Как вы используете корреляционную матрицу в качестве входных данных для функции princomp() в R?

У меня есть кадр данных, который представляет матрицу корреляции большого набора данных:

> data
   V1    V2    V3    V4    V5    V6    V7    V8
1 1.000 0.846 0.805 0.859 0.473 0.398 0.301 0.382
2 0.846 1.000 0.881 0.826 0.376 0.326 0.277 0.415
3 0.805 0.881 1.000 0.801 0.380 0.319 0.237 0.345
4 0.859 0.826 0.801 1.000 0.436 0.329 0.327 0.365
5 0.473 0.376 0.380 0.436 1.000 0.762 0.730 0.629
6 0.398 0.326 0.319 0.329 0.762 1.000 0.583 0.577
7 0.301 0.277 0.237 0.327 0.730 0.583 1.000 0.539
8 0.382 0.415 0.345 0.365 0.629 0.577 0.539 1.000

Я хочу выполнить анализ основных компонентов с помощью функции princomp() в {stats}. Я попытался прочитать доступную документацию и получил:

myPCA <- princomp(~V1+V2+V3+V4+V5+V6+V7+V8, data=data, covmat=data)

Но это не делает ничего другого, чем когда я остановился на последнем аргументе. Посоветуйте, как правильно использовать параметры princomp().


r pca princomp
person skmathur    schedule 29.03.2014    source источник
comment
Пакет FactoMineR, очевидно, принимает корреляционные матрицы в качестве аргументов, см. factominer.free.fr/faq/index.html.   -  person tumultous_rooster    schedule 29.03.2014

Ответы (2)


arrow_upward
1
arrow_downward

Вы можете попробовать использовать функцию principal в пакете psych. https://personality-project.org/r/html/principal.html .

Ниже приведена выдержка из http://www.statmethods.net/advstats/factor.html

 # Principal Axis Factor Analysis
 library(psych)
 fit <- principal(mydata, nfactors=5, rotate="varimax")
 fit # print results

mydata может быть матрицей необработанных данных или ковариационной матрицей.

person ManojVenkat    schedule 29.03.2014

arrow_upward
1
arrow_downward

Вы можете рассмотреть возможность использования функции eigen, которая будет производить как собственные значения корреляционной матрицы (эквивалентные квадратам sdevs, полученные princomp), так и собственные векторы (эквивалентные нагрузкам, созданным princomp).

Вызов будет просто:

myPCA <- eigen(data)
myPCA$values
myPCA$vectors
person JasonAment    schedule 29.03.2014