CPA 소개
PCA는 개인 그룹 간의 차이를 이해하는 것이 목적인 차원의 축소를 기반으로하는 다변량 통계 계열과 관련된 통계 방법입니다.
다차원 데이터를 새로운 데코 관련 변수로 변환하여 연구하는 것으로 구성됩니다. 우리가 주성분 또는 주축이라고 부르는 것은 이러한 새로운 변수입니다.
PCA의 장점 중 하나는 통계 관성이라고하는 정보 손실을 최소화하면서 2 차원 평면에서 다차원 데이터를 시각화 할 수 있다는 것입니다.
CPA의 관심사
PCA는 다음을 허용하는 매우 시각적 인 통계 방법입니다.
둘 다 변수 간의 상관 관계를 연구하기 위해
또한 동일한 그룹 내에서 서로 다른 그룹간에 구별되는 개인의 동종 그룹을 결정합니다.
많은 분야에 적용 할 수 있으며 해석 측면에서 시각적이고 쉽게 설명 할 수있는 결과를 얻을 수 있습니다.
혈청 유병률 연구 SEROCOV56에 PCA 적용
SEROCOV56 연구에서 PCR을 사용하여 서로 다른 키트 간의 양성 테스트 차이를 관찰했습니다.
기본 해석 중 하나는 테스트 결과 사이의 형태 역학에 접근하는 것입니다.
PCA를 적용하기 전에 광학 밀도를 표준화하여 서로 비교할 수 있도록했습니다.
주축의 상관 관계 그래프에서 얻은 결과는 다음과 같습니다.
오른쪽 상단의 다이얼부터 오른쪽 하단의 다이얼까지, 모양 역학의 형태를 관찰합니다 (동일한 연구의 일치 테스트 분석 중에 관찰 된 것과 동일). , 즉 :
1. IgM,
2. IgA,
3. IgG "스파이크",
4. IgG "Nucleocapsid".
이러한 첫 번째 결과는 외관의 동역학 (IgM > IgA > IgG "Spike" > IgG "Nucleocapsid")을 나타내는 것으로 보이며 모든 키트 사용에 관심이 있습니다. .
참고 :
우리의 경우, PCA의 사용은 관심 변수와의 연관성에 의한 위험 요인 분석과 연관되지 않으며 다음에서 회귀를 통해 얻을 수 있습니다. 감소 된 순위 (RRR 방법).