
196
|
第
7
章
(2)
进而,主成分分析将该线性组合作为第一个“新的”预测因子
Z
1
。
(3)
主成分分析使用具有不同权重的同一变量,重复上述过程,创建第二个“新的”预测因
子
Z
2
。主成分分析对两个预测因子加权,使得
Z
1
和
Z
2
不相关。
(4)
重复上述过程,直到所得到的新变量(或成分)
Z
i
的数量与原始变量
X
i
相同。
(5)
选择保留为解释大部分方差所需的成分。
(6)
目前得到的结果是对应于每个成分的一组权重。最后一步是通过对原始数据应用权重,
将原始数据转换为新的主成分分值。这些新的分值可以作为规模缩减的一组预测变量。
7.1.3
解释主成分
主成分的性质往往能揭示数据的结构信息。一些标准的可视化展示有助于我们深入了解主
成分的相关信息。一种可视化方法就是
陡坡图
(
Screeplot
)。陡坡图展示了各个主成分的相
对重要性。其命名源于其类似于山体的陡坡。使用下面的代码可以绘制在标准普尔
500
指
数中排名靠前的几家公司的陡坡图。
syms <- c( 'AAPL', 'MSFT', 'CSCO', 'INTC', 'CVX', 'XOM',
'SLB', 'COP', 'JPM', 'WFC', 'USB', 'AXP', 'WMT', 'TGT', 'HD', 'COST')
top_sp <- sp500_px[row.names(sp500_px)>='2005-01-01', syms]
sp_pca <- princomp(top_sp)
screeplot(sp_pca)
结果如图
7-2