Dúvidas sobre filtros espaciais: princomp() vs. prcomp() e uso de PCoA
Página 1 de 1
Dúvidas sobre filtros espaciais: princomp() vs. prcomp() e uso de PCoA
Olá, pessoal! Olá, Prof. Marcos!
Depois de ter parado o curso (R 4.0) por um tempo, comecei tudo de novo (porque realmente se perde muito quando não usamos o R! ) e agora estou no Módulo 7. Mas empaquei com os filtros espaciais! Eu entendi a aula, não tive problemas com isso. O problema são alguns questionamentos que surgiram. Pode ser uma viagem da minha cabeça, mas realmente preciso de ajuda pra desfazer este "nó"!
O script é o "autocorrelação.R", e foram usados os dados "mite.txt" e "mite_xy.txt". Minhas dúvidas são:
1) Na aula, pra fazer a PCA, o Marcos tentou usar a função rda() do vegan - que não roda com a matriz de distância, só com os dados brutos. Ok! Daí, ele usou a função princomp() - e eu pensei "ué, era essa a função que ele tinha comentado que também fazia PCA, lá no Módulo 5?". Daí fui olhar o script da PCA e eu tinha anotado que era a função prcomp(). Abri o help das duas e, realmente, ambas funções fazem a PCA. Mas não são iguais!
Pelo que entendi, a função princomp() faz a PCA "R-mode" e a função prcomp() faz PCA "Q-mode". Se eu entendi direito, na "R-mode" se investiga as relações entre as variáveis e na "Q-mode" se mede a associação entre objetos (unidades amostrais). Se isso está correto, então a função prcomp() é que seria equivalente à rda() - e não a princomp()! Assim, minha pergunta é: qual função é a mais adequado para os filtros? Queremos as relações entre as UAs ou entre as coordenadas X e Y? Não seria mais adequado usar prcomp()?
2) Pra tentar entender melhor, dei uma lida no artigo do Diniz-Filho e do Bini (2005) que o Marcos passou. Eles escrevem que submeteram a matriz de distância a uma "principal coordinate analysis (PCORD) (Legendre & Legendre, 1998), which consisted of performing an eigenanalysis of the double-centred G matrix". Poderíamos então usar uma PCoA?
Estou bem confusa! Agradeço muito, muito se alguém puder me dar uma "iluminação"!
Abração, pessoal!
Adriana
Depois de ter parado o curso (R 4.0) por um tempo, comecei tudo de novo (porque realmente se perde muito quando não usamos o R! ) e agora estou no Módulo 7. Mas empaquei com os filtros espaciais! Eu entendi a aula, não tive problemas com isso. O problema são alguns questionamentos que surgiram. Pode ser uma viagem da minha cabeça, mas realmente preciso de ajuda pra desfazer este "nó"!
O script é o "autocorrelação.R", e foram usados os dados "mite.txt" e "mite_xy.txt". Minhas dúvidas são:
1) Na aula, pra fazer a PCA, o Marcos tentou usar a função rda() do vegan - que não roda com a matriz de distância, só com os dados brutos. Ok! Daí, ele usou a função princomp() - e eu pensei "ué, era essa a função que ele tinha comentado que também fazia PCA, lá no Módulo 5?". Daí fui olhar o script da PCA e eu tinha anotado que era a função prcomp(). Abri o help das duas e, realmente, ambas funções fazem a PCA. Mas não são iguais!
Pelo que entendi, a função princomp() faz a PCA "R-mode" e a função prcomp() faz PCA "Q-mode". Se eu entendi direito, na "R-mode" se investiga as relações entre as variáveis e na "Q-mode" se mede a associação entre objetos (unidades amostrais). Se isso está correto, então a função prcomp() é que seria equivalente à rda() - e não a princomp()! Assim, minha pergunta é: qual função é a mais adequado para os filtros? Queremos as relações entre as UAs ou entre as coordenadas X e Y? Não seria mais adequado usar prcomp()?
2) Pra tentar entender melhor, dei uma lida no artigo do Diniz-Filho e do Bini (2005) que o Marcos passou. Eles escrevem que submeteram a matriz de distância a uma "principal coordinate analysis (PCORD) (Legendre & Legendre, 1998), which consisted of performing an eigenanalysis of the double-centred G matrix". Poderíamos então usar uma PCoA?
Estou bem confusa! Agradeço muito, muito se alguém puder me dar uma "iluminação"!
Abração, pessoal!
Adriana
Drika- Mensagens : 10
Data de inscrição : 06/10/2017
Página 1 de 1
Permissões neste sub-fórum
Não podes responder a tópicos
|
|