Obrigado Cesar e Fernando pelas dicas estão ajudando muito a solidificar os estudos que venho conduzindo,
Fernando obrigado pelo vídeo, tirando o inglês carregado no francês que dificulta na compreensão ajudou muito e estou explorando muito a ferramenta dimdesc().
Cesar, as figuras que me mandou representa bem o que eu quero, qual a função que utilizou para gerar aquelas figuras de % de contribuição de cada variável.
Obrigado a ajuda de todos,
--
======================================================================
Alexandre dos Santos
Proteção Florestal
IFMT - Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso
Campus Cáceres
Caixa Postal 244
Avenida dos Ramires, s/n
Bairro: Distrito Industrial
Cáceres - MT CEP: 78.200-000
Fone: (+55) 65 99686-6970 (VIVO) (+55) 65 3221-2674 (FIXO)
e-mails:alexandresantosbr@yahoo.com.br
alexandre.santos@cas.ifmt.edu.br
Lattes: http://lattes.cnpq.br/1360403201088680
OrcID: orcid.org/0000-0001-8232-6722 - ResearcherID: A-5790-2016
Researchgate: www.researchgate.net/profile/Alexandre_Santos10
LinkedIn: br.linkedin.com/in/alexandre-dos-santos-87961635
Mendeley:www.mendeley.com/profiles/alexandre-dos-santos6/
======================================================================
Sim Alexandre.
Aliás, eu recomendo que você teste os resultados da pesquisa com os comandos (para os dados e resultados da PCA do seu CMR):
> biplot(pca.object)
e
> biplot(pca.object, choice=2:3)
Nessa representação você pode ver como as variáveis estão correlacionadas em relação às componentes da PCA lembrando que a representação por ser espacial pode ter uma distorção devido às outras dimensões.
Por isso outros pacotes, como o FactoMiner (um dos meus favoritos junto com o ade4) permitem que se faça um corte nas variáveis que aparecem nesses gráficos levando em conta a assim chamada "qualidade da representação" em cada plano.
Vou eludir discussão sobre um número muito reduzido de casos versus o número de variáveis neste caso porque entendo que o CMR é só para discutir a técnica.
HTH
2018-05-03 16:30 GMT-03:00 ASANTOS <alexandre.santos@cas.ifmt.edu.br>:
Obrigado Cezar,
Então mudando names(load.rot[,2][order(abs(
load.rot[,2]),decreasing=TRUE) ][1:topN]) e names(load.rot[,3][order(abs( load.rot[,3]),decreasing=TRUE) ][1:topN]), vou ter as cinco variáveis mais correlacionadas com a segunda e terceira componentes principais respectivamente? Novamente obrigado,
Alexandre
-- ============================================================ ========== Alexandre dos Santos Proteção Florestal IFMT - Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso Campus Cáceres Caixa Postal 244 Avenida dos Ramires, s/n Bairro: Distrito Industrial Cáceres - MT CEP: 78.200-000 Fone: (+55) 65 99686-6970 (VIVO) (+55) 65 3221-2674 (FIXO) e-mails:alexandresantosbr@ yahoo.com.br alexandre.santos@cas.ifmt.edu.br Lattes: http://lattes.cnpq.br/1360403201088680 OrcID: orcid.org/0000-0001-8232-6722 - ResearcherID: A-5790-2016 Researchgate: www.researchgate.net/profile/Alexandre_Santos10 LinkedIn: br.linkedin.com/in/alexandre-dos-santos-87961635 Mendeley:www.mendeley.com/profiles/alexandre-dos- ==============================santos6/ ============================== ========== Em 02/05/2018 23:57, Cesar Rabak escreveu:
##Banco de dados
set.seed(12345)
mat <- matrix(rnorm(120,0,0.5),nrow=6,byrow=TRUE)
rownames(mat) <- paste("s",1:6,sep="")
colnames(mat) <- paste("g",1:20,sep="")
head(mat)
## Espectros com maior correlação
pca.object <- prcomp(mat,center=TRUE,scale.=FALSE)
plot(pca.object)
#Quero os cinco mais correlacionados
topN <- 5
load.rot <- scale(pca.object$rotation)
names(load.rot[,1][order(abs(load.rot[,1]),decreasing=TRUE)] [1:topN])