Tony Cooper, PhD, Consulente analitico, SAS
Sam Edgemon, consulente tecnico principale, SAS
L'analisi delle componenti principali (PCA) consente la riduzione delle variabili e la comprensione della struttura sottostante dei dati. JMP offre metodi di stima per PCA come REML, wide e sparse. I diversi metodi possono utilizzare matematica diversa. Ancora più importante, i metodi sono applicabili a diverse applicazioni.
La motivazione di questo intervento erano i dati che includevano più di 50 sintomi ogni settimana per due anni. Un percorso di analisi ha preso in considerazione i modi per riassumere i dati attraverso i sintomi (sindromi?). Ogni colonna descriveva il conteggio di un certo sintomo in un periodo di tempo.
L'autore aveva molta familiarità con PCA su dati continui, ma PCA richiede una matrice di covarianza per riassumere dati continui e queste misure sono conteggi. Allo stesso tempo, Text Mining stava diventando più accessibile e spesso considera i dati in una Doc-Term Matrix:
Questa matrice dipende anche dai conteggi! La matematica alla base della riduzione delle dimensioni nel Text Mining è in genere la Singular Value Decomposition (SVD).
Negli ultimi anni JMP ha ampliato la sua piattaforma Principal Components.
Wide e Sparse implementano entrambi SVD. Ci sono opzioni per PCA e basate su SVD. Ci sono opzioni per centratura e ridimensionamento. Ci sono modifiche agli algoritmi per situazioni particolari. Gli esempi mostreranno l'implementazione delle opzioni.
.
