Mengapa fungsi R 'prompomp' dan 'prcomp' memberikan nilai eigen yang berbeda?

Anda dapat menggunakan dataset decathlon {FactoMineR} untuk mereproduksi ini. Pertanyaannya adalah mengapa nilai eigen yang dikomputasi berbeda dari nilai matriks kovarians.

Berikut adalah nilai-nilai eigen yang digunakan princomp:

> library(FactoMineR);data(decathlon)
> pr <- princomp(decathlon[1:10], cor=F)
> pr$sd^2
      Comp.1       Comp.2       Comp.3       Comp.4       Comp.5       Comp.6 
1.348073e+02 2.293556e+01 9.747263e+00 1.117215e+00 3.477705e-01 1.326819e-01 
      Comp.7       Comp.8       Comp.9      Comp.10 
6.208630e-02 4.938498e-02 2.504308e-02 4.908785e-03 

Dan hal yang sama menggunakan PCA:

> res<-PCA(decathlon[1:10], scale.unit=FALSE, ncp=5, graph = FALSE)
> res$eig
          eigenvalue percentage of variance cumulative percentage of variance
comp 1  1.348073e+02           79.659589641                          79.65959
comp 2  2.293556e+01           13.552956464                          93.21255
comp 3  9.747263e+00            5.759799777                          98.97235
comp 4  1.117215e+00            0.660178830                          99.63252
comp 5  3.477705e-01            0.205502637                          99.83803
comp 6  1.326819e-01            0.078403653                          99.91643
comp 7  6.208630e-02            0.036687700                          99.95312
comp 8  4.938498e-02            0.029182305                          99.98230
comp 9  2.504308e-02            0.014798320                          99.99710
comp 10 4.908785e-03            0.002900673                         100.00000

Bisakah Anda jelaskan kepada saya mengapa nilai eigen yang dihitung secara langsung berbeda dari nilai eigen? (vektor eigennya sama):

> eigen(cov(decathlon[1:10]))$values
 [1] 1.381775e+02 2.350895e+01 9.990945e+00 1.145146e+00 3.564647e-01
 [6] 1.359989e-01 6.363846e-02 5.061961e-02 2.566916e-02 5.031505e-03

Juga, prcompmetode alternatif memberikan nilai eigen yang sama dengan perhitungan langsung:

> prc <- prcomp(decathlon[1:10])
> prc$sd^2
 [1] 1.381775e+02 2.350895e+01 9.990945e+00 1.145146e+00 3.564647e-01
 [6] 1.359989e-01 6.363846e-02 5.061961e-02 2.566916e-02 5.031505e-03

Mengapa PCA/ princompdan prcompmemberikan nilai eigen yang berbeda?

princomp$N$prcompcov$N-1$$N$ .

Ini disebutkan di bagian Detail dari help(princomp):

Perhatikan bahwa perhitungan default menggunakan pembagi 'N' untuk matriks kovarians.

dan Rincian bagian help(prcomp):

Tidak seperti princomp, varian dihitung dengan pembagi N - 1 yang biasa.

princomp$N$n.obscv

else if (is.null(covmat)) {
    dn <- dim(z)
    if (dn[1L] < dn[2L]) 
        stop("'princomp' can only be used with more units than variables")
    covmat <- cov.wt(z)
    n.obs <- covmat$n.obs
    cv <- covmat$cov * (1 - 1/n.obs)
    cen <- covmat$center
}

Anda dapat menghindari perkalian ini dengan menentukan covmatargumen alih-alih xargumen.

princomp(covmat = cov(iris[,1:4]))$sd^2

Pembaruan terkait skor PCA:

cor = TRUEprincompprincomp$z$$N$ untuk penyebut.

princomp(scale(data))$scoresprincomp(data, cor = TRUE)$scores$\sqrt{(N-1)/N}$