Interpretar todas as estatísticas e gráficos para Análise de componentes principais

Interpretação

Você pode usar o tamanho do autovalor para determinar o número de componentes principais. Retenha os componentes principais com os maiores autovalores. Por exemplo, usando o critério Kaiser, você usa somente os componentes principais com os autovalores que são maiores que 1.

Para comparar visualmente o tamanho dos autovalores, use o gráfico scree. O gráfico scree pode ajudá-lo a determinar o número de componentes com base no tamanho dos autovalores.

Autoanálise (Autovalores e Autovetores) da Matriz de Correlação

Autovalor	3,5476	2,1320	1,0447	0,5315	0,4112	0,1665	0,1254	0,0411
Proporção	0,443	0,266	0,131	0,066	0,051	0,021	0,016	0,005
Acumulado	0,443	0,710	0,841	0,907	0,958	0,979	0,995	1,000

Autovetores

Variável	CP1	CP2	CP3	CP4	CP5	CP6	CP7	CP8
Renda	0,314	0,145	-0,676	-0,347	-0,241	0,494	0,018	-0,030
Grau de instrução	0,237	0,444	-0,401	0,240	0,622	-0,357	0,103	0,057
Idade	0,484	-0,135	-0,004	-0,212	-0,175	-0,487	-0,657	-0,052
Residência	0,466	-0,277	0,091	0,116	-0,035	-0,085	0,487	-0,662
Emprego	0,459	-0,304	0,122	-0,017	-0,014	-0,023	0,368	0,739
Poupança	0,404	0,219	0,366	0,436	0,143	0,568	-0,348	-0,017
Dívida	-0,067	-0,585	-0,078	-0,281	0,681	0,245	-0,196	-0,075
Cartões de crédito	-0,123	-0,452	-0,468	0,703	-0,195	-0,022	-0,158	0,058

Interpretação

Você pode usar a proporção para determinar quais componentes principais explicam a maioria da variabilidade nos dados. Quanto maior a proporção, mais variabilidade que o componente principal explica. O tamanho da proporção pode ajudá-lo a decidir se o componente principal é importante o suficiente para reter.

Por exemplo, um componente principal com uma proporção de 0,621 explica 62,1% da variabilidade nos dados. Portanto, é importante incluir este componente. Outro componente tem uma proporção de 0,005 e, assim explica apenas 0,5% da variabilidade nos dados. Este componente pode não ser importante o suficiente para ser incluído.

Interpretação

Use a proporção acumulada para avaliar a quantidade total de variância que os componentes principais consecutivos explicam. A proporção acumulada pode ajudá-lo a determinar o número de componentes principais a ser usado. Retenha os componentes principais que explicam um nível aceitável de variância. O nível aceitável depende da sua aplicação.

Por exemplo, você pode necessitar de apenas 80% da variância explicada pelos componentes principais se você os estiver usando apenas para fins descritivos. Contudo, se quiser realizar outras análises nos dados, você deve ter, no mínimo, 90% da variância explicada pelos componentes principais.

Interpretação

Para interpretar cada componente principal, examine a magnitude e a direção dos coeficientes das variáveis originais. Quanto maior o valor absoluto do coeficiente, mais importante será a variável correspondente ao calcular o componente. Quão grande o valor absoluto de um coeficiente precisa ser a fim de que sua importância seja considerada subjetiva. Use seu conhecimento especializado para determinar em que nível o valor da correlação é importante.

Interpretação

Use a distância de Mahalanobis para identificar outliers. Examinar a distância de Mahalanobis é um método multivariado mais poderoso para detecção de outliers do que examinar uma variável de cada vez, porque a distância considera as diferentes escalas entre as variáveis e as correlações entre elas.

Para avaliar se um valor da distância é grande o bastante para a observação ser considerada um outlier, use o gráfico de outliers.

Interpretação

Use o gráfico scree para selecionar o número de componentes a usar com base no tamanho dos autovalores. O padrão ideal é uma curva acentuada, seguida de uma dobra e depois de uma linha reta. Use os componentes na curva acentuada antes do primeiro ponto que inicia a tendência da linha.

Interpretação

Se os primeiros dois componentes forem responsáveis pela maior parte da variância nos dados, você pode usar o gráfico de escores para avaliar a estrutura de dados e detectar agrupamentos, outliers e tendências. Agrupamentos de dados no gráfico podem indicar duas ou mais distribuições separadas nos dados. Se os dados seguem uma distribuição normal e não houver nenhum outlier presente, os pontos são aleatoriamente distribuídos em torno de zero.

Interpretação

Use o gráfico de cargas fatoriais para identificar quais variáveis têm o maior efeito em cada componente. Os coeficientes podem variar de -1 a 1. Coeficientes próximos a -1 ou 1 indicam que a variável influencia fortemente o componente. Coeficientes próximos a 0 indicam que a variável tem fraca influência sobre o componente. A avaliação dos coeficientes também pode ajudar a caracterizar cada componente em termos de variáveis.

Interpretação

Use o biplot para avaliar a estrutura dos dados e as cargas fatoriais dos primeiros dois componentes em um gráfico. O Minitab representa graficamente os escores do componente principal versus os escores do primeiro componente principal, bem como as cargas fatoriais de ambos os componentes.

Interpretação

Use o gráfico de outliers para identificar outliers. Qualquer ponto que está acima da linha de referência é um outlier.

Outliers podem afetar significativamente os resultados de sua análise. Portanto, se você identificar um outlier em seus dados, deverá examinar a observação para entender por que ele é atípico. Corrija quaisquer medições ou erros de entrada de dados. Considere remover os dados que estão associados a causas especiais e repetir a análise.

Dica

Mantenha o ponteiro sobre qualquer ponto em um gráfico de outliers para identificar a observação. Use Editor > Função Brush para aplicar a Função Brush em múltiplos outliers no gráfico e a de função de sinalizador nas observações na worksheet.