L'extraction de l'APC axes pour une analyse plus approfondie
Je suis de l'analyse des données concernant reed champs. Les Variables que j'ai mesurés sont la profondeur de l'eau, les roseaux de la hauteur, reed densité, etc. Comme certaines de ces variables sont dépendantes, j'ai effectué une ACP, afin de réduire ces variables à 2 PCA-axes (N=104).
Pour l'exécution de l'APC, j'ai utilisé le vegan
paquet dans R. Mes données ressemble à ceci:
row.names Waterpeil hoogte_max Som Leeftijd_riet PFD oppervlakte onderlaag_num afst_rand
1 1 5 2.5 51 0.15686274 1.616921 8.127192 2 24.154590
2 3 9 2.5 44 0.13636364 1.564643 9.023642 2 8.349288
3 4 0 2.5 84 0.30952381 1.352548 8.498775 2 26.226896
4 5 0 3.5 58 0.43103448 1.384183 9.301617 1 57.320000
5 6 40 2.5 52 0.42307692 1.361262 10.316058 1 45.470000
6 7 5 3.0 19 0.00000000 1.429287 9.927788 1 36.720000
7 9 0 2.5 64 0.28125000 1.355100 8.029911 2 19.560000
8 11 120 3.5 29 0.03448276 1.336117 11.147484 1 252.630000
9 14 0 2.0 27 0.07407407 1.847756 7.445060 2 1.864342
10 16 20 2.5 57 0.24561404 1.582308 8.425177 2 9.490196
11 17 5 3.0 54 0.01851852 1.348305 9.315008 2 15.960000
12 18 0 1.5 5 1.00000000 1.643657 8.063648 2 6.526300
13 21 0 2.0 18 0.05555556 1.394964 8.752185 2 37.576955
14 22 20 2.0 48 0.16666667 1.617045 8.911028 1 11.592383
15 25 0 2.5 71 0.42253521 1.749114 7.271499 2 6.572772
16 26 0 2.0 50 0.30000000 1.464582 7.349908 2 9.849276
17 27 5 2.5 61 0.34426229 1.511217 8.379012 2 14.082827
18 28 5 2.0 123 0.06504065 1.538188 8.271017 2 11.658142
19 29 100 3.0 75 0.44000000 1.896483 7.968603 1 9.071897
20 30 100 3.0 95 0.55789474 1.768147 8.367626 1 2.300783
21 32 0 3.0 74 0.45945946 1.458793 9.453464 2 57.210000
22 33 15 3.0 66 0.24242424 1.572704 7.620507 1 8.700000
23 34 5 3.0 83 0.38554217 1.436063 11.636262 1 50.613265
24 35 5 2.5 58 0.31034483 1.313440 9.370347 2 52.605041
25 36 20 2.5 91 0.28571429 1.544032 8.451961 1 9.713351
26 37 10 2.5 34 0.23529412 1.524725 9.348687 2 6.920026
27 38 20 2.5 48 0.41666667 1.584892 7.780915 1 11.302639
28 39 40 2.5 51 0.15686274 1.535552 6.994035 1 18.999423
29 40 35 2.5 48 0.45833333 1.460579 9.073331 1 12.869075
30 41 5 3.0 58 0.43103448 1.747669 7.628542 2 3.860225
31 42 25 2.5 36 0.52777778
J'ai fait cela, c'est la sortie pour la première de deux axes:
y<-rda(nestendca2)
summary(y)
PC1 PC2
Waterpeil 13.816422 -2.312641
hoogte_max 0.094747 -0.014497
Som 2.955029 10.812549
Leeftijd_riet 0.016476 0.019629
PFD 0.007361 -0.003386
oppervlakte 0.052943 0.039657
Maintenant, je veux mettre en place ces deux axes dans une régression logistique, relative à la réussite de la reproduction d'un oiseau de proie, qui se reproduit dans ces domaines.
Comment puis-je faire cela?
Merci de faire de votre situation, reproductible, c'est à dire de nous fournir les données et le code nécessaire pour imiter votre situation. Voir stackoverflow.com/questions/5963269/... pour plus de conseils sur la façon de le faire.
OriginalL'auteur Koentjes | 2013-03-28
Vous devez vous connecter pour publier un commentaire.
En supposant que vous utilisez
prcomp
dans R. Ici est une façon de faire quiVous pouvez maintenant utiliser ces nouvelles colonnes (axes) dans votre régression logistique si vous le souhaitez. Je vais juste vous montrer un exemple en utilisant un modèle linéaire simple.
pourquoi ne u utilisation de prévoir? ne pas extraire les chargements avec des Chargements <- que.les données.cadre(PCA2$rotation[,1:2]) comme ci-dessus assez pour la régression?
OriginalL'auteur dickoa
Si vous utilisez le princomp, vous pouvez extraire les chargements comme ceci:
Si vous utilisez prcomp que vous pouvez faire:
Si vous utilisez végétalien:
Je l'ai ajouté à la réponse.
OriginalL'auteur JT85
Je suis à l'aide de l'anr par végétalien trop.
J'ai essayé PCA3$CA$v. gie suggéré par @JT85, me renvoie NULL
Devrait être v au lieu de v. gie. Fonctionne pour moi comme ce
OriginalL'auteur Steffie Huang Sichao