Cuando se hace el análisis de PCA, terminará con valores propios que son ordenados por qué parte de la varianza que se explica para cada vector propio. Decir, los vectores propios, ya que son ortogonales, no representan la realidad, quiero seguir con el original factores, pero determinar cuáles son los más importantes y que se suman a la prestación de, digamos, el 90% de la varianza?
También, es el Jacobiano de rotación más propicio para encontrar dominante original factores?
Cuando yo uso el PCA, tengo que seguir un par de pasos típicos. En primer lugar, me gustaría aplicar PCA para la matriz de covarianza, me permitiría designar a ciertos valores propios como dominante o importantes (como por ejemplo, aquellas que contribuyen a $x\%$ de la varianza o por RMT) y, a continuación, me gustaría identificar los vectores propios que corresponden con los importantes valores propios.
Creo que estás conmigo en este punto. Parece que usted quiere saber cómo determinar cuál de las entradas de la matriz de covarianza se corresponden con los vectores propios (es decir, cuánto hace año $$ Y contribuir al autovalor $N$, en el ejemplo). Una manera de hacer que la determinación es el cuadrado del vector propio $N$. Este cuadrado autovector deben suma de hasta $1$. Por lo tanto, se puede considerar cada uno de estos valores cuadrados como un porcentaje de la contribución para el autovector (y por lo tanto los autovalores). Por su ejemplo, podrían graficar estos valores cuadrados en contra de los años para cada uno para tener una idea de cómo cambia a medida que cambia vectores propios.
FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.
