Как вы используете корреляционную матрицу в качестве входных данных для princomp() в R

Question

У меня есть фрейм данных, который представляет корреляционную матрицу большого набора данных:

> 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

Я хочу провести анализ основных компонентов с помощью princomp() в {stats}. Я попытался прочитать доступную документацию и получил:

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

Но это не делает ничего иного, чем когда я остановился на последнем аргументе. Посоветуйте, пожалуйста, правильный способ использования параметров princomp().

Answer 1

Вы можете попробовать использовать principal функция под psych пакет. https://personality-project.org/r/html/principal.html.

Ниже приводится выдержка из http://www.statmethods.net/advstats/factor.html

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

mydata может быть матрицей необработанных данных или ковариационной матрицей.

Answer 2

Вы можете рассмотреть возможность использования eigen функция, которая будет генерировать как собственные значения матрицы корреляции (эквивалентные квадратам sdevs, производимых princomp), так и собственные векторы (эквивалентные нагрузкам, производимым princomp).

Вызов будет просто:

myPCA <- eigen(data)
myPCA$values
myPCA$vectors