CPAの概要
PCAは、多変量統計のファミリーに関連する統計手法であり、個人のグループを区別するものを理解することを目的とする次元の削減に基づいています。
多次元データを新しい非相関変数に変換することにより、それらを研究することで構成されます。主要コンポーネントまたは主軸と呼ばれるのは、これらの新しい変数です。
PCAの利点の1つは、統計的慣性で呼ばれる情報の損失を最小限に抑えながら、2次元平面で多次元データを視覚化できることです。
CPAの利益
PCAは、次のことを可能にする非常に視覚的な統計手法です。
両方とも変数間の相関関係を研究するために
また、同じグループ内の同種の個人グループを決定し、異なるグループ間で区別します。
多くの分野に適用でき、解釈の観点から視覚的で簡単に説明できる結果を得ることができます。
PCAの血清有病率研究SEROCOV56への適用
SEROCOV56研究では、PCRを使用して、異なるキット間の陽性テストの違いを観察しました。
根本的な解釈の1つは、テスト結果間の外観の動力学の形式にアプローチすることです。
PCAを適用する前に、光学密度を正規化して、相互に比較できるようにしました。
主軸の相関グラフで得られた結果は次のとおりです。
右上の文字盤から右下の文字盤まで、外観の動力学の形式を観察します（同じ研究の一致テストの分析中に観察されたものと同じです） 、すなわち：
1. IgM、
2. IgA、
3. IgG "Spike"、
4. IgG "Nucleocapsid"。
これらの最初の結果は、外観の動態（IgM > IgA > IgG "Spike" > IgG "Nucleocapsid"）を示しているようであり、すべてのキットを使用することに関心が集まっています。 。
注：
この場合、PCAの使用は、関心のある変数との関連付けにより、リスクファクター分析とは関連付けられていません。これは、での回帰を介して取得できます。ランクを下げました（RRRメソッド）。