可変クラスタリング プラットフォームでの固有ベクトルの解釈血漿からのさまざまな代謝物の消失率、つまり血液循環からのクリアランスを示す変数があります。これらが 200 個以上あるため、変数クラスタリング プラットフォームを使用してこれらの変数をクラスタリングしています。次に、PLS-DA モデルのクラスター コンポーネントを使用して、どのクラスター コンポーネント (およびそれらに対応する変数グループ) が最終的に研究している 2 つの臨床グループを区別するかを確認します。これを行う場合、負の固有ベクトル (または固有値ですが、 これは固有ベクトルを示唆しています) をどのように解釈すればよいでしょうか?正の固有ベクトルが変数のクラスターが血漿から消失する速度が速いことを示している場合、負の固有ベクトルは、正の表記を持つものと比較して消失が遅いことを示しているのでしょうか?必要に応じて詳細をお知らせください。
高度な統計モデリングウィンドウズRe: 変数クラスタリング プラットフォームでの固有ベクトルの解釈あなたの正確な研究は私にはわかりません...しかし、ここで質問があります...PLS-DAモデルを実行する前にxをクラスタリングしてから、固有ベクトルをxとして使用していますか?確かにそのように聞こえます。ここで質問です。PLS-DA プラットフォームが最も得意とすること、つまりモデルと応答の x 内の潜在変数の最適な数を形成および特定することだけを実行させてはどうでしょうか。そうすれば、x をクラスタリングしたり、どこで切り取るかを考えたり、固有ベクトルを x として解釈したりすることを心配する必要がなくなります。プラットフォームのレポートは、解釈に関する面倒な作業をすべて行ってくれます。
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈ありがとう、P_バーテル。
おそらく、あなたが言及したように、データをもう少し詳しく理解することが役立つでしょう。私のデータセットは非常に幅広く、n = 44 のケースを持つ 236 個の変数、それぞれ 3 つの反復測定があり、1 つの特定の基準スコアに基づいて非常に不均衡な 3 つのグループ (n = 6、7、および 31) に分類されています。 PLSDA に X (236 個すべての変数) に基づいて Y (3 つの不均衡なグループ、3 回測定) を予測させるという最善を尽くした場合、どのモデルも収束しません。しかし、変数をクラスタリングして X を減らすと、2 つの因子を含む 1 つのモデルが生成され、それが何を意味するかを解釈することができます。
これは役に立ちますか?
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈うーん。勉強に関する質問が続いて申し訳ありません...各個人が実施したこの「チャレンジテスト」...分類の基礎となる数値出力はありましたか?仮定の例として、各人に 100 ヤードを走るように依頼し、15 秒未満で走った人は「速い」と分類され、15 秒から 20 秒の間で走った人は「遅い」と分類され、20 秒を超えると「さらに遅い」と分類されました。 ?私が望んでいるのは、モデリングに数値出力を使用し、モデリング後のバックエンドで分類を実行できることです。継続的な応答により、より広範なモデリング手法が利用可能になります。
また、別の考えですが...私はもう JMP または JMP Pro ユーザーではありません (退職した JMP シニア システム エンジニア) が、あなたの説明によると、クラスタリング プラットフォームのバックグラウンドで PCA が実行されているように見えますか? X の最初のネイティブ JMP Pro PCA プラットフォームで PCA を試して、そのプラットフォームのレポートで役立つ視覚化の一部を確認したことがありますか?これは、主成分と固有ベクトルの解釈に役立つ場合があります。
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈うーん...PLS-DA が小さな不均衡なグループに関して問題を抱えていたことには驚きません。どの相互検証手法を選択したのか興味がありますか? K-fold または Leave One Out を試しましたか?また、反復測定に関して、「反復測定」アプローチを通じてどのように分類しているかを共有していただけますか?通常、私にとって繰り返される測定は、分類応答ではなく、継続的な応答によって呼び出されます。
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈CV: n が非常に小さかったため、1 つは省略します。
K-fold もおそらく機能するでしょう。私は当面は LOO を使い続けました。
「反復測定アプローチによる分類」の意味に従っているかどうかわかりません。しかし、私がデータセットを説明した方法が明確ではなかったのではないかと思います。ということで、今回は詳しく解説していきたいと思います。私たちは、ある疾患スペクトルに属する 44 人を登録しました。私たちは彼らに「チャレンジ」テストを 3 回実施し（私が繰り返し測定しました）、「チャレンジ」テストでどれだけ一貫してパフォーマンスを発揮したかに基づいて、彼らを 3 つの反応グループ（高、低、変動）に分類しました。これらの分類は対象分野の専門知識に基づいて作成されたものであり、統計的な決定ではありません。それは役に立ちますか？
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈心配しないでください。私を助けようとしてくれてありがとう。
連続データとカテゴリデータの使用に関する WRT - 私は実際に PLSR と PLSDA の両方を実行しましたが、いずれにしても、236 個の変数すべてを使用すると、モデルは収束しません。実際、変数クラスタリング プラットフォームを使用し、それらの固有ベクトル (クラスター コンポーネント) を X として使用して次元を削減した後でも、連続データを予測する PLSR を実行してもモデルは収束しません。モデルが収束するのは、予測されるカテゴリカル Y を使用した場合のみです。クラスターコンポーネント X によって。
Re: 変数クラスタリング プラットフォームでの固有ベクトルの解釈ああ、X の PCA は良いアイデアですが、まだ試していません。それをやって、何が学べるか見てみましょう...
