CPA-esittely
PCA on tilastollinen menetelmä, joka liittyy monen muuttujan tilastoperheeseen ja joka perustuu ulottuvuuksien pienentämiseen, jonka tavoitteena on ymmärtää, mikä erottaa yksilöryhmät.
Se koostuu moniulotteisen tutkimisesta muuntamalla ne uusiksi korreloimattomiksi muuttujiksi. Näitä uusia muuttujia kutsutaan pääkomponenteiksi tai pääakseleiksi.
Yksi PCA: n eduista on sallia moniulotteisen datan visualisointi 2-ulotteisessa tasossa minimoiden samalla tiedon menetys, jota kutsutaan tilastolliseksi inertiaksi.
CPA: n
PCA on hyvin visuaalinen tilastollinen menetelmä, joka sallii:
molemmat muuttujien välisten korrelaatioiden tutkimiseksi,
myös määrittää homogeeniset yksilöryhmät samassa ryhmässä ja erotella eri ryhmien välillä.
Sitä voidaan soveltaa moniin kenttiin, ja sen avulla voidaan saada visuaalisia tuloksia, jotka voidaan helposti selittää tulkinnalla.
PCA: n käyttö seropositiivisuustutkimuksessa SEROCOV56
SEROCOV56-tutkimuksessa PCR: ää käytettiin havaitsemaan eroja positiivisten testien välillä eri sarjojen välillä.
Yksi taustalla olevista tulkinnoista on lähestyä ulkonäön kinetiikan muotoa testitulosten välillä.
Ennen PCA: n käyttöä optiset tiheydet normalisoitiin, jotta niitä voitaisiin verrata toisiinsa.
Pääakselien korrelaatioiden kuvaajalle saadut tulokset olivat seuraavat:
Alkaen oikeassa yläkulmassa olevasta valitsimesta oikeassa alakulmassa olevaan valitsimeen havaitsemme ulkonäön kinetiikan muodon (identtinen saman tutkimuksen vastaavuuskokeiden analyysissä havaitun kanssa) , nimittäin:
1. IgM,
2. IgA,
3. IgG "piikki",
4. IgG "nukleokapsidi".
Nämä ensimmäiset tulokset näyttävät osoittavan ulkonäön kinetiikkaa (IgM > IgA > IgG "Spike" > IgG "Nucleocapsid"), mikä johtaa kiinnostukseen käyttää kaikkia sarjoja .
Huomaa:
Meidän tapauksessamme PCA: n käyttöön ei liity riskitekijäanalyysiä, joka liittyy kiinnostuksen kohteena oleviin muuttujiin ja joka voidaan saada regressiolla alennetut rivit (RRR-menetelmä).