Einführung in CPA
PCA ist eine statistische Methode, die sich auf die Familie der multivariaten Statistiken bezieht und auf der Reduzierung von Dimensionen basiert, deren Ziel es ist, zu verstehen, was zwischen Gruppen von Individuen unterscheidet.
Es besteht darin, mehrdimensionale Daten zu untersuchen, indem sie in neue unkorrelierte Variablen umgewandelt werden. Es sind diese neuen Variablen, die wir als Hauptkomponenten oder Hauptachsen bezeichnen.
Einer der Vorteile von PCA besteht darin, Visualisierungen mehrdimensionaler Daten in einer zweidimensionalen Ebene zu ermöglichen und gleichzeitig den Informationsverlust zu minimieren, der als statistische Trägheit bezeichnet wird.
Interessen des CPA
PCA ist eine sehr visuelle statistische Methode, die Folgendes ermöglicht:
beide, um die Korrelationen zwischen Variablen zu untersuchen,
auch um homogene Gruppen von Individuen innerhalb derselben Gruppe zu bestimmen und zwischen verschiedenen Gruppen zu unterscheiden.
Es kann auf viele Felder angewendet werden und ermöglicht visuelle Ergebnisse, die sich leicht anhand der Interpretation erklären lassen.
Anwendung von PCA auf die Seroprävalenzstudie SEROCOV56
In der SEROCOV56-Studie wurde mittels PCR die Unterschiede in positiven Tests zwischen verschiedenen Kits beobachtet.
Eine der zugrunde liegenden Interpretationen besteht darin, sich einer Form der Erscheinungskinetik zwischen den Testergebnissen zu nähern.
Vor dem Auftragen von PCA wurden die optischen Dichten normalisiert, um sie miteinander vergleichen zu können.
Die Ergebnisse, die für den Graphen der Korrelationen der Hauptachsen erhalten wurden, waren wie folgt:
Ausgehend vom Zifferblatt oben rechts bis zum Zifferblatt unten rechts beobachten wir eine Form der Erscheinungskinetik (identisch mit der bei der Analyse der Konkordanztests derselben Studie beobachteten). nämlich:
1. IgM,
2. IgA,
3. IgG "Spike",
4. IgG "Nucleocapsid".
Diese ersten Ergebnisse scheinen auf eine Kinetik des Aussehens hinzuweisen (IgM > IgA > IgG "Spike" > IgG "Nucleocapsid"), was zu dem Interesse führt, alle Kits zu verwenden .
Hinweis:
In unserem Fall ist die Verwendung von PCA nicht mit einer Risikofaktoranalyse verbunden, die mit interessierenden Variablen verknüpft ist und über eine Regression bei erhalten werden kann reduzierte Ränge (RRR-Methode).