Wprowadzenie do CPA
PCA to metoda statystyczna, związana z rodziną statystyk wielowymiarowych, oparta na redukcji wymiarów, której celem jest zrozumienie, co odróżnia grupy jednostek.
Polega na badaniu danych wielowymiarowych poprzez przekształcanie ich w nowe nieskorelowane zmienne. To właśnie te nowe zmienne nazywamy głównymi składowymi lub głównymi osiami.
Jedną z zalet PCA jest umożliwienie wizualizacji danych wielowymiarowych na płaszczyźnie dwuwymiarowej, przy jednoczesnej minimalizacji utraty informacji, zwanej inercją statystyczną.
Zainteresowania CPA
PCA to bardzo wizualna metoda statystyczna umożliwiająca:
oba, aby zbadać korelacje między zmiennymi,
także w celu określenia jednorodnych grup osób w ramach tej samej grupy i zróżnicowanych między różnymi grupami.
Może być zastosowana do wielu dziedzin i pozwala na uzyskanie wizualnych wyników, które można łatwo wyjaśnić interpretacyjnie.
Zastosowanie PCA w badaniu seroprewalencji SEROCOV56
W badaniu SEROCOV56 PCR zastosowano do zaobserwowania różnic w dodatnich testach między różnymi zestawami.
Jedną z podstawowych interpretacji jest podejście do jednej z postaci kinetyki wyglądu między wynikami testu.
Przed zastosowaniem PCA znormalizowano gęstości optyczne, aby można było je ze sobą porównać.
Wyniki otrzymane dla wykresu korelacji głównych osi były następujące:
Zaczynając od tarczy w prawym górnym rogu do tarczy w prawym dolnym rogu, obserwujemy postać kinetyki wyglądu (identyczną z obserwowaną podczas analizy testów zgodności z tego samego badania) czyli:
1. IgM,
2. IgA,
3. IgG "Spike",
4. IgG „Nucleocapsid”.
Te pierwsze wyniki wydają się wskazywać na kinetykę wyglądu (IgM > IgA > IgG "Spike" > IgG "Nucleocapsid"), co prowadzi do zainteresowania użyciem wszystkich zestawów .
Uwaga:
W naszym przypadku użycie PCA nie jest związane z analizą czynników ryzyka, przez powiązanie ze zmiennymi będącymi przedmiotem zainteresowania i które można uzyskać poprzez regresję przy rangi zredukowane (metoda RRR).