PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
2 participantes
Página 1 de 1
PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
Oi professor Marcos,
Estou estudando comunidades de briófitas em savanas amazônicas e estou avaliando a relação de quatro variáveis ambientais (médias mensais de precipitação, umidade, tempo de insolação e temperatura) com as assembleias formadas em cinco áreas. Quando explorei os dados na PCA foram gerados três componentes.
>amb<-dados[ , 3:6]
> bio<-dados[ , 7:50]
Call:
rda(X = amb, scale = T)
Partitioning of correlations:
Inertia Proportion
Total 4 1
Unconstrained 4 1
Eigenvalues, and their contribution to the correlations
Importance of components:
PC1 PC2 PC3
Eigenvalue 2.4076 1.5216 0.07084
Proportion Explained 0.6019 0.3804 0.01771
Cumulative Proportion 0.6019 0.9823 1.00000
Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions
* General scaling constant of scores: 3.130169
Species scores
PC1 PC2 PC3
precip -0.6561 1.3998 -0.2442
umid -1.4883 0.4677 0.1249
insol 0.9571 1.2079 0.2730
temp 1.5283 0.3000 -0.1542
Na CCA também só aparecem três. A ANOVA realizada deu significativo, mas estou com dúvidas se essas análises estão certas ou se ocorreram erros nos dados.
Call:
cca(X = bio, Y = amb)
Partitioning of scaled Chi-square:
Inertia Proportion
Total 2.5100 1.0000
Constrained 0.8229 0.3279
Unconstrained 1.6871 0.6721
Eigenvalues, and their contribution to the scaled Chi-square
Importance of components:
CCA1 CCA2 CCA3 CA1 CA2 CA3 CA4 CA5 CA6 CA7
Eigenvalue 0.4251 0.24279 0.15499 0.3283 0.19916 0.18332 0.14577 0.12846 0.12252 0.1014
Proportion Explained 0.1694 0.09673 0.06175 0.1308 0.07935 0.07303 0.05807 0.05118 0.04881 0.0404
Cumulative Proportion 0.1694 0.26611 0.32786 0.4586 0.53800 0.61103 0.66911 0.72029 0.76910 0.8095
CA8 CA9 CA10 CA11 CA12 CA13 CA14 CA15 CA16
Eigenvalue 0.07711 0.06726 0.05943 0.05173 0.04398 0.03961 0.02863 0.024505 0.02241
Proportion Explained 0.03072 0.02680 0.02368 0.02061 0.01752 0.01578 0.01140 0.009763 0.00893
Cumulative Proportion 0.84022 0.86702 0.89069 0.91130 0.92883 0.94461 0.95601 0.965777 0.97471
CA17 CA18 CA19 CA20 CA21
Eigenvalue 0.020525 0.017676 0.012855 0.009075 0.003357
Proportion Explained 0.008177 0.007042 0.005121 0.003616 0.001337
Cumulative Proportion 0.982883 0.989926 0.995047 0.998663 1.000000
Accumulated constrained eigenvalues
Importance of components:
CCA1 CCA2 CCA3
Eigenvalue 0.4251 0.2428 0.1550
Proportion Explained 0.5166 0.2950 0.1883
Cumulative Proportion 0.5166 0.8117 1.0000
Um detalhe: O plot da PCA com todos as variáveis mostrou todos os dados no gráfico, ao passo que na CCA não aparece a relação com temperatura.
Fiz as duas análises com dois ou três dados ambientais e geraram componentes dentro do esperado.
Agradeço a atenção.
Luciana
Estou estudando comunidades de briófitas em savanas amazônicas e estou avaliando a relação de quatro variáveis ambientais (médias mensais de precipitação, umidade, tempo de insolação e temperatura) com as assembleias formadas em cinco áreas. Quando explorei os dados na PCA foram gerados três componentes.
>amb<-dados[ , 3:6]
> bio<-dados[ , 7:50]
Call:
rda(X = amb, scale = T)
Partitioning of correlations:
Inertia Proportion
Total 4 1
Unconstrained 4 1
Eigenvalues, and their contribution to the correlations
Importance of components:
PC1 PC2 PC3
Eigenvalue 2.4076 1.5216 0.07084
Proportion Explained 0.6019 0.3804 0.01771
Cumulative Proportion 0.6019 0.9823 1.00000
Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions
* General scaling constant of scores: 3.130169
Species scores
PC1 PC2 PC3
precip -0.6561 1.3998 -0.2442
umid -1.4883 0.4677 0.1249
insol 0.9571 1.2079 0.2730
temp 1.5283 0.3000 -0.1542
Na CCA também só aparecem três. A ANOVA realizada deu significativo, mas estou com dúvidas se essas análises estão certas ou se ocorreram erros nos dados.
Call:
cca(X = bio, Y = amb)
Partitioning of scaled Chi-square:
Inertia Proportion
Total 2.5100 1.0000
Constrained 0.8229 0.3279
Unconstrained 1.6871 0.6721
Eigenvalues, and their contribution to the scaled Chi-square
Importance of components:
CCA1 CCA2 CCA3 CA1 CA2 CA3 CA4 CA5 CA6 CA7
Eigenvalue 0.4251 0.24279 0.15499 0.3283 0.19916 0.18332 0.14577 0.12846 0.12252 0.1014
Proportion Explained 0.1694 0.09673 0.06175 0.1308 0.07935 0.07303 0.05807 0.05118 0.04881 0.0404
Cumulative Proportion 0.1694 0.26611 0.32786 0.4586 0.53800 0.61103 0.66911 0.72029 0.76910 0.8095
CA8 CA9 CA10 CA11 CA12 CA13 CA14 CA15 CA16
Eigenvalue 0.07711 0.06726 0.05943 0.05173 0.04398 0.03961 0.02863 0.024505 0.02241
Proportion Explained 0.03072 0.02680 0.02368 0.02061 0.01752 0.01578 0.01140 0.009763 0.00893
Cumulative Proportion 0.84022 0.86702 0.89069 0.91130 0.92883 0.94461 0.95601 0.965777 0.97471
CA17 CA18 CA19 CA20 CA21
Eigenvalue 0.020525 0.017676 0.012855 0.009075 0.003357
Proportion Explained 0.008177 0.007042 0.005121 0.003616 0.001337
Cumulative Proportion 0.982883 0.989926 0.995047 0.998663 1.000000
Accumulated constrained eigenvalues
Importance of components:
CCA1 CCA2 CCA3
Eigenvalue 0.4251 0.2428 0.1550
Proportion Explained 0.5166 0.2950 0.1883
Cumulative Proportion 0.5166 0.8117 1.0000
Um detalhe: O plot da PCA com todos as variáveis mostrou todos os dados no gráfico, ao passo que na CCA não aparece a relação com temperatura.
Fiz as duas análises com dois ou três dados ambientais e geraram componentes dentro do esperado.
Agradeço a atenção.
Luciana
luciana.jardim- Mensagens : 4
Data de inscrição : 23/05/2019
Idade : 37
Localização : Ananindeua
Re: PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
Oi, Luciana!
Que coisa mais estranha! Nunca vi isto acontecer... Vamos tentar investigar, ok?
Faça duas coisas. Primeiro, cole aqui o resultado de um summary(amb). Pode ser que algo na natureza das variáveis nos ajude a entender. Depois faça o mesmo com um str(amb). Acho que os dois resultados podem ajudar, vamos ver.
Mas se quiser adiantar um pouco, tente também o seguinte: faça a pca usando a função prcomp. Você pode fazer assim:
E aí, veja se neste caso ele criou 3 ou 4 componentes.
Vamos investigando!
Que coisa mais estranha! Nunca vi isto acontecer... Vamos tentar investigar, ok?
Faça duas coisas. Primeiro, cole aqui o resultado de um summary(amb). Pode ser que algo na natureza das variáveis nos ajude a entender. Depois faça o mesmo com um str(amb). Acho que os dois resultados podem ajudar, vamos ver.
Mas se quiser adiantar um pouco, tente também o seguinte: faça a pca usando a função prcomp. Você pode fazer assim:
- Código:
#Fazendo a pca, o argumento scale tem um ponto mesmo nesta função, não estranhe:
pca.teste<-prcomp(amb, scale.=T)
#Vendo o resultado, o summary aqui dá pouca coisa, diferente da rda:
summary(pca.teste)
#
E aí, veja se neste caso ele criou 3 ou 4 componentes.
Vamos investigando!
Re: PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
Oi prof. Marcos,
Segui suas orientações e veja os resultados:
summary(amb)
precip umid insol temp
Min. :183.2 Min. :80.17 Min. :198.4 Min. :30.03
1st Qu.:211.3 1st Qu.:80.17 1st Qu.:203.2 1st Qu.:30.96
Median :211.3 Median :80.87 Median :207.9 Median :31.19
Mean :208.9 Mean :81.13 Mean :208.8 Mean :31.04
3rd Qu.:214.1 3rd Qu.:80.87 3rd Qu.:207.9 3rd Qu.:31.19
Max. :224.5 Max. :83.59 Max. :226.6 Max. :31.83
str(amb)
'data.frame': 25 obs. of 4 variables:
$ precip: num 214 214 214 214 214 ...
$ umid : num 80.2 80.2 80.2 80.2 80.2 ...
$ insol : num 227 227 227 227 227 ...
$ temp : num 31.8 31.8 31.8 31.8 31.8 ...
pca.teste<-prcomp(amb, scale.=T)
> summary(pca.teste)
Importance of components:
PC1 PC2 PC3 PC4
Standard deviation 1.5516 1.2335 0.26616 2.961e-15
Proportion of Variance 0.6019 0.3804 0.01771 0.000e+00
Cumulative Proportion 0.6019 0.9823 1.00000 1.000e+00
Não entendi o que houve. Pensei que poderia ser relacionado à diferença na frequência das espécies.
Por que agora geraram os quatro componentes?
Luciana
Segui suas orientações e veja os resultados:
summary(amb)
precip umid insol temp
Min. :183.2 Min. :80.17 Min. :198.4 Min. :30.03
1st Qu.:211.3 1st Qu.:80.17 1st Qu.:203.2 1st Qu.:30.96
Median :211.3 Median :80.87 Median :207.9 Median :31.19
Mean :208.9 Mean :81.13 Mean :208.8 Mean :31.04
3rd Qu.:214.1 3rd Qu.:80.87 3rd Qu.:207.9 3rd Qu.:31.19
Max. :224.5 Max. :83.59 Max. :226.6 Max. :31.83
str(amb)
'data.frame': 25 obs. of 4 variables:
$ precip: num 214 214 214 214 214 ...
$ umid : num 80.2 80.2 80.2 80.2 80.2 ...
$ insol : num 227 227 227 227 227 ...
$ temp : num 31.8 31.8 31.8 31.8 31.8 ...
pca.teste<-prcomp(amb, scale.=T)
> summary(pca.teste)
Importance of components:
PC1 PC2 PC3 PC4
Standard deviation 1.5516 1.2335 0.26616 2.961e-15
Proportion of Variance 0.6019 0.3804 0.01771 0.000e+00
Cumulative Proportion 0.6019 0.9823 1.00000 1.000e+00
Não entendi o que houve. Pensei que poderia ser relacionado à diferença na frequência das espécies.
Por que agora geraram os quatro componentes?
Luciana
luciana.jardim- Mensagens : 4
Data de inscrição : 23/05/2019
Idade : 37
Localização : Ananindeua
Re: PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
Oi, Luciana!
Que coisa, agora ficou ainda mais estranho...
Mas, veja só, se agora deu certo e o número de componentes está correto, nós só podemos supor que da vez anterior deveria ter exitsido algum erro no código. Talvez alguma etapa do script tenha sido usada de maneira incorreta, tenha sido saltada ou tenha sido executada de forma repetida ("acumulando" algum tipo de efeito). Mas o fato é que provavelmente não conseguiremos reconstruir o erro...
Bom, se tudo está correto agora, siga adiante. Mas avise se acontecer algo semelhante de novo, ok?
Que coisa, agora ficou ainda mais estranho...
Mas, veja só, se agora deu certo e o número de componentes está correto, nós só podemos supor que da vez anterior deveria ter exitsido algum erro no código. Talvez alguma etapa do script tenha sido usada de maneira incorreta, tenha sido saltada ou tenha sido executada de forma repetida ("acumulando" algum tipo de efeito). Mas o fato é que provavelmente não conseguiremos reconstruir o erro...
Bom, se tudo está correto agora, siga adiante. Mas avise se acontecer algo semelhante de novo, ok?
Re: PCA com quatro varáveis, mas gerou três componentes principais. CCA também gerou três
Oi prof. Marcos,
Entendi.
Tudo certo. Continuarei avaliando os resultados, e qualquer coisa, volto aqui.
Muito obrigada =)
Entendi.
Tudo certo. Continuarei avaliando os resultados, e qualquer coisa, volto aqui.
Muito obrigada =)
luciana.jardim- Mensagens : 4
Data de inscrição : 23/05/2019
Idade : 37
Localização : Ananindeua
Tópicos semelhantes
» Inserir no gráfico em forma de texto a função que gerou a regressão e seu R²
» Diversidade Beta em componentes de Turnover e Aninhamento
» Tabela de contingência com três variáveis
» Diversidade Beta em componentes de Turnover e Aninhamento
» Tabela de contingência com três variáveis
Página 1 de 1
Permissões neste sub-fórum
Não podes responder a tópicos
|
|