MVar.pt (version 1.1)

PCA: Analise de Componentes Principais (PCA)

Description

Realiza Analise de Componentes Principais (PCA) em um conjunto de dados.

Usage

PCA(Data, Type = 1)

Arguments

Data

Dados a serem a analizados

Type

1 para analise utilizando a matriz de covariancia - default 2 para analise utilizando a matriz de correlacao

Value

• MatrixMC
  Matriz de Covariancia ou de Correlacao conforme Type
• MatrixAutoVlr
  Matriz de Autovalores (Variancias) com as proporcoes e proporcoes acumuladas
• MatrixAutoVec
  Matriz de Autovetores - Componentes Principais
• MatrixVCP
  Matriz da Covariancia dos Componentes Principais com as Variaveis Originais
• MatrixCCP
  Matriz da Correlacao dos Componentes Principais com as Variaveis Originais
• MatrixEsc
  Matriz com os escores dos Componentes Principais

References

HOTELLING, H. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, Arlington, v. 24, p. 417-441, Sept. 1933. MINGOTI, S. A. Analise de dados atraves de metodos de estatistica multivariada: uma abordagem aplicada. Belo Horizonte: UFMG, 2005. 297 p. RENCHER, A.C.; Methods of Multivariate Analysis. 2th. ed. New York: J.Wiley, 2002. 708 p.

See Also

Plot.PCA

Examples

data(DataQuan) # conjunto de dados quantitativos

Dat <- DataQuan[,2:8]

rownames(Dat) <- as.character(t(DataQuan[1:nrow(DataQuan),1]))

PC <- PCA(Dat, 1) # Executa o PCA

print("Matriz de Covariancia/Correlacao:"); round(PC$MatrixMC,2)

print("Componentes Principais:"); round(PC$MatrixAutoVec,2)

print("Variancias dos Componentes Principais"); round(PC$MatrixAutoVlr,2)

print("Covariancia dos Componentes Principais"); round(PC$MatrixVCP,2)

print("Correlacao dos Componentes Principais"); round(PC$MatrixCCP,2)

print("Escores dos Componentes Principais"); round(PC$MatrixEsc,2)