1

我有一个表示大型数据集的相关矩阵的数据框：

> data
   V1    V2    V3    V4    V5    V6    V7    V8
1 1.000 0.846 0.805 0.859 0.473 0.398 0.301 0.382
2 0.846 1.000 0.881 0.826 0.376 0.326 0.277 0.415
3 0.805 0.881 1.000 0.801 0.380 0.319 0.237 0.345
4 0.859 0.826 0.801 1.000 0.436 0.329 0.327 0.365
5 0.473 0.376 0.380 0.436 1.000 0.762 0.730 0.629
6 0.398 0.326 0.319 0.329 0.762 1.000 0.583 0.577
7 0.301 0.277 0.237 0.327 0.730 0.583 1.000 0.539
8 0.382 0.415 0.345 0.365 0.629 0.577 0.539 1.000

我想使用 {stats} 中的 princomp() 进行主成分分析，我尝试阅读可用的文档，并得到：

myPCA <- princomp(~V1+V2+V3+V4+V5+V6+V7+V8, data=data, covmat=data)

但这与我离开最后一个论点时没有什么不同。请告知使用 princomp() 参数的正确方法。

4

2 回答 2

1

您可能想尝试使用principalpackage.json 下的功能psych。 https://personality-project.org/r/html/principal.html。

以下是http://www.statmethods.net/advstats/factor.html的摘录 

 # Principal Axis Factor Analysis
 library(psych)
 fit <- principal(mydata, nfactors=5, rotate="varimax")
 fit # print results

mydata 可以是原始数据矩阵或协方差矩阵。

于 2014-03-29T03:22:57.147 回答
1

您可能会考虑使用该eigen函数，它将产生相关矩阵的特征值（相当于 princomp 产生的 sdev 的平方）以及特征向量（相当于 princomp 产生的载荷）。

电话只是：

myPCA <- eigen(data)
myPCA$values
myPCA$vectors
于 2014-03-29T06:38:48.487 回答