PCA'ya Giriş
PCA, çok değişkenli istatistik ailesiyle ilgili, amacı birey grupları arasında neyin ayrım yaptığını anlamak olan boyutların azaltılmasına dayanan istatistiksel bir yöntemdir.
Çok boyutlu verilerin yeni, dekorla ilişkili değişkenlere dönüştürülerek incelenmesinden oluşur. Bu yeni değişkenler temel bileşenler veya temel eksenler olarak adlandırılır.
PCA'nın avantajlarından biri, çok boyutlu verilerin 2 boyutlu bir düzlemde görselleştirilmesine olanak sağlaması ve istatistikte eylemsizlik olarak bilinen bilgi kaybını en aza indirmesidir.
CPA ilgi alanları
PCA, çok görsel bir istatistiksel yöntemdir:
değişkenler arasındaki korelasyonları incelemek için,
Aynı grup içinde homojen olan ve farklı gruplar arasında farklılaşan birey gruplarını tanımlamak da mümkündür.
Birçok alana uygulanabilir, görsel ve kolay yorumlanabilir sonuçlar sağlar.
SEROCOV56 seroprevalans çalışmasına PCA uygulaması
SEROCOV çalışmasında56 , farklı kitler arasındaki pozitif testlerdeki farklılıkları gözlemlemek için PCA kullanılmıştır.
Altta yatan yorumlardan biri, test sonuçları arasında bir tür görünüm kinetiğine yaklaşmaktır.
PCA uygulamadan önce, optik yoğunluklar birbirleriyle karşılaştırılabilmeleri için normalize edilmiştir.
Ana eksen korelasyon grafiği için elde edilen sonuçlar aşağıdaki gibidir:
Sağ üst kadrandan başlayarak sağ alt kadrana doğru bir görünüm kinetiği modeli gözlemliyoruz (aynı çalışmanın uyum testi analizinde bulunanla aynı), yani :
1. IgM,
2. IgA,
3. Spike IgG,
4 IgG "Nükleokapsid".
Bu ilk sonuçlar, görünüm kinetiğini (IgM > IgA > IgG "Spike" > IgG "Nucleocapside") gösteriyor gibi görünmektedir ve bu da tüm kitlerin kullanılmasına yol açmaktadır.
Lütfen unutmayın:
Bizim durumumuzda, PCA kullanımı, ilgilenilen değişkenlerle ilişkilendirilerek ve indirgenmiş sıra regresyonu (RRR yöntemi) yoluyla elde edilebilen bir risk faktörü analizi ile ilişkili değildir.
PCA ve veri analizi hakkında daha fazla bilgi için