Questions marquées «pca»

L'analyse en composantes principales (ACP) est une technique de réduction de dimensionnalité linéaire. Il réduit un ensemble de données multivarié à un plus petit ensemble de variables construites en préservant autant d'informations (autant de variance) que possible. Ces variables, appelées composantes principales, sont des combinaisons linéaires des variables d'entrée.

1
Indépendance linéaire vs indépendance statistique (PCA et ICA)
Je lis cet article intéressant sur l'application de l'ICA aux données d'expression génique. Les auteurs écrivent: [T] il n'est pas nécessaire que les composants PCA soient statistiquement indépendants. C'est vrai, mais les PJ sont orthogonaux, n'est-ce pas? Je suis un peu flou quant à la relation entre l'indépendance statistique et …
8 pca  independence  ica 
2
Existe-t-il un test / une technique / une méthode pour comparer les décompositions des composants principaux entre les échantillons?
Existe-t-il un moyen méthodique de comparer les directions, les grandeurs, etc. des résultats de l'ACP pour différents échantillons prélevés sur la même population? Je laisse la nature du test délibérément vague parce que j'aimerais entendre toutes les différentes possibilités ... par exemple, il pourrait y avoir (et je spécule ici) …
1
Que signifie «PCA (analyse en composantes principales) pour les données»?
Je lisais quelques notes et il est dit que PCA peut "sphérer les données". Ce qu'ils définissent pour moi comme "sphère des données" divise chaque dimension par la racine carrée de la valeur propre correspondante. Je suppose que par "dimension", ils signifient chaque vecteur de base dans lequel nous projetons …
8 pca 
3
Test post hoc dans une conception mixte 2x3 ANOVA utilisant SPSS?
J'ai deux groupes de 10 participants qui ont été évalués trois fois au cours d'une expérience. Pour tester les différences entre les groupes et entre les trois évaluations, j'ai exécuté une ANOVA de conception mixte 2x3 avec group(contrôle, expérimental), time(premier, deuxième, trois) et group x time. Les deux timeet grouprésulté …
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
Intervalles de confiance lors de l'utilisation du théorème de Bayes
Je calcule des probabilités conditionnelles et des intervalles de confiance à 95% associés. Pour bon nombre de mes cas, j'ai un décompte simple des xsuccès des nessais (à partir d'un tableau de contingence), donc je peux utiliser un intervalle de confiance binomial, tel que celui fourni par binom.confint(x, n, method='exact')dans …
3
Techniques de réduction des dimensions pour les très petits échantillons
J'ai 21 variables macroéconomiques et socio-économiques d'attitudes (comme le pourcentage de mères âgées de 24 à 54 ans sans emploi, le pourcentage d'enfants âgés de 3 à 5 ans dans les écoles maternelles, etc.). J'ai également des données sur les proportions de grands-parents qui ont fourni des services de garde …
1
SVD d'une matrice de données (PCA) après lissage
Disons que j'ai une matrice de données centrée avec SVD .n×mn×mn \times mAAAA=UΣVTA=UΣVTA = U \Sigma V^{T} Par exemple, colonnes (mesures) qui sont des spectres avec n = 100 fréquences différentes. La matrice est centrée de sorte que les lignes de la matrice ont leur moyenne soustraite. C'est pour interpréter …
8 pca  smoothing  svd 
4
Comment tester si la variance expliquée par le premier facteur d'ACP diffère selon les conditions des mesures répétées?
Le contexte: J'ai une étude où six variables numériques sont mesurées dans chacune des deux conditions expérimentales de mesures répétées (n = 200). Appelons les conditions et et les variables et . Théoriquement, je m'attends à ce que dans la condition plus de variance dans les variables soit expliquée par …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.