2

Hoje eu estava analisando um conjunto de dados e percebi algo que nunca tinha reparado anteriormente. A fim de visualizar um conjunto de dados multivariado, criei a sua PCA e projetei as observações nas duas componentes principais. Para isto, utilizei os pacotes ggplot2 e ggfortify. Vou reproduzir os resultados com outro conjunto de dados, que não é aquele que estou analisando, mas o mesmo fenômeno ocorre. Os resultados estão abaixo:

library(ggplot2)
library(ggfortify)

iris.pca <- prcomp(iris[, -5])
ggplot(iris.pca$x, aes(x = PC1, y = PC2)) +
  geom_point()

inserir a descrição da imagem aqui

autoplot(iris.pca)

inserir a descrição da imagem aqui

Percebam que, qualitativamente, eu tenho o mesmo resultado em ambos os gráficos. A diferença entre eles surge na escala: enquanto a Componente Principal 1 (PC1) do gráfico chamado ggplot2 varia entre aproximadamente -3 e 4, esta mesma PC1 no gráfico chamado ggfortify varia entre aproximadamente -0,125 e 0,15. Comportamentos similares ocorrem nas outras componentes principais.

Eu sei que o ggplot2 não está errado, pois ao calcular as estatísticas de iris.pca$x, eu obtenho valores que batem com o que o gráfico mostra:

summary(iris.pca$x)
      PC1               PC2                PC3                PC4            
 Min.   :-3.2238   Min.   :-1.37417   Min.   :-0.76017   Min.   :-0.5054344  
 1st Qu.:-2.5303   1st Qu.:-0.32492   1st Qu.:-0.17582   1st Qu.:-0.0778999  
 Median : 0.5546   Median : 0.02216   Median :-0.01639   Median : 0.0007274  
 Mean   : 0.0000   Mean   : 0.00000   Mean   : 0.00000   Mean   : 0.0000000  
 3rd Qu.: 1.5501   3rd Qu.: 0.32542   3rd Qu.: 0.20550   3rd Qu.: 0.0896801  
 Max.   : 3.7956   Max.   : 1.26597   Max.   : 0.69415   Max.   : 0.5053050 

Portanto, o que está acontecendo com a função autoplot? Que transformação ela está aplicando em meus dados para deixá-los com esta amplitude reduzida? E por que ela faz isso?

1 Resposta 1

3

A função autoplot do ggfortify faz um tipo de padronização. Mais especificamente faz o seguinte:

library(ggplot2)
library(ggfortify)

iris.pca <- prcomp(iris[, -5])

x <- apply(iris.pca$x, 2, function(x) x/(sd(x)*sqrt(nrow(iris))))

ggplot(x, aes(x = PC1, y = PC2)) +
  geom_point()

Created on 2019-03-15 by the reprex package (v0.2.1)

Existem várias formas diferentes de padronizar os resultados dos componentes principais como mostram a essa resposta (em inglês) e outros links que ela cita. Cada uma com um motivo diferente.

Ao meu ver o autor do autoplot apenas escolheu uma padronização para o output da função para diversos pacotes do R que também fazem análise de componentes principais e usam diferentes metodologias para padronizar os resultados.

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .