Подход наименьших квадратов оценок PCA по исходным переменным - PullRequest
Новая
       87

Подход наименьших квадратов оценок PCA по исходным переменным

1 голос
/ 08 апреля 2011

У меня есть 100 переменных, и я хочу провести факторный анализ с использованием переменных var15-v25.Для этого сначала я извлек переменные в другой объект (скажем, f), а затем запустил анализ основных компонентов.

Теперь я хочу объединить оценки PCA с исходным набором данных для запуска регрессии с использованием оценок PCA в качестве предикторов.

Может кто-нибудь предложить мне метод объединения этих двух наборов данных.Код, который я использовал, следующий: 

spss_data_factor <- sqldf("SELECT Respondent_Serial,Q4_01_Q4,Q4_02_Q4,Q4_03_Q4,Q4_04_Q4,Q4_05_Q4,Q4_06_Q4,Q4_07_Q4,Q4_08_Q4,Q4_09_Q4,Q4_10_Q4 FROM spss_data_rel")
f <- princomp(spss_data_factor1, cor = TRUE)
summary(f, loadings=TRUE)
f$scores[, 1:5]

Ответы [ 2 ]

4 голосов
/ 08 апреля 2011

Пожалуйста, избегайте использования имен из базовых пакетов R - factor является зарезервированным.Он будет работать просто отлично, но он может сбить вас с толку в какой-то момент разработки ... И ваш factor - это не файл, это объект R класса princomp.

В любом случае, вы хотитеопределить модель регрессии с показателями факторов в качестве предикторов?Кусок пирога ... и объединение не требуется: 

fa <- princomp(mtcars, cor=TRUE)
fa_scores <- fa$scores
fit <- lm(mtcars$hp ~ fa_scores)
summary(fit)

Call:
lm(formula = mtcars$hp ~ fa_scores)

Residuals:
       Min         1Q     Median         3Q        Max 
-2.521e-14 -7.825e-15 -2.416e-15  5.622e-15  4.329e-14 

Coefficients:
                   Estimate Std. Error    t value Pr(>|t|)    
(Intercept)       1.467e+02  2.862e-15  5.125e+16   <2e-16 ***
fa_scoresComp.1  -2.227e+01  1.113e-15 -2.000e+16   <2e-16 ***
fa_scoresComp.2  -1.679e+01  1.758e-15 -9.549e+15   <2e-16 ***
fa_scoresComp.3   9.449e+00  3.614e-15  2.614e+15   <2e-16 ***
fa_scoresComp.4  -4.567e+00  5.513e-15 -8.285e+14   <2e-16 ***
fa_scoresComp.5  -3.644e+01  6.055e-15 -6.019e+15   <2e-16 ***
fa_scoresComp.6  -4.821e+00  6.222e-15 -7.747e+14   <2e-16 ***
fa_scoresComp.7  -1.010e-01  7.783e-15 -1.297e+13   <2e-16 ***
fa_scoresComp.8   1.501e+01  8.164e-15  1.838e+15   <2e-16 ***
fa_scoresComp.9  -3.886e+01  1.031e-14 -3.768e+15   <2e-16 ***
fa_scoresComp.10  1.672e+01  1.255e-14  1.333e+15   <2e-16 ***
fa_scoresComp.11 -1.731e+01  1.928e-14 -8.979e+14   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 1.619e-14 on 20 degrees of freedom
Multiple R-squared:     1,  Adjusted R-squared:     1 
F-statistic: 5.053e+31 on 11 and 20 DF,  p-value: < 2.2e-16

Вы также можете преобразовать исходный набор данных в матрицу, чтобы выполнить ncol(mtcars) регрессии для каждого столбца матрицы ответа.Функция lm поддерживает формулу response ~ terms, где response может быть матрицей.См. ?lm:

Если ответ представляет собой матрицу, линейная модель подбирается наименьшими квадратами отдельно для каждого столбца матрицы.

Итак, вы можете сделатьчто-то вроде этого: 

fit2 <- lm(as.matrix(mtcars) ~ fa_scores)
summary(fit2) # handle with care! =)

Я надеюсь, что это было полезно ...

В любом случае, если вы хотите выполнить факторный анализ, см. эту ссылку .Вам следует установить пакет psych Уильяма Ревелла.

0 голосов
/ 11 апреля 2011

Спасибо aL3xa! Я нашел ответ решения. Я помещаю это здесь, поскольку кто-то мог бы найти это полезным. 

## Factor Analysis
library(psych)
spss_data_fac=read.csv("D:\\Arijit\\spss_data_rel_01.csv")
fa.parallel(spss_data_fac[,40:49])
spss_data_fac_01=factanal(spss_data_fac[,40:49],factors=2,scores="regression",rotation="promax")
spss_data_fac_01$scores
## Factor Analysis factors are used for logistic regression
spss_dat_reg=glm(spss_data_fac$Q8~spss_data_fac_01$scores+spss_data_fac$Q14)
summary(spss_dat_reg)

С уважением, A

...