解释变量聚类平台中的特征向量我有一些变量指示血浆中各种代谢物的消失率，即血液循环中的清除率。由于我有 200 多个变量，因此我使用变量聚类平台对这些变量进行聚类。然后，我使用 PLS-DA 模型中的聚类组件来查看哪些聚类组件（及其相应的变量组）最终区分了我正在研究的两个临床组。在这样做时，我如何解释负特征向量（或者它们是特征值， 但这表明特征向量）？如果正特征向量表明该变量簇从等离子体中消失的速率较高，那么负特征向量是否表明相对于具有正符号的变量消失较慢？如有必要，很乐意提供更多详细信息。
高级统计建模视窗回复：解释变量聚类平台中的特征向量我不清楚你的确切研究......但这里有一个问题......你是否在运行 PLS-DA 模型之前对 x 进行聚类，然后使用特征向量作为 x ？听起来确实是这样。那么现在的问题是：为什么不让 PLS-DA 平台做它最擅长的事情，即形成并识别模型和响应的 x 中潜在变量的最佳数量。然后，您不必担心对 x 进行聚类并尝试找出在哪里将它们切断等，并将特征向量解释为 x 。该平台的报告将为您完成所有繁重的解释工作。
回复：解释变量聚类平台中的特征向量谢谢你，P_巴特尔。
正如您所提到的，也许对数据有更多的了解会有所帮助。我的数据集相当广泛：236 个变量，n = 44 个案例，每个案例 3 次重复测量，根据一个特定的标准分数分为 3 个高度不平衡的组（n = 6、7 和 31）。当我让 PLSDA 根据 X（所有 236 个变量）预测 Y（3 个不平衡组，测量 3 次）来尽最大努力时，没有模型收敛。但是，当我通过对变量进行聚类来减少 X 时，它确实会生成一个包含 2 个因子的模型，然后我可以继续解释这意味着什么。
这有帮助吗？
回复：解释变量聚类平台中的特征向量嗯嗯。抱歉，关于您的研究的持续问题...每个人执行的“挑战测试”...是否有一个数字输出作为分类的基础？假设一个例子，你要求每个人跑 100 码，那些跑在 15 秒以内的人被归类为“快”，那些跑在 15 到 20 秒之间的人被归类为“慢”，超过 20 秒的人被归类为“更慢” ？我希望您可以使用数字输出进行建模，然后在建模后的后端进行分类。通过连续响应，可以使用更广泛的建模方法。
另外还有一个想法...我不再是 JMP 或 JMP Pro 用户（退休的 JMP 高级系统工程师），但从您的描述来看，集群平台的后台似乎正在进行一些 PCA ？您是否首次在 x 的原生 JMP Pro PCA 平台中尝试过 PCA，以查看该平台报告中的一些有用的可视化效果？它可能有助于您解释主成分和特征向量。
回复：解释变量聚类平台中的特征向量嗯...我对 PLS-DA 在处理不平衡的小群体方面遇到问题并不感到惊讶。我很好奇你选择了哪种交叉验证技术？你尝试过 K 折还是留一折？关于重复测量，您能否分享一下您是如何通过“重复测量”方法进行分类的？通常，对我来说，重复测量是由连续响应而不是分类响应调用的。
回复：解释变量聚类平台中的特征向量CV：留下一个，因为 n 太小了。
K-fold 也可能有效，我暂时坚持使用 LOO。
我不确定我是否理解您所说的“通过重复测量方法进行分类”的意思。但我的猜测是我解释数据集的方式不清楚。所以，这次我会尽力详细说明。我们招募了 44 名不同疾病谱的个体。我们对他们进行了 3 次“挑战”测试（我的重复测量），并根据他们在“挑战”测试中表现的一致性将他们分为 3 个（高、低和可变）反应组。我们根据我们的主题专业知识创建了这些分类，这不是统计决定。这有帮助吗？
回复：解释变量聚类平台中的特征向量不用担心，感谢您尝试帮助我。
WRT 使用连续数据与分类数据 - 我实际上运行了 PLSR 和 PLSDA，无论哪种方式，当我使用所有 236 个变量时，没有模型收敛。事实上，即使在使用变量聚类平台进行降维并使用这些特征向量（聚类分量）作为 X 后，当我进行 PLSR 预测连续数据时，我也没有得到模型收敛，只有当我使用分类 Y 进行预测时模型才会收敛由簇组件 X 组成。
回复：解释变量聚类平台中的特征向量哦，X 上的 PCA 是个好主意，我还没有尝试过。我会这样做，看看我能学到什么......
