¡Hola a todos!
Estoy trabajando con análisis de componentes principales de datos espectrales (FTIR). Para ello, utilizo la plataforma Functional Data Explorer. Tengo algunas preguntas sobre los resultados cargados después del análisis:
1. ¿Cuáles serían los criterios para identificar qué modelo es mejor? Gráficos de diagnóstico vs. valores propios
Antes de realizar PCA, estoy ajustando algunos modelos (B-spline, P-spline y PCA funcional directo) para ver cuál se ajustaría mejor a mis datos.
Como ya sabes, el software lanza gráficos de diagnóstico del modelo y del PCA. Para P-spline, creo que tengo gráficos de diagnóstico ligeramente mejores que el PCA directo (consulta el archivo ppt adjunto), pero mis 2 componentes principales solo explican el 78 % de la variación, mientras que con el PCA directo mis 2 componentes principales explican el 99 %. Entonces, tengo dudas sobre cómo decidir cuál es mejor.
2. ¿Las funciones de forma son lo mismo que los gráficos de carga?
Función de forma PCA directa:
Función de forma P Spline:
Me gustaría comprobar si mi interpretación es correcta. Creo que las funciones de forma son los gráficos de carga para mi análisis de PCA, ¿no es así? ¿Está bien decir que las funciones de forma 1 y 2 explican los números de onda que tuvieron la mayor contribución en mi agrupación de PCA?
Y sólo por mi curiosidad... ¿hay alguna razón por la que las funciones de forma para el spline P se ven algo "abolladas" mientras que para el spline B y el PCA directo se ven suaves?
¡Gracias!
Hola @Mariana_Aguilar ,
Para dar seguimiento a sus preguntas:
- Hay varias métricas que puedes utilizar para evaluar, comparar y seleccionar mejor los modelos, y pueden ser diferentes según tu objetivo.
Para la plataforma Functional Data Explorer, se muestran varios criterios de información: AICc, BIC y GCV: Opciones de informe de ajuste del modelo . Estas métricas se utilizan para comparar y seleccionar el modelo con el criterio de información más bajo (mejor compromiso entre precisión/rendimiento predictivo y complejidad). Consulte el Informe del modelo de expansión de función base para obtener más información sobre la selección de modelos.
Visualmente, los gráficos de diagnóstico también son muy útiles. En el archivo adjunto, parece que los P-Splines hacen un mejor trabajo que el PCA directo, que podría suavizar y simplificar demasiado la señal de los datos espectrales (como con los B-Splines, que son modelos de splines polinómicos). Dado que la señal parece (sobre)simplificada con el PCA directo, puede explicar por qué puede explicar el 99 % de la variación con 2 PC funcionales con este modelo. Según el tipo de modelo que esté ajustando (B-, P-Splines, modelos directos, Wavelets, ...), la complejidad (y los rendimientos predictivos) serán diferentes y darán lugar a diferentes complejidades/funciones de forma.
En cuanto a los datos espectrales, también recomendaría probar los modelos de la familia Wavelets.
- Las funciones de forma son componentes principales funcionales, por lo que ayudan a comprender visualmente qué área de los datos espectrales es la más importante para discriminar y explicar las diferencias entre las muestras. Sin embargo, varias funciones de forma se pueden vincular a la misma área espectral, por lo que las influencias/importancias no son tan directas de evaluar.
Espero que esta respuesta te ayude.
¡Muchas gracias Víctor!
En las funciones de forma, el gráfico de la izquierda dice función media... ¿puedo entender por qué el eje Y para este gráfico es "datos" mientras que para los otros dos es "peso"?
Y una pregunta más, ¿hay alguna manera de exportar estos gráficos a Excel? Esto es para poder ponerlos en el mismo formato que el resto de mi material.
Gracias:)
