¿Por qué contiene Mi matriz carga después con una rotación varimax de PCA sólo unos y ceros?

Question

Estoy corriendo un PCA utilizando la función de R prcomp. Esta es la función:

d2.pca <- prcomp(sel.d2, center=TRUE, scale.=TRUE)

Por lo que las variables se ajusta la escala de un centro. (Esto siempre se ha hecho, ¿verdad?)

Este es mi original cargas de la matriz:

                    PC1    PC2    PC3    PC4
var1              0.551 -0.246  0.576 -0.551
var2             -0.545 -0.233  0.736  0.328
var3             -0.427 -0.704 -0.333 -0.460
var4             -0.467  0.625  0.126 -0.613

Cuando aplico variamx de rotación:

varimax(d2.pca$rotation)

El resultado es este:

$loadings

Loadings:
                 PC1 PC2 PC3 PC4
var1              1             
var2                      1     
var3                 -1         
var4                         -1 

                PC1  PC2  PC3  PC4
SS loadings    1.00 1.00 1.00 1.00
Proportion Var 0.25 0.25 0.25 0.25
Cumulative Var 0.25 0.50 0.75 1.00

$rotmat
       [,1]  [,2]   [,3]   [,4]
[1,]  0.551 0.427 -0.545  0.466
[2,] -0.246 0.704 -0.232 -0.625
[3,]  0.576 0.333  0.736 -0.125
[4,] -0.551 0.461  0.328  0.613

Esto parece muy extraño para mí, ¿cómo debo interpretar las cargas (1 y -1 valores) de la matriz después de la rotación varimax? Cualquier ayuda o asesorar será apreciado, probablemente estoy perdiendo algo...

Nota: KMO fue de 0,6 por la matriz de correlación. Por si acaso, aquí está la matriz de correlación:

         var1        var2        var3        var4
var1    1.000      -0.680      -0.491      -0.771
var2   -0.680       1.000       0.697       0.550
var3   -0.491       0.697       1.000       0.166
var4   -0.771       0.550       0.166       1.000 

Answer 1

TL;DR: en Primer lugar elija cómo muchos de los componentes que desea guardar y, a continuación, pasar sólo aquellos componentes de a varimax().

Respuesta larga:

Yo hice lo mismo una vez :)

Análisis de componentes principales se encuentra el componente que explica la mayoría de la articulación de la variabilidad, a continuación, el uno de los componentes que explican la mayor parte de los restantes de la articulación de la variabilidad, y así sucesivamente. Dado que el objetivo de la PCA es la variable de reducción, por lo general no desea guardar todos los componentes, sólo los más importantes (sin embargo, usted puede definir "importante").

varimax() no cumplir, pero su documentación indica que el primer argumento debe ser una matriz de carga con menos columnas (componentes) de las filas (variables).

Según Wikipedia:

Varimax, se llama así porque se maximiza la suma de las varianzas de los cuadrados de las cargas. [...] Intuitivamente, esto se logra si, (a) cualquier variable tiene una alta carga en un único factor, pero cerca de cero cargas en el resto de los factores, y si (b) cualquier factor está constituido por sólo un par de variables con cargas de alta en este factor, mientras que el resto de las variables tienen cerca de cero cargas en este factor.

Por lo tanto, si usted girar todos sus componentes con varimax, conseguir que su viejo variables de la espalda.

Olvídate de los valores negativos. Se dice que son dependientes de la plataforma y puede multiplicar todas las cargas en un factor por el -1 si se quiere.

Lo que tienes que hacer es elegir el número de componentes que desea conservar, y pasar sólo aquellos componentes de a varimax(). En el ejemplo, si desea mantener en 2 componentes:

d2.varimax <- varimax(d2.pca$rotation[, 1:2])

Answer 2

<pre><code></code><p>Resultados dependerá del número de componentes que seleccione. Para ejecutar el screeplot antes, le ayudará a elegir.</p></pre>