J'ai comparé ?prcomp
et ?princomp
trouvé quelque chose à propos de l'analyse en composantes principales (ACP) en mode Q et en mode R. Mais honnêtement, je ne comprends pas. Quelqu'un peut-il expliquer la différence et peut-être même expliquer quand appliquer laquelle?
70
Réponses:
La différence entre eux n’a rien à voir avec le type d’ACP qu’ils effectuent, mais avec la méthode qu’ils utilisent. Comme le dit la page d'aide pour
prcomp
:D'autre part, la
princomp
page d'aide dit:C'est donc
prcomp
préférable , bien qu'en pratique, il est peu probable que vous constatiez une grande différence (par exemple, si vous exécutez les exemples sur les pages d'aide, vous obtiendrez des résultats identiques).la source
prcomp
, est une méthode préférée.En général , une analyse à plusieurs variables (corrélations de calcul, extraction des empreintes latentes, etc.) est fait de colonnes de données qui sont des caractéristiques ou des questions, - tandis que les unités d' échantillonnage, les lignes sont r es répondants. Cette méthode s'appelle donc l' analyse de la méthode R. Parfois, cependant, vous pouvez faire une analyse multivariée de responsents, tandis que q uestions sont traités comme des échantillons. Ce serait une analyse Q way.
Il n'y a pas de différence formelle entre les deux, vous pouvez donc gérer les deux avec la même fonction, ne transposez que vos données. Il existe toutefois des différences entre les questions de normalisation et d’interprétation des résultats.
C'est une réponse générale: je ne touche pas spécifiquement aux fonctions R
prcomp
etprincomp
parce que je ne suis pas un utilisateur R et que je ne suis pas au courant des différences possibles entre elles.la source
Une documentation utile et spécifique de Gregory B. Anderson , intitulée
PRINCIPAL COMPONENT ANALYSIS IN R AN EXAMINATION OF THE DIFFERENT FUNCTIONS AND METHODS TO PERFORM PCA
a donné plus d’informations sur ce sujet.Les deux paragraphes suivants ont été extraits de l'introduction:
la source
prcomp
princomp
Voici mes résultats de test:
Données de test:
commun probl_solv logical learn physical appearance 12 52 20 44 48 16 12 57 25 45 50 16 12 54 21 45 50 16 13 52 21 46 51 17 14 54 24 46 51 17 22 52 25 54 58 26 22 56 26 55 58 27 17 52 21 45 52 17 15 53 24 45 53 18 23 54 23 53 57 24 25 54 23 55 58 25
la source