z-logo
open-access-imgOpen Access
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
Author(s) -
María Susana Vitelleschi,
D Quaglino
Publication year - 2010
Publication title -
saberes/saberes
Language(s) - Spanish
Resource type - Journals
eISSN - 1852-4184
pISSN - 1852-4222
DOI - 10.35305/s.v0i2.39
Subject(s) - humanities , physics , philosophy
En este trabajo se aborda la problemática de la construcción de modelos PCA (Principal Component Analysis) a partir de conjuntos de datos con información faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos originales. En cada situación se generaron pérdidas a través de mecanismos aleatorios y no aleatorios, en diferentes porcentajes en una sola variable por vez, seleccionada mediante dos criterios: la que más contribuye y menos contribuye en la formación de la primera componente principal. A partir de cada conjunto de datos incompletos se construye el modelo PCA utilizando: Casos Completos, Nonlinear Iterative Partial Least Squares (NIPALS) y Expectation Maximization (EM). Se comparan los resultados con los obtenidos a través del conjunto de datos originales. Se definen una serie de medidas para estudiar cómo se afectan los resultados según la dimensión de la matriz de datos, el porcentaje y el mecanismo de pérdida, con relación a: bondad del ajuste, bondad de predicción, vectores cargas, ortonormalidad de la matriz de cargas y ortogonalidad de la matriz de “scores”.

The content you want is available to Zendy users.

Already have an account? Click here to sign in.
Having issues? You can contact us here