Почему собственные и svd-разложения ковариационной матрицы на основе разреженных данных дают разные результаты?

Я пытаюсь разложить ковариационную матрицу на основе набора данных разреженных / gappy. Я замечаю, что сумма лямбда (объясненная дисперсия), рассчитанная с помощью svd, усиливается с помощью все более и более дурацких данных. Без пробелов, да svdи eigenте же результаты.

Это, кажется, не происходит с eigenразложением. Я склонялся к использованию, svdпотому что значения лямбды всегда положительны, но эта тенденция вызывает беспокойство. Есть ли какое-то исправление, которое нужно применить, или мне следует svdвообще избегать такой проблемы.

###Make complete and gappy data set
set.seed(1)
x <- 1:100
y <- 1:100
grd <- expand.grid(x=x, y=y)

#complete data
z <- matrix(runif(dim(grd)[1]), length(x), length(y))
image(x,y,z, col=rainbow(100))

#gappy data
zg <- replace(z, sample(seq(z), length(z)*0.5), NaN)
image(x,y,zg, col=rainbow(100))


###Covariance matrix decomposition
#complete data
C <- cov(z, use="pair")
E <- eigen(C)
S <- svd(C)

sum(E$values)
sum(S$d)
sum(diag(C))


#gappy data (50%)
Cg <- cov(zg, use="pair")
Eg <- eigen(Cg)
Sg <- svd(Cg)

sum(Eg$values)
sum(Sg$d)
sum(diag(Cg))



###Illustration of amplification of Lambda
set.seed(1)
frac <- seq(0,0.5,0.1)
E.lambda <- list()
S.lambda <- list()
for(i in seq(frac)){
    zi <- z
    NA.pos <- sample(seq(z), length(z)*frac[i])
    if(length(NA.pos) > 0){
        zi <- replace(z, NA.pos, NaN)
    }
    Ci <- cov(zi, use="pair")
    E.lambda[[i]] <- eigen(Ci)$values
	S.lambda[[i]] <- svd(Ci)$d
}


x11(width=10, height=5)
par(mfcol=c(1,2))
YLIM <- range(c(sapply(E.lambda, range), sapply(S.lambda, range)))

#eigen
for(i in seq(E.lambda)){
    if(i == 1) plot(E.lambda[[i]], t="n", ylim=YLIM, ylab="lambda", xlab="", main="Eigen Decomposition")
    lines(E.lambda[[i]], col=i, lty=1)
}
abline(h=0, col=8, lty=2)
legend("topright", legend=frac, lty=1, col=1:length(frac), title="fraction gaps")

    #svd
for(i in seq(S.lambda)){
    if(i == 1) plot(S.lambda[[i]], t="n", ylim=YLIM, ylab="lambda", xlab="", main="Singular Value Decomposition")
    lines(S.lambda[[i]], col=i, lty=1)
}
abline(h=0, col=8, lty=2)
legend("topright", legend=frac, lty=1, col=1:length(frac), title="fraction gaps")

Вам нужно сделать сумму абсолютных значений собственных значений, т. Е. Sum (abs (Eg $ values)) и сравнить ее с суммой сингулярных значений. Они были бы равны.

Причина в том, что если вы умножаете строки или столбцы, которые соответствуют отрицательным собственным значениям, на , то собственное значение новой матрицы становится положительным, и ортогональность собственных векторов не нарушается.$-1$

Доказательство обратного к этой красивой теореме появилось в «Алгебре гиперболоидов вращения», Хавьер Ф. Кабрера, «Линейная алгебра и ее приложения», Принстонский университет (теперь в Рутгерс).

Другой способ обосновать это тем, что sqrt (собственные (t (Cg)% *% Cg)) равны сингулярным значениям Cg. Но когда собственные значения отрицательны, данные должны быть представлены в эрмитовой форме с учетом комплексной плоскости, что было упущено в исходной формулировке, то есть данные, образованные симметричным квадратным корнем матрицы с отрицательным собственным значения будут иметь сложные записи.