[R-br] Como recriar um componente de PCA obtido com svyprcomp()

Cesar Rabak cesar.rabak em gmail.com
Terça Abril 26 22:52:09 BRT 2016


Caro Leonardo,

Seu post enseja vários assuntos:

A respeito de « criar um indicador econômico baseado em bens », você já
considerou usar o CCEB da ABEP http://www.abep.org/criterio-brasil?

"pega essas variáveis e joga no PCA" vai ser sempre diferente de "pega as
variáveis, multiplica por esse número e você tem o indicador XYZ" porque no
primeiro caso um procedimento matemático criado para encontrar as dimensões
com maior variabilidade nos dados seria aplicado enquanto no segundo você
estaria criando um indicador baseado em uma média ponderada (no mínimo) ou
uma combinação linear das variáveis com coeficientes fixos a priori.

A diferença entre os dois procedimentos está, como você intui, no uso
diferente dos pesos e no fato de o projeto do inquérito para os dados do
exemplo usarem aglomerados (/clusters/), no caso deste exemplo 15 deles, e
tamanho das populações de 757 casos (essa informação é usada para corrigir
a variância calculada [a famosa correção para população finita]).

Por isso, minha humilde insistência que você não compare duas coisas
diferentes, pois o exemplo do USArrests com procomp não tem nenhuma dessas
sofisticações.

Não entendo esta parte: «. . . os resultados foram semelhantes aos que eu
consigo no R com o predict() ou com o "with(apiclus2, api99 *
table2["api99", "coef"] + ... ", mas diferentes dos que eu consigo no R com
o pca2$x[, "PC1"]. »

Como você calculou os "coef"'s em cada SW?

Para dizer se a svyprcomp pode ter algum erro ou não, você precisa criar um
design que seja apropriado para poder usar os dados os USArrests na
svyprcomp e conseguir chegar nos resultados da prcomp do pacote "base" do
R, que indicaria que não há erro, ou se o condicionamento dos dados estiver
correto para svyprcomp, então discutir a discrepância com os autores do
pacote survey.

[]

2016-04-26 21:56 GMT-03:00 Leonardo Ferreira Fontenelle <
leonardof em leonardof.med.br>:

> O problema não é específico dos dados. Usei o "api" para facilitar a
> reprodução, mas esbarrei no problema ao analisar o banco de dados de um
> inquérito domiciliar de abrangência nacional. Minha intenção era criar um
> indicador econômico baseado em bens, que as pessoas poderiam utilizar em
> seus próprios estudos. Dizer "pega essas variáveis e joga no PCA" poderia
> até ser uma alternativa tecnicamente correta, mas restringiria o uso do
> indicador a quem sabe o que é isso. Dessa forma, seguindo o passo de outras
> iniciativas semelhantes, eu gostaria de dizer "pega as variáveis,
> multiplica por esse número e você tem o indicador XYZ".
>
> Outro motivo para eu poder dizer que o centro da questão é a ferramente é
> que eu rodei a PCA (com os pesos amostrais) no Stata, e os resultados foram
> semelhantes aos que eu consigo no R com o predict() ou com o
> "with(apiclus2, api99 * table2["api99", "coef"] + ... ", mas diferentes dos
> que eu consigo no R com o pca2$x[, "PC1"].
>
> Dessa forma, embora a resposta possa admitidamente ser mas criativa do que
> isso, estou entre as possibilidades de que (a) os componentes principais do
> svyprcomp têm alguma interpretação especial que me escapa até agora, ou (b)
> o svyprcomp tem algum erro, que deveria ser identificado e reparado.
> Infelizmente, na estatística eu sou usário, então não consigo abrir o
> código do svyprcomp e dizer se a forma como ele lida com os pesos amostrais
> (ou a SVD) está correta ou não.
>
> Grato pela atenção,
>
> Leonardo Ferreira Fontenelle <http://lattes.cnpq.br/9234772336296638>
>
>
> Em Ter 26 abr. 2016, às 18:18, Cesar Rabak escreveu:
>
> Leonardo,
>
> Você já está no terceiro post sobre o seu problema sem que ninguém tenha
> feito uma intervenção, é o que a gente chama de « depuração confessional »
> (veja
> https://books.google.com.br/books?id=4miO-X83hmUC&pg=PA255&lpg=PA255&dq=C+programming+confessional+debugging&source=bl&ots=ECCCrPnkdL&sig=8EjauFqGZhBBnIcBL3w6TCz9m2o&hl=en&sa=X&ved=0ahUKEwiBqqTam63MAhWDfpAKHYCsC7kQ6AEIHTAA#v=onepage&q=C%20programming%20confessional%20debugging&f=false
> )!!
>
> Sendo específico com relação ao que você reporta, acho que você deve
> tentar entender se o problema é com os dados ou com os métodos:
>
> Escolha um dos conjuntos de dados, ou o "USArrest" ou o "api" e aplique as
> duas formas de fazer a ACP, analise os resultados.
>
> Por último, e imagino que não seja importante para você desvendar o
> mistério que lhe apareceu, coloco a seguinte dúvida, qual a vantagem de
> fazer toda essa ginástica se para gerar o tal resultado que não
> necessitaria do comando para " análise de componentes principais
> propriamente dito" você usa coeficientes, loadings, etc. obtidos desse
> comando?
>
> HTH
>
> 2016-04-24 17:13 GMT-03:00 Leonardo Ferreira Fontenelle <
> leonardof em leonardof.med.br>:
>
>
> Parece que não sou a única pessoa com dificuldade em gerar esse vetor
> (quase) perfeitamente correlacionado com o primeiro vetor. O próprio
> comando predict não consegue!
>
> Retomando os exemplos anteriores:
>
>
> pca1 <- prcomp(USArrests, scale = TRUE)
>
> predpca1 <- predict(pca1, USArrests)
> cor(pca1$x[, "PC1"], predpca1[, "PC1"])
> # resultado: 1,00
>
>
> library("survey")
> data(api)
> dclus2 <- svydesign(id = ~ dnum + snum, fpc = ~ fpc1 + fpc2, data =
> apiclus2)
> pca2 <- svyprcomp(~ api99 + api00 + ell, design = dclus2, scale = TRUE,
> scores = TRUE)
>
> predpca2 <- predict(pca2, dclus2$variables)
> cor(pca2$x[, "PC1"], predpca2[, "PC1"])
> # resultado: 0,506
>
> Isso é um erro do svyprcomp??
>
>
> Leonardo Ferreira Fontenelle <http://lattes.cnpq.br/9234772336296638>
>
>
>
> Em Dom 24 abr. 2016, às 16:11, Leonardo Ferreira Fontenelle escreveu:
>
> Em Dom 24 abr. 2016, às 00:16, Leonardo Ferreira Fontenelle escreveu:
>
> Boa tarde a todos!
>
> Estou tentando escrever os resultados de uma análise de componentes
> principais de forma que os leitores possam calcular o primeiro componente a
> partir dos dados sem a necessidade de utilizar um comando de análise de
> componentes principais propriamente dito. Minha ideia é informar a
> codificação das variáveis, as cargas, os desvios-padrão, e então orientar
> os leitores a multiplicar os valores das variáveis pelas cargas e dividir
> pelos desvios-padrão e então somar tudo. Minha expectativa é de que o
> resultado seja altamente correlacionado àquele obtido por uma análise de
> componentes principais propriamente dita. No entanto, como explico a
> seguir, não estou conseguindo, e de alguma forma isso tem a ver com eu
> estar usando svyprcomp() em vez de prcomp().
>
> Para começar, mostro uma situação em que isso funciona:
>
> pca1 <- prcomp(USArrests, scale = TRUE)
> table1 <- data.frame(loadings = pca1$rotation[, "PC1"], scale =
> pca1$scale, coef = NA_real_, row.names = row.names(pca1$rotation))
> table1$coef <- table1$loadings / table1$scale
> firstcomponent1 <- with(USArrests, Murder * table1["Murder", "coef"] +
> Assault * table1["Assault", "coef"] + UrbanPop * table1["UrbanPop", "coef"]
> + Rape * table1["Rape", "coef"])
> cor(firstcomponent1, pca1$x[, "PC1"])
> # resultado: 1,00
>
> Agora, uma situação onde isso não funciona:
>
> library("survey")
> data(api)
> dclus2 <- svydesign(id = ~ dnum + snum, fpc = ~ fpc1 + fpc2, data =
> apiclus2)
> pca2 <- svyprcomp(~ api99 + api00 + ell, design = dclus2, scale = TRUE,
> scores = TRUE)
> table2 <- data.frame(loadings = pca2$rotation[, "PC1"], scale =
> pca2$scale, coef = NA_real_, row.names = row.names(pca2$rotation))
> table2$coef <- table2$loadings / table2$scale
> firstcomponent2 <- with(apiclus2, api99 * table2["api99", "coef"] + api00
> * table2["api00", "coef"] + ell * table2["ell", "coef"])
> cor(firstcomponent2, pca2$x[, "PC1"])
> # resultado: 0,506
>
> Como eu consigo cargas ("loadings") e desvios-padrão ("scale") que eu
> possa usar de forma a conseguir calcular à mão algum vetor altamente
> correlacionado com o primeiro componente do svyprcomp()?
>
> Grato!
>
> Leonardo Ferreira Fontenelle <http://lattes.cnpq.br/9234772336296638>
>
>
>
> O problema tem a ver com a ponderação das observações. Não apenas essa
> parece ser a única diferença entre prcomp() e svyprcomp() (a função não
> leva em consideração correlações dentro dos conglomerados) mas também usar
> svyprcom() num delineamento gera componentes com uma correlação quase
> perfeita com os índices criados à mão como no e-mail anterior.
>
> Digitar "svyprcomp" na linha de comando do R, sem aspas ou parênteses,
> mostra o código-fonte. Ele me parece usar uma abordagem equivalente à da
> resposta http://stats.stackexchange.com/a/113488. Mesmo assim, não
> consigo entender de que forma posso criar um índice à mão que seja (quase)
> perfeitamente correlacionado com o primeiro componente.
>
> Leonardo Ferreira Fontenelle <http://lattes.cnpq.br/9234772336296638>
>
>
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
> *_______________________________________________*
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
>
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20160426/3a5d0660/attachment.html>


Mais detalhes sobre a lista de discussão R-br