Pca
在對原始因素進行 PCA 之後，如何判斷哪些原始因素占主導地位？
在進行 PCA 分析時，您最終會得到特徵值，這些特徵值按它們為每個特徵向量解釋的變異數量排序。說，特徵向量因為它們是正交的，所以不代表現實——我只想堅持原始因素，但確定哪些是最重要的，哪些加起來可以提供 90% 的變異數？
此外，雅可比旋轉是否更有利於尋找主導的原始因素？
當我使用 PCA 時，我會遵循一些典型的步驟。首先，我會將 PCA 應用於共變異數矩陣，然後將某些特徵值指定為顯性或顯著（例如那些貢獻於 $ x% $ 變異數或 RMT），然後我會辨識與那些顯著特徵值匹配的特徵向量。
我想你在這一點上和我在一起。看來您想知道如何確定共變異數矩陣的哪些輸入與特徵向量匹配（即年 $ Y $ 貢獻於特徵值 $ N $ ，在你的例子中）。做出該決定的一種方法是將特徵向量平方 $ N $ . 這個平方的特徵向量應該總計為 $ 1 $ . 因此，您可以將這些平方值中的每一個視為對特徵向量（以及特徵值）的貢獻百分比。對於您的範例，您可以針對每個年份繪製這些平方值，以了解它在您更改特徵向量時如何變化。