在 R 中使用princomp()
函数时,遇到以下错误:"covariance matrix is not non-negative definite"
。
我认为,这是由于协方差矩阵中的某些值为零(实际上接近零,但在舍入期间变为零)。
当协方差矩阵包含零时,是否可以继续使用 PCA?
[仅供参考:获取协方差矩阵是princomp()
调用中的中间步骤。可以从这里下载重现此错误的数据文件 - http://tinyurl.com/6rtxrc3]
在 R 中使用princomp()
函数时,遇到以下错误:"covariance matrix is not non-negative definite"
。
我认为,这是由于协方差矩阵中的某些值为零(实际上接近零,但在舍入期间变为零)。
当协方差矩阵包含零时,是否可以继续使用 PCA?
[仅供参考:获取协方差矩阵是princomp()
调用中的中间步骤。可以从这里下载重现此错误的数据文件 - http://tinyurl.com/6rtxrc3]
第一个策略可能是减少容差参数。在我看来,princomp
不会传递容忍论点,但prcomp
确实接受“tol”论点。如果无效,这应该识别出协方差接近于零的向量:
nr0=0.001
which(abs(cov(M)) < nr0, arr.ind=TRUE)
这将识别具有负特征值的向量:
which(eigen(M)$values < 0)
使用 help(qr) 页面上的 h9 示例:
> which(abs(cov(h9)) < .001, arr.ind=TRUE)
row col
[1,] 9 4
[2,] 8 5
[3,] 9 5
[4,] 7 6
[5,] 8 6
[6,] 9 6
[7,] 6 7
[8,] 7 7
[9,] 8 7
[10,] 9 7
[11,] 5 8
[12,] 6 8
[13,] 7 8
[14,] 8 8
[15,] 9 8
[16,] 4 9
[17,] 5 9
[18,] 6 9
[19,] 7 9
[20,] 8 9
[21,] 9 9
> qr(h9[-9,-9])$rank
[1] 7 # rank deficient, at least at the default tolerance
> qr(h9[-(8:9),-(8:9)])$ take out only the vector with the most dependencies
[1] 6 #Still rank deficient
> qr(h9[-(7:9),-(7:9)])$rank
[1] 6
另一种方法可能是使用该alias
功能:
alias( lm( rnorm(NROW(dfrm)) ~ dfrm) )