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-87961635Mendeley: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])