (tutte le 236 variabili), nessun modello converge. Ma, quando riduco le mie X raggruppando le variabili, genera un modello, con 2 fattori, e posso quindi procedere a interpretare cosa significa.
questo aiuta?
Ri: Interpretare gli autovettori nella piattaforma di clustering variabileHmmmm. Ci scusiamo per le continue domande riguardanti il tuo studio... questo "test di sfida" eseguito da ogni individuo... c'era un risultato numerico che costituiva la base per la classificazione? Per fare un esempio ipotetico, hai chiesto a ciascuna persona di correre 100 metri, quelli che hanno corso meno di 15 secondi sono stati classificati come "veloci", quelli che hanno corso tra 15 e 20 secondi sono stati classificati come "lenti" e quelli che hanno corso per più di 20 secondi "ancora più lenti" ? Quello che spero è che tu possa utilizzare l'output numerico per la modellazione e quindi eseguire la classificazione nel back-end, dopo la modellazione. Con una risposta continua diventa disponibile un insieme molto più ampio di metodi di modellazione.
Inoltre, un altro pensiero... Non sono più un utente JMP o JMP Pro (ingegnere di sistema senior JMP in pensione) ma sembra che ci sia qualche PCA in corso sullo sfondo della piattaforma di clustering dalla tua descrizione? Hai provato prima PCA nella piattaforma nativa JMP Pro PCA su x per dare un'occhiata ad alcune delle visualizzazioni utili nei report di quella piattaforma? Può aiutarti nell'interpretazione delle componenti principali e degli autovettori.
Re: Interpretare gli autovettori nella piattaforma di clustering variabileCV: Lasciane uno fuori, dato che le n erano così piccole.
Probabilmente anche K-fold funzionerebbe, per il momento sono rimasto con LOO.
Non sono sicuro di seguire cosa intendi con "classificare attraverso un approccio di misure ripetute". Ma la mia ipotesi è che il modo in cui avevo spiegato il mio set di dati non fosse chiaro. Quindi, cercherò di dettagliarlo meglio questa volta. Abbiamo arruolato 44 individui su uno spettro di malattie. Abbiamo sottoposto loro un test di "sfida" 3 volte (le mie misure ripetute) e li abbiamo classificati in 3 gruppi di risposta (alto, basso e variabile) in base alla coerenza con cui hanno eseguito il loro test di "sfida". Abbiamo creato queste classificazioni in base alla nostra esperienza in materia e non si è trattato di una decisione statistica. Questo aiuta?
Ri: Interpretare gli autovettori nella piattaforma di clustering variabileNon preoccuparti e grazie per aver provato ad aiutarmi.
WRT sull'utilizzo di dati continui e categorici: in realtà ho eseguito sia PLSR che PLSDA e in ogni caso, quando utilizzo tutte le 236 variabili, nessun modello converge. In effetti, anche dopo la riduzione delle dimensioni utilizzando la piattaforma di clustering variabile e utilizzando tali autovettori (componenti del cluster) come X, non ottengo la convergenza di un modello quando eseguo la previsione di dati continui con PLSR, solo il momento in cui un modello converge è quando utilizzo la previsione di Y categoriali dai componenti del cluster X.
Re: Interpretare gli autovettori nella piattaforma di clustering variabileOh, il PCA su X è una buona idea, non l'ho ancora provato. Lo farò e vedrò cosa posso imparare...
