Daha fazla analiz için PCA eksenlerinin ayıklanması

Question

Sazlık alanları ile ilgili verileri analiz ediyorum. Ölçtüğüm değişkenler su derinliği, sazlık yüksekliği, saz yoğunluğu, vb. Bazı değişkenler bağımlı olduğundan, bu değişkenleri 2 PCA-ekseni (N = 104) düşürmek için bir PCA gerçekleştirdim.

y<-rda(nestendca2) 
summary(y) 
       PC1  PC2  
Waterpeil  13.816422 -2.312641 
hoogte_max  0.094747 -0.014497 
Som   2.955029 10.812549 
Leeftijd_riet 0.016476 0.019629 
PFD   0.007361 -0.003386 
oppervlakte 0.052943 0.039657 

: Bunu yapmış

row.names Waterpeil hoogte_max Som Leeftijd_riet PFD oppervlakte onderlaag_num afst_rand 
1 1 5 2.5 51 0.15686274 1.616921 8.127192 2 24.154590 
2 3 9 2.5 44 0.13636364 1.564643 9.023642 2 8.349288 
3 4 0 2.5 84 0.30952381 1.352548 8.498775 2 26.226896 
4 5 0 3.5 58 0.43103448 1.384183 9.301617 1 57.320000 
5 6 40 2.5 52 0.42307692 1.361262 10.316058 1 45.470000 
6 7 5 3.0 19 0.00000000 1.429287 9.927788 1 36.720000 
7 9 0 2.5 64 0.28125000 1.355100 8.029911 2 19.560000 
8 11 120 3.5 29 0.03448276 1.336117 11.147484 1 252.630000 
9 14 0 2.0 27 0.07407407 1.847756 7.445060 2 1.864342 
10 16 20 2.5 57 0.24561404 1.582308 8.425177 2 9.490196 
11 17 5 3.0 54 0.01851852 1.348305 9.315008 2 15.960000 
12 18 0 1.5 5 1.00000000 1.643657 8.063648 2 6.526300 
13 21 0 2.0 18 0.05555556 1.394964 8.752185 2 37.576955 
14 22 20 2.0 48 0.16666667 1.617045 8.911028 1 11.592383 
15 25 0 2.5 71 0.42253521 1.749114 7.271499 2 6.572772 
16 26 0 2.0 50 0.30000000 1.464582 7.349908 2 9.849276 
17 27 5 2.5 61 0.34426229 1.511217 8.379012 2 14.082827 
18 28 5 2.0 123 0.06504065 1.538188 8.271017 2 11.658142 
19 29 100 3.0 75 0.44000000 1.896483 7.968603 1 9.071897 
20 30 100 3.0 95 0.55789474 1.768147 8.367626 1 2.300783 
21 32 0 3.0 74 0.45945946 1.458793 9.453464 2 57.210000 
22 33 15 3.0 66 0.24242424 1.572704 7.620507 1 8.700000 
23 34 5 3.0 83 0.38554217 1.436063 11.636262 1 50.613265 
24 35 5 2.5 58 0.31034483 1.313440 9.370347 2 52.605041 
25 36 20 2.5 91 0.28571429 1.544032 8.451961 1 9.713351 
26 37 10 2.5 34 0.23529412 1.524725 9.348687 2 6.920026 
27 38 20 2.5 48 0.41666667 1.584892 7.780915 1 11.302639 
28 39 40 2.5 51 0.15686274 1.535552 6.994035 1 18.999423 
29 40 35 2.5 48 0.45833333 1.460579 9.073331 1 12.869075 
30 41 5 3.0 58 0.43103448 1.747669 7.628542 2 3.860225 
31 42 25 2.5 36 0.52777778 

, bu ilk iki eksen için çıktıdır:

PCA yürütülmesi için My veri şöyle R. içinde vegan paketini kullanılan

Şimdi bu iki ekseni lojistik regresyonda uygulamak ve bu alanlarda üreyen bir yırtıcı kuşun üreme başarısı ile ilişkilendirmek istiyorum.

Bunu nasıl yapabilirim? Eğer princomp paketini kullanırsanız

Answer 1

böyle loadings çıkarabilir:

PCA <- princomp(data,cor=T) 
PCA 
PCA$loadings 
Loadings <- as.data.frame(PCA$loadings[,1:2]) 

sen yapabileceğiniz prcomp kullanıyorsanız:

PCA2 <- prcomp(data) 
Loadings <- as.data.frame(PCA2$rotation[,1:2]) 

Eğer vegan kullanıyorsanız:

PCA3 <- rda(data) 
Loadings <- as.data.frame(PCA3$CA$v.eig[,1:2]) 

Answer 2

R'de prcomp kullandığınızı varsayalım. Bunu yapmanın bir yolu bu

pca <- prcomp(~ Murder + Rape + Assault, data = USArrests, scale = TRUE) 

(loadings <- pca$rotation) 

##    PC1  PC2  PC3 
## Murder -0.58260 0.53395 -0.61276 
## Rape -0.53938 -0.81798 -0.19994 
## Assault -0.60798 0.21402 0.76456 

axes <- predict(pca, newdata = USArrests) 
head(axes, 4) 

##    PC1  PC2  PC3 
## Alabama -1.19803 0.83381 -0.162178 
## Alaska -2.30875 -1.52396 0.038336 
## Arizona -1.50333 -0.49830 0.878223 
## Arkansas -0.17599 0.32473 0.071112 

İsterseniz bu yeni sütunları (eksenleri) lojistik regresyonunuzda kullanabilirsiniz. Basit bir doğrusal model kullanarak size sadece bir örnek göstereceğim.

dat <- cbind(USArrests, axes) 
lm(UrbanPop ~ PC1 + PC2, data = dat) 

## Call: 
## lm(formula = UrbanPop ~ PC1 + PC2, data = dat) 

## Coefficients: 
## (Intercept)   PC1   PC2 
##  65.54  -2.58  -7.71