Diese Anleitung beschreibt die Durchführung einer Hauptkomponentenanalyse (PCA). Diese Analysemethode wird häufig verwendet, um die Dimensionalität eines Datensatzes zu reduzieren (d. h. die Anzahl der Variablen zu verringern), indem ein neuer Satz von Variablen erstellt wird, der lineare Kombinationen der ursprünglichen Variablen darstellt, statistisch voneinander unabhängig ist und die meisten in den ursprünglichen Variablen enthaltenen Informationen (d. h. Variation und Korrelation) erfasst.
Hauptkomponenten
- Wählen Sie in einer geöffneten JMP® - Datentabelle Analysieren > Multivariate Methoden > Hauptkomponenten .
- Wählen Sie unter „Spalten auswählen“ die Option „Kontinuierliche Variablen auswählen“ und klicken Sie auf „Y“, Spalten (kontinuierliche Variablen sind mit blauen Dreiecken gekennzeichnet).
- Klicken Sie auf OK.
Standardmäßig zeigt JMP die Eigenwerte und drei zusammenfassende Diagramme an.
- Pareto-Diagramm der Eigenwerte : Der Prozentsatz und
kumulativer Gesamtprozentsatz der Variation, der durch jede Hauptkomponente erklärt wird.
- Score-Plot (Mitte): Ein Streudiagramm der ersten beiden Hauptkomponenten. Verwenden Sie die Optionen unten, um zwei beliebige Komponenten zur Anzeige auszuwählen.
- Ladungsdiagramm : Korrelationen zwischen den ursprünglichen Variablen und den beiden ausgewählten Hauptkomponenten. (Hinweis: Die Faktorladungen sind nicht rotiert.)
Tipps:
- Standardmäßig wird die PCA auf Korrelationen angewendet.
- Klicken Sie auf das rote Dreieck oben , um die Berechnungsmethode zu ändern, zusätzliche Ergebnisse anzuzeigen, die Hauptkomponenten in der Datentabelle zu speichern oder detaillierte Informationen zu den Eigenwerten anzuzeigen.
- Die Hauptkomponentenanalyse kann auch über die Scatterplot 3D- Plattform oder die Multivariate -Plattform aufgerufen werden.
Socioeconomic.jmp (Help > Sample Data Folder)Socioeconomic.jmp (Hilfe > Beispieldatenordner)
Interpretation:
Die ersten beiden Hauptkomponenten erklären 93,4 % (57,5 + 35,9 = 93,4) der Gesamtvarianz der Daten (siehe Pareto-Diagramm). Diese Werte sind in den Achsen des Score-Plots und des Loading-Plots dargestellt.
Alle ursprünglichen Variablen korrelieren positiv mit der ersten Hauptkomponente (siehe Ladungsdiagramm). Die Gesamtbevölkerung und die Gesamtbeschäftigung korrelieren positiv mit der zweiten Hauptkomponente, während die übrigen Variablen negativ mit ihr korrelieren.
Besuchen Sie Multivariate Methoden > Hauptkomponenten in der JMP-Hilfe , um mehr zu erfahren.
