PCA: почему я получаю такие разные результаты от princomp() и prcomp()?

Question

В коде ниже, в чем разница между pc3$loadings а также pc4$rotation?

Код:

pc3<-princomp(datadf, cor=TRUE)
pc3$loadings

pc4<-prcomp(datadf,cor=TRUE)
pc4$rotation

Данные:

datadf<-dput(datadf)
structure(list(gVar4 = c(11, 14, 17, 5, 5, 5.5, 8, 5.5, 
6.5, 8.5, 4, 5, 9, 10, 11, 7, 6, 7, 7, 5, 6, 9, 9, 6.5, 9, 3.5, 
2, 15, 2.5, 17, 5, 5.5, 7, 6, 3.5, 6, 9.5, 5, 7, 4, 5, 4, 9.5, 
3.5, 5, 4, 4, 9, 4.5), gVar1 = c(0L, 0L, 0L, 0L, 0L, 0L, 
0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 
0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L), gVar2 = c(0L, 
1L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 1L, 1L, 1L, 1L, 0L, 1L, 1L, 0L, 
2L, 3L, 0L, 0L, 1L, 0L, 0L, 1L, 1L, 0L, 1L, 0L, 0L, 0L, 1L, 0L, 
0L, 1L, 0L, 1L, 1L, 0L, 0L, 0L, 0L, 1L, 1L, 1L, 0L, 1L, 0L, 0L
), gVar3 = c(2L, 4L, 1L, 3L, 3L, 2L, 1L, 2L, 3L, 6L, 5L, 
2L, 7L, 4L, 2L, 7L, 5L, 6L, 1L, 3L, 3L, 6L, 3L, 2L, 3L, 1L, 1L, 
1L, 1L, 1L, 2L, 5L, 4L, 5L, 6L, 5L, 5L, 6L, 7L, 6L, 2L, 5L, 8L, 
5L, 5L, 0L, 2L, 4L, 2L)), .Names = c("gVar4", "gVar1", 
"gVar2", "gVar3"), row.names = c(1L, 2L, 3L, 4L, 
5L, 6L, 7L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 
19L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 29L, 30L, 31L, 
32L, 33L, 34L, 35L, 36L, 37L, 38L, 39L, 40L, 41L, 42L, 43L, 44L, 
45L, 46L, 47L, 48L, 49L, 50L), class = "data.frame", na.action = structure(8L, .Names = "8", class = "omit"))

Answer 1

Разве вы не получили предупреждение, когда вы делаете pc4 <- prcomp(datadf, cor = TRUE)? Вам следовало сказать, что prcomp не имеет cor аргумент, и он игнорируется. Сначала я скажу вам, что нужно сделать, и объясню, почему.

Правильный способ сделать

Ты должен сделать:

pc3 <- princomp(datadf, cor = TRUE)
pc4 <- prcomp(datadf, scale = TRUE)

тогда оба дают вам одинаковые корневые собственные / особые значения в pc3$sdev а также pc4$sdevа также те же собственные векторы (нагрузки / вращения) в pc3$loadings а также pc4$rotation,

Зачем

Когда вы делаете pc3 <- princomp(datadf, cor = TRUE)Вы выполняете собственное разложение корреляционной матрицы:

foo <- eigen(cor(datadf))  ## cor()
foo$values <- sqrt(foo$values)
foo
#$values
#[1] 1.1384921 1.0614224 0.9249764 0.8494921

#$vectors
#           [,1]       [,2]        [,3]       [,4]
#[1,]  0.3155822 -0.6186905  0.70263064  0.1547260
#[2,] -0.4725640  0.4633071  0.68652912 -0.3011769
#[3,] -0.4682583 -0.6040654 -0.18558974 -0.6175724
#[4,] -0.6766279 -0.1940969 -0.02333235  0.7098991

Это то, что вы получите от pc3$sdev а также pc3$loadings,

Тем не менее, когда вы делаете pc4 <- prcomp(datadf, cor = TRUE), cor = TRUE игнорируется, и R будет делать:

pc4 <- prcomp(datadf)  ## with default, scale = FALSE

поэтому будет выполнено разложение по сингулярным числам ковариационной матрицы:

bar <- eigen(cov(datadf))  ## cov()
bar$values <- sqrt(bar$values)
bar
#$values
#[1] 3.440363 2.048703 0.628585 0.196056

#$vectors
              [,1]        [,2]        [,3]         [,4]
#[1,]  0.997482373 -0.06923771  0.01349921  0.007268119
#[2,] -0.008316998 -0.01265655  0.01132874  0.999821133
#[3,]  0.007669026 -0.08271789 -0.99649018  0.010307681
#[4,] -0.070006635 -0.99408435  0.08183363 -0.014093521

Это то, что вы увидите в pc4$sdev а также pc4$rotation,

Но если вы делаете pc4 <- prcomp(datadf, scale = TRUE)будет работать на матрице корреляции так же, как pc3 <- princomp(datadf, cor = TRUE),