К основному содержимому
Анализ главных компонентов

ACP

Sébastien MEIGE avatar
Автор: Sébastien MEIGE
Обновлено более 4 лет/г. назад

Введение в цену за конверсию

PCA - это статистический метод, относящийся к семейству многомерной статистики, основанный на сокращении измерений, цель которого - понять, что отличает группы людей.

Он заключается в изучении многомерных данных путем преобразования их в новые декоррелированные переменные. Именно эти новые переменные мы называем главными компонентами или главными осями.

Одно из преимуществ PCA заключается в том, что он позволяет визуализировать многомерные данные в двухмерной плоскости, минимизируя при этом потерю информации, называемую статистической инерцией.

Интересы CPA

PCA - это очень наглядный статистический метод, позволяющий:

  • оба для изучения корреляции между переменными,

  • также для определения однородных групп лиц внутри одной группы и различий между разными группами.

Может применяться ко многим полям и позволяет получать наглядные и легко объяснимые результаты с точки зрения интерпретации.

Применение PCA в исследовании серологической распространенности SEROCOV56

В исследовании SEROCOV56 ПЦР использовалась для наблюдения за различиями в положительных тестах между разными наборами.

Одна из основных интерпретаций заключается в приближении к некоторой форме кинетики внешнего вида между результатами теста.

Перед применением PCA оптические плотности были нормализованы, чтобы их можно было сравнить друг с другом.

Результаты, полученные для графика корреляций главных осей, были следующими:

Начиная с циферблата в правом верхнем углу до циферблата в правом нижнем углу, мы наблюдаем некую форму кинетики внешнего вида (идентичную той, которая наблюдалась при анализе тестов на соответствие в том же исследовании) , а именно:

1. IgM,

2. IgA,

3. IgG "Spike",

4. IgG «Нуклеокапсид».

Эти первые результаты, по-видимому, указывают на кинетику появления (IgM > IgA > IgG "Spike" > IgG "Nucleocapsid"), что привело к интересу к использованию всех наборов. .

Примечание.

В нашем случае использование PCA не связано с анализом факторов риска путем ассоциации с интересующими переменными, которые можно получить с помощью регрессии на пониженные ранги (метод RRR).

Для получения дополнительной информации о PCA и анализе данных

Нашли ответ на свой вопрос?