Statistiken und Big Data pca

1

Welche Matrix sollte in der Faktoranalyse interpretiert werden: Mustermatrix oder Strukturmatrix?

Wenn Sie eine Faktoranalyse (z. B. durch Hauptachsen-Factoring) oder eine Hauptkomponentenanalyse als Faktoranalyse durchführen und eine Schrägdrehung der Ladungen durchgeführt haben, - welche Matrix verwenden Sie dann, um zu verstehen, welche Elemente auf welche Faktoren geladen werden und um die Faktoren zu interpretieren, - Mustermatrix oder Strukturmatrix ? Ich habe …

8 pca interpretation factor-analysis rotation

1

Visualisierung von PCA in R: Datenpunkte, Eigenvektoren, Projektionen, Vertrauensellipse

Ich habe einen Datensatz von 17 Personen, Rang 77 Aussagen. Ich möchte Hauptkomponenten auf einer transponierten Korrelationsmatrix von Korrelationen zwischen Personen (als Variablen) über Aussagen (als Fälle) extrahieren . Ich weiß, es ist seltsam, es heißt Q-Methodik . Ich möchte veranschaulichen, wie PCA in diesem Zusammenhang funktioniert, indem ich Eigenwerte …

8 r data-visualization pca ggplot2 eigenvalues

1

Lineare Unabhängigkeit vs. statistische Unabhängigkeit (PCA und ICA)

Ich lese dieses interessante Papier über die Anwendung von ICA auf Genexpressionsdaten. Die Autoren schreiben: [T] Hier ist es nicht erforderlich, dass PCA-Komponenten statistisch unabhängig sind. Das stimmt, aber die PCs sind orthogonal, nicht wahr? Ich bin ein bisschen verschwommen, was die Beziehung zwischen statistischer Unabhängigkeit und Orthogonalität oder linearer …

8 pca independence ica

1

Unter welchen Bedingungen liefern PCA und FA ähnliche Ergebnisse?

Unter welchen Bedingungen kann erwartet werden, dass die Hauptkomponentenanalyse (PCA) und die Faktoranalyse (FA) zu ähnlichen Ergebnissen führen?

8 pca factor-analysis

2

Gibt es einen Test / eine Technik / eine Methode zum Vergleichen der Zerlegung von Hauptkomponenten zwischen Proben?

Gibt es eine methodische Möglichkeit, die Richtungen, Größen usw. der PCA-Ergebnisse für verschiedene Proben aus derselben Population zu vergleichen? Ich lasse die Art des Tests absichtlich vage, weil ich all die verschiedenen Möglichkeiten hören möchte ... zB könnte es einen Test geben (und ich spekuliere hier), der die Größen der …

8 hypothesis-testing pca variance inference

1

Wann ist es angebracht, PCA als Vorverarbeitungsschritt zu verwenden?

Ich verstehe, dass PCA zur Reduzierung der Dimensionalität verwendet wird, um Datensätze in 2D oder 3D zeichnen zu können. Ich habe aber auch Leute gesehen, die PCA als Vorverarbeitungsschritt in Klassifizierungsszenarien anwenden, in denen sie PCA anwenden, um die Anzahl der Merkmale zu reduzieren, und dann einige Hauptkomponenten (die Eigenvektoren …

8 machine-learning pca data-mining dimensionality-reduction

1

Was bedeutet "PCA (Principal Component Analysis) Sphären der Daten"?

Ich habe einige Notizen gelesen und es heißt, dass PCA "die Daten kugeln" kann. Was sie für mich als "Sphärieren der Daten" definieren, ist das Teilen jeder Dimension durch die Quadratwurzel des entsprechenden Eigenwerts. Ich gehe davon aus, dass mit "Dimension" jeder Basisvektor gemeint ist, in den wir projizieren (dh …

8 pca

1

Sternkoordinaten vs. Hauptkomponentenanalyse

Ich bereite gerade eine Präsentation für einen Universitätskurs in "Visual Data Analysis" vor. Und eines meiner Themen ist die Visualisierung "Star Coordinate". Sternkoordinaten Da Sternkoordinaten eine Transformation hochdimensionaler Daten durchführen und die bekannte PCA-Technik dies auch tut, frage ich mich, ob PCA durch Sternkoordinaten nachgeahmt werden kann. Ich denke daran, …

8 data-visualization pca large-data

1

Anteil der erklärten Varianz in PCA und LDA

Ich habe einige grundlegende Fragen zu PCA (Hauptkomponentenanalyse) und LDA (lineare Diskriminanzanalyse): In PCA gibt es eine Möglichkeit, den erklärten Varianzanteil zu berechnen. Ist es auch für LDA möglich? Wenn das so ist, wie? ldaEntspricht der von der Funktion (in der R MASS-Bibliothek) ausgegebene "Proportion of Trace" dem "erklärten Varianzanteil"?

8 r variance pca discriminant-analysis

1

Verwendung von Varimax-gedrehten PCA-Komponenten als Prädiktoren für die lineare Regression

Nach der PCA beschreibt die erste Komponente den größten Teil der Variabilität. Dies ist wichtig, z. B. bei der Untersuchung von Körpermaßen, bei denen allgemein bekannt ist (Jolliffe, 2002), dass die PC1-Achse Größenschwankungen erfasst. Meine Frage ist, ob PCA-Scores nach Varimax-Rotation dieselben Eigenschaften beibehalten oder sich unterscheiden, wie in diesem …

8 regression pca factor-rotation

1

Die Verteilung der Eigenwerte bei einem ist bekannt

Ich bin mit der Verwendung von Erkenntnissen aus der Zufallsmatrixtheorie vertraut, um die Anzahl der Hauptkomponenten aus der PCA einer Kovarianz- / Korrelationsmatrix zu bestimmen, die zur Bildung von Faktoren verwendet werden sollen. Wenn der dem ersten PC zugeordnete Eigenwert groß ist, bedeutet dies, dass die verbleibenden Eigenwerte klein sein …

8 correlation pca covariance eigenvalues random-matrix

3

Post-hoc-Test in einer 2x3-ANOVA mit gemischtem Design unter Verwendung von SPSS?

Ich habe zwei Gruppen von 10 Teilnehmern, die während eines Experiments dreimal bewertet wurden. Um die Unterschiede zwischen den Gruppen und zwischen den drei Bewertungen zu testen, führte ich eine 2 × 3-ANOVA mit gemischtem Design mit group(Kontrolle, experimentell), time(erste, zweite, drei) und group x time. Beides timeund groupErgebnis signifikant, …

8 anova mixed-model spss post-hoc bonferroni time-series unevenly-spaced-time-series classification normal-distribution discriminant-analysis probability normal-distribution estimation sampling classification svm terminology pivot-table random-generation self-study estimation sampling estimation categorical-data maximum-likelihood excel least-squares instrumental-variables 2sls total-least-squares correlation self-study variance unbiased-estimator bayesian mixed-model ancova statistical-significance references p-value fishers-exact probability monte-carlo particle-filter logistic predictive-models modeling interaction survey hypothesis-testing multiple-regression regression variance data-transformation residuals minitab r time-series forecasting arima garch correlation estimation least-squares bias pca predictive-models genetics sem partial-least-squares nonparametric ordinal-data wilcoxon-mann-whitney bonferroni wilcoxon-signed-rank traminer regression econometrics standard-error robust misspecification r probability logistic generalized-linear-model r-squared effect-size gee ordered-logit bayesian classification svm kernel-trick nonlinear bayesian pca dimensionality-reduction eigenvalues probability distributions mathematical-statistics estimation nonparametric kernel-smoothing expected-value filter mse time-series correlation data-visualization clustering estimation predictive-models recommender-system sparse hypothesis-testing data-transformation parametric probability summations correlation pearson-r spearman-rho bayesian replicability dimensionality-reduction discriminant-analysis outliers weka

1

Konfidenzintervalle bei Verwendung des Bayes-Theorems

Ich berechne einige bedingte Wahrscheinlichkeiten und zugehörige 95% -Konfidenzintervalle. In vielen meiner Fälle habe ich eine einfache Anzahl von xErfolgen aus nVersuchen (aus einer Kontingenztabelle), sodass ich ein Binomial-Konfidenzintervall verwenden kann, wie es binom.confint(x, n, method='exact')in in angegeben ist R. In anderen Fällen habe ich solche Daten jedoch nicht, daher …

8 r bayesian confidence-interval conditional-probability hidden-markov-model segmentation hypothesis-testing statistical-significance multiple-comparisons multiple-regression r regression survey sample finite-population pca model-selection dataset partitioning clustering time-series least-squares regression standard-error causality r time-series outliers missing-data machine-learning svm hypothesis-testing discrete-data r data-visualization survey likert finance regression pca feature-selection stepwise-regression underdetermined svm natural-language

3

Dimensionsreduktionstechniken für sehr kleine Stichprobengrößen

Ich habe 21 sozioökonomische Variablen und Variablen auf Makroebene (z. B. Prozentsatz der nicht erwerbstätigen Mütter im Alter von 24 bis 54 Jahren, Prozentsatz der Kinder im Alter von 3 bis 5 Jahren in Kindergärten usw.). Ich habe auch Daten über die Anteile der Großeltern, die eine intensive Kinderbetreuung angeboten …

8 pca factor-analysis dimensionality-reduction small-sample correspondence-analysis

1

SVD einer Datenmatrix (PCA) nach dem Glätten

Angenommen, ich habe eine zentrierte Datenmatrix mit SVD .n×mn×mn \times mAAAA=UΣVTA=UΣVTA = U \Sigma V^{T} Zum Beispiel Spalten (Messungen), die Spektren mit verschiedenen Frequenzen sind. Die Matrix ist zentriert, sodass der Mittelwert der Zeilen der Matrix abgezogen wird. Dies dient zur Interpretation der linken Singularvektoren als Hauptkomponenten.m=50m=50m=50n=100n=100n=100 Ich bin daran …

8 pca smoothing svd

Als «pca» getaggte Fragen