Я выполнил анализ основных компонентов (PCA) с помощью R, используя две разные функции ( prcomp
и princomp
), и заметил, что оценки PCA отличаются по знаку. Как это может быть?
Учти это:
set.seed(999)
prcomp(data.frame(1:10,rnorm(10)))$x
PC1 PC2
[1,] -4.508620 -0.2567655
[2,] -3.373772 -1.1369417
[3,] -2.679669 1.0903445
[4,] -1.615837 0.7108631
[5,] -0.548879 0.3093389
[6,] 0.481756 0.1639112
[7,] 1.656178 -0.9952875
[8,] 2.560345 -0.2490548
[9,] 3.508442 0.1874520
[10,] 4.520055 0.1761397
set.seed(999)
princomp(data.frame(1:10,rnorm(10)))$scores
Comp.1 Comp.2
[1,] 4.508620 0.2567655
[2,] 3.373772 1.1369417
[3,] 2.679669 -1.0903445
[4,] 1.615837 -0.7108631
[5,] 0.548879 -0.3093389
[6,] -0.481756 -0.1639112
[7,] -1.656178 0.9952875
[8,] -2.560345 0.2490548
[9,] -3.508442 -0.1874520
[10,] -4.520055 -0.1761397
Почему знаки ( +/-
) различаются для двух анализов? Если бы я тогда использовал главные компоненты PC1
и PC2
как предикторы в регрессии, то есть lm(y ~ PC1 + PC2)
это полностью изменило бы мое понимание влияния двух переменных в y
зависимости от того, какой метод я использовал! Как я мог тогда сказать, что это PC1
имеет, например, положительное влияние y
и PC2
, например, отрицательно y
?
Кроме того: если признак компонентов PCA не имеет смысла, верно ли это и для факторного анализа (FA)? Допустимо ли переворачивать (переворачивать) знак отдельных баллов компонентов PCA / FA (или нагрузок, как столбец матрицы нагрузки)?