Muchas gracias Loren por tu video, lo he seguido al pie de la letra con una base que trabajaba y ya puedo hacer mejor comparaciones de los datos. Ojalá puedas volver a youtube
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().
Muchas gracias por este gran aporte, soy nuevo en R Studio y tu aporte me cayó del cielo, ahora ya no tendré que leer tantos libros para hacer un ACP. Te lo agradezco, te lo agradezco mucho, salu2 de Ecuador :)
¡Súper tu video! me ayudaste muchísimo. Yo lo hacia de una manera mucho más complicada y me perdía. Ahora entendí mucho mejor otras cosas. ¡¡¡Muchas Gracias!!!
Maravilloso contenido, creo que sobra el paso de elevar la desviación tipica al cuadrado, pues un numero menor de uno al cuadrado no podrá dar más de la unidad. saludos y muchas gracias por el video.
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().
4 года назад
Excelente Loren, gracias por tu aporte. Acabo de culminar un curso de R, y me toca practicar y practicar para dominar tantas librerías y funcionalidades de la herramienta! Si conoces alguna comunidad spanish que me puedas sugerir te lo agradezco. Saludos!
Excelente video, mil gracias, mi pregunta, que nombre le pondrías a cada una de las componentes principales, sabiendo que cada componente tiene como fin reducir la dimensión de variables.
Me necnato esta explicacion super clara!! muchisimas gracias!!! pero Tengo una duda. Habia leido que la funcion PRCOMP solo aplica para conjunto de dados cuantitativos pero entiendo que si bien la region posee una valor numerico, no deja de ser una etiqueta, y su valor en si no reprensenta valor critico o ponderacion por si misma, es por ello que al inclirla dentro del analisis de componentes principales no se estaria incurriendo en en un error? y de ser asi no se deberia llevar otro metodo de analisis para variables cuantitativas y otro para variables cualitativas? desde ya muchas gracias!!
hola Lorena deberías subir más videos. puedes por favor hacer un tutorial con otros análisis como nmds y análisis canónico. y análisis de mancova y permanova. muchas gracias
En caso tenga 4 componentes principales (35:33) cómo puedo excluir dos componentes en el comando "Comp_prin". Intenté con esto pero está mal: s.corcircle(Comp_prin[,-3,-4], sub = "Cp1 y CP2" ) Gracias.
@@lorenaraujo1066 Hola Loren, pude solucionar el problema con tu consejo. Gracias! Tus videos están muy instructivos e explicativos, ojalá puedas subir más. Saludos.
Excelente Video. Fijate que estoy haciendo una reducción de dimensionalidad en variables Macroeconomicas, para contar con un indicador sintético de la actividad económica para un Nowcasting del PIB y tengo dudas, si no será necesario estandarizar las variables como tu mencionas y en vez de esos hacer todas los cálculos a parir de las variaciones interanuales de cada una de las variables. Por otra parte, me queda la duda de que utilizar para el cálculo de los valores y vectores propios, si la matriz de varianzas-covarianzas o la de correlaciones y en el caso de las correlaciones, si utilizar, pearson o spearman. Agradezco tus comentarios. Saludos desde Honduras.
Muchas gracias por tu video, está excelente, tengo dudas con proyección de estructuras latentes, no sé si tengas algún ejemplo que nos puedas suministrar, muchas gracias!!
Hola Loren! Muy interesante y clara tu explicación de la técnica. Pero tengo un comentario respecto de la inclusión de las variables Región y Canal, ya que esta técnica sólo admite variables medidas en escalas métricas (intervalos o proporciones). Y estas dos mencionadas, no lo están. Por el contrario, están expresadas en escala categórica. Y sobre este tipo de escalas no es posible aplicar operaciones aritméticas. Mucho menos, escalar o estandarizarlas. Además, desde el punto de vista del tratamiento estadístico, estás intentando calcular media y varianza a una variable categórica. (Es comí intentar calcular el promedio al sexo) Cosa imposible. Independientemente que, en el file hayas representado las categorías con números, no lo son y no pueden ser operados como tales. Por otro lado, el ACP y, en general, los métodos multivariantes, hacen un homomorfismo entre las matrices de datos y las "nubes de puntos" en un espacio multidimensional donde cada dimensión está asociada, desde uno de dos posibles puntos de vista, a cada una de las variables. Y los individuos (o casos) se representan en ese espacio tomando como coordenada el valor que toma cada individuo en cada variable. Así entonces, como, por definición de la escala de medida (de intervalos o proporciones) en las que están medidas las variables, en todas las dimensiones asociadas al hiperespacio asociado a las variables y que el ACP pretende "reducir" no es posible introducir variables categóricas, como Región o Canal, porque en el sentido de esa dimensión la continuidad no existiría. Sólo generaría subespacios de dimensión menor. Sí es posible combinar variables medidas en diferentes escalas mediante Análisis de Correspondencias Simples (ACOBI) o Múltiples (ACOMP), que, en pocas palabras, para el ACOBI, realiza un doble ACP pero sobre una matriz de frecuencias y las asocia mediante las llamadas relaciones cuasi baricéntricas. Lo que implica, para las variables medidas en escalas métricas, categorizarlas y contar las frecuencias de cada categoría. Voy a mirar con sumo interés tus videos sobre ésta y otras técnicas también. Tanto en mi vida como alumno, hace ya muchos años, como profesor especialmente de Análisis Multivariante Continuo y Discreto, como Estadística no Paramétrica, recibí y puse mucho cuidado en el tratamiento adecuado de los datos según cómo fueron recolectados y medidos. Y más aún en mi vida actual como analista de datos (prefiero ser llamado así y no "data scientiest"). Mil disculpas por no presentarme al principio: Soy Néstor Martínez Estadístico, graduado en la Escuela de Estadística de la Universidad Nacional de Rosario Doctorat 3ème Cycle Université Montpéllier II
Muchas muchas gracias!!!! súper bien explicado!!!! ¿lo puedo utilizar para variables sin distribución normal? ¿que diferencia tiene éste con un análisis de correspondencia múltiple? ¿podrías hacer un video del análisis de correspondencia múltiple?. Estoy muy agradecida
Hola, uno de los supuestos del ACP es la normalidad, y el ACM se puede considerar como un ACP salvo que existe una transformación a la matriz de indicadores. Saludos.
Una observación me gustaría que hicieras dos cosas 1. Con las misma bases de datos el ACP en SPSS 2. te falto el gráfico biplot que une individuos con las variables Un beso te amo!!!!!! Muy buen vídeo
Hola! aunque no uso software propietario, intentaré hacer el ACP en SPSS; y si, ciertamente me faltó el gráfico biplot! Gracias por las observaciones y por el cumplido! jeje Saludos.
Hola me gusto tu video, pero tengo una duda cuando se tiene variables cualitativas y cuantitativas al hacer la correlación como hago para tomar las cuantitativas, tengo que hacer un análisis de datos y no se como relacionarlas.
después de ejecutar el comando " individuos=acp$x[,1:3] " la lista me genera 333 filas y sale el mensaje "reached getOption("max.print") -- omitted 107 rows", ¿sabes a qué se debe? según hice todos los pasos tal cual los muestras en el vídeo. Gracias :)
Buen video, pero tengo una pregunta, por ejemplo si en lugar de 3 componentes principales te salen 9 a la hora de ejecutar la función s.corcircle, como obviamos todos los demás CP. Gracias de antemano.
Hola Crsitina, en ese caso omitirías los 7 CP restantes de acuerdo a los CP que vayas a proyectar, por ejemplo, si quieres proyectar los CP 2 y 3, obviarías los demás de esta forma: s.corcircle(Comp_princ[, c(-1, -4, -5, -6, -7, -8, -9)]...
Un buen vídeo. Sin embargo, yo consideraría que hay un error. Lo que pasa es que tomas cierta variables categóricas (como al región) y le aplicas el análisis de componentes principales. En el caso de este tipo de variables es necesario aplicar otro tipo d métodos. Saludos.
Hola Jose! gracias por compartir tu opinión!... yo pienso que no hay mayor problema en usar variables categóricas al implementar este tipo de técnica, pues, en el caso de las variables Canal y Región, basta con echarle un vistazo a la base de datos y observar el valor de esas variables para al menos dos de los clientes que se encuentran en los extremos de los ejes; de esta forma se puede determinar qué tipo de canal prefieren todos esos clientes a la hora de comprar en grandes cantidades esos productos. Pero bueno, no estaría de mas que sugirieras algúna otra técnica para analizar y darle explicación a este tipo de datos... ¿podrías decirnos cuál tienes en mente?
El analisis de los datos lo podrias hacer quitando las variables categoricas y hacer distintos modelos con componentes principales usando como condiciones las variables categoricas, o en sus defecto ver, ese modelo como un metodo de clusterizacion y despues aplicar el analisis de componentes principales . Bueno desde mi punto de vista creo ese es el mejor tratamiento que se le debe daar a tu base. Saludos.
Excelente explicación. Tengo una pregunta. Si yo seleccioné 5 componentes, como puego graficar, por ejemplo el componente 1 con el 5?. o el 2 con el 4?. Como le indico esto a R?. Muchas gracias :)
Dado que las representaciones solo son en dos planos, tienes que ir seleccionando las parejas que quieras graficar, excluyendo con el signo - aquellas dimensiones que no quieras graficar.
Hola Miguel, las columnas muestran las variables y las filas te muestran los individuos sobre los que estas estudiando dichas variables... son los individuos los que no se te muestran? si deseas puedes enviarme la data vía e-mail: lorenaraujo681@gmail.com
Gracias por tu respuesta Loren, estoy trabajando en la identificación de variables para un modelo de pronóstico de series de tiempo, lo que no se muestra son todas las variables, me muestra únicamente las primeras 7. Gracias.
Por fa, tengo este mismo error: Al crear CP1 me sale ... acp[(2)][, 1] : incorrect number of dimensions, Que puedo hacer? he revisado y he hecho exactamente lo mismo.
@@lorenaraujo1066 muchas gracias por responder, tu vídeo es muy informativo y tienes una voz muy clara que permite entenderlo con más facilidad... una cosita.. ¿cómo haría para hacer una correlación entre los componentes y las variables?.. y ¿cómo cálcularía las comunalidades?
Hola, la verdad es que yo no tengo mucha idea de como utilizar el R, estaba viendo tutoriales para poder hacer un PCA pero es complicado jaja, no se cual es el código, solo quise cargar un archivo de excel con los datos que necesito analizar!
Ok jeje, te entiendo. Bueno debe ser que los datos que estás utilizando tienen una variable categórica, es decir que no está representada mediante números sino mediante letras me explico?... si quieres me envías la data para chekearla... mi email lorenaraujo681@gmail.com.
Se recomienda casi siempre estandarizar a nivel multivariante... Cuando tenga tiempo te dejo un archivo con todos los pasos.. Podrías facilitarme tu correo quisiera hacerte una propuesta talvez la realizamos juntos
De acuerdo contigo, debe hacerse a nivel multivariante, pero tengo entendido que la función scale() lo hace. De todas formas me encantaría ver tu archivo. Por supuesto que si, es lorenaraujo681@gmail.com. Saludos.
Hola Deyvid, que extraño, no veo ningún problema con el link, de hecho acabo de descargar de nuevo la data mediante ese link. Simplemente dale click al link y el automáticamente te redirigirá a la descarga de los datos. Intentalo de nuevo y eliges la opción "Save file" y luego "Ok" y tendrás tu data descargada ;)
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().
![Cómo hacer correlaciones en Rstudio y R. [Chupito de R]](http://i.ytimg.com/vi/uEcvj7C35ho/mqdefault.jpg)
![Análisis de Componentes Principales (PCA) en R y Rstudio [Chupito de R] pca](/img/1.gif)
Me ha gustado mucho su enfoque y estilo de mostrar los detalles..!
Muchas gracias Loren por tu video, lo he seguido al pie de la letra con una base que trabajaba y ya puedo hacer mejor comparaciones de los datos. Ojalá puedas volver a youtube
Me gusto mucho tu video y tu explicación impecable, no sabes cuanto me ayudó en terminar mi tesis 🙏🏻
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().
Reconozco que tiene una buena explicación. motivo por el cual me inscrito a sus clases.
Bienvenido Erasmo Isaías Gonzalez
Muchas gracias profesora , tiene un nuevo suscriptor, me ayudo mucho con mi carrera de Analasis de Datos
Hola Adrián! No soy profesora, pero me alegra que te haya sido de ayuda el video. Saludos.
Muchas gracias por este gran aporte, soy nuevo en R Studio y tu aporte me cayó del cielo, ahora ya no tendré que leer tantos libros para hacer un ACP. Te lo agradezco, te lo agradezco mucho, salu2 de Ecuador :)
Muy bueno. Ya existen Análisis de Componentes de principales espaciales para vincular datos de coordenadas. Saludos
¡Súper tu video! me ayudaste muchísimo. Yo lo hacia de una manera mucho más complicada y me perdía. Ahora entendí mucho mejor otras cosas. ¡¡¡Muchas Gracias!!!
Maravilloso contenido, creo que sobra el paso de elevar la desviación tipica al cuadrado, pues un numero menor de uno al cuadrado no podrá dar más de la unidad. saludos y muchas gracias por el video.
Muy bien explicado. Además me gusta como interpreta los gráficos.
Me gusta, explicas muy bien, claro preciso y conciso. me gustaria tener los otros video del curso.
Muchas gracias por el video, excelentemente explicado. Me salvó la vida.
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().
Excelente Loren, gracias por tu aporte. Acabo de culminar un curso de R, y me toca practicar y practicar para dominar tantas librerías y funcionalidades de la herramienta! Si conoces alguna comunidad spanish que me puedas sugerir te lo agradezco. Saludos!
Excelente video muy bien explicado! Gracias
Súper bueno el vídeo.
Muchas gracias por la información, fue muy útil
Gracias, muy bine explicado, necesitaba un ejemplo práctico, espero puedas subir mas vídeos con otros temas, saludos
Loren donde conseguiste la base de datos con la que estas trabajando?
Excelente video, mil gracias, mi pregunta, que nombre le pondrías a cada una de las componentes principales, sabiendo que cada componente tiene como fin reducir la dimensión de variables.
Me necnato esta explicacion super clara!! muchisimas gracias!!! pero Tengo una duda. Habia leido que la funcion PRCOMP solo aplica para conjunto de dados cuantitativos pero entiendo que si bien la region posee una valor numerico, no deja de ser una etiqueta, y su valor en si no reprensenta valor critico o ponderacion por si misma, es por ello que al inclirla dentro del analisis de componentes principales no se estaria incurriendo en en un error? y de ser asi no se deberia llevar otro metodo de analisis para variables cuantitativas y otro para variables cualitativas? desde ya muchas gracias!!
hola Lorena deberías subir más videos. puedes por favor hacer un tutorial con otros análisis como nmds y análisis canónico. y análisis de mancova y permanova. muchas gracias
Muchas gracias por el video Loren. Saludos.
En caso tenga 4 componentes principales (35:33) cómo puedo excluir dos componentes en el comando "Comp_prin". Intenté con esto pero está mal:
s.corcircle(Comp_prin[,-3,-4], sub = "Cp1 y CP2" )
Gracias.
Muy buenas noches Patrick, prueba con s.corcircle(Comp_prin[,c(-3,-4)], sub = "Cp1 y CP2" ), eso debería funcionarte.
@@lorenaraujo1066 Hola Loren, pude solucionar el problema con tu consejo. Gracias! Tus videos están muy instructivos e explicativos, ojalá puedas subir más. Saludos.
Excelente Video. Fijate que estoy haciendo una reducción de dimensionalidad en variables Macroeconomicas, para contar con un indicador sintético de la actividad económica para un Nowcasting del PIB y tengo dudas, si no será necesario estandarizar las variables como tu mencionas y en vez de esos hacer todas los cálculos a parir de las variaciones interanuales de cada una de las variables. Por otra parte, me queda la duda de que utilizar para el cálculo de los valores y vectores propios, si la matriz de varianzas-covarianzas o la de correlaciones y en el caso de las correlaciones, si utilizar, pearson o spearman. Agradezco tus comentarios. Saludos desde Honduras.
Muchas gracias por tu video, está excelente, tengo dudas con proyección de estructuras latentes, no sé si tengas algún ejemplo que nos puedas suministrar, muchas gracias!!
¿Me parece que, en alguna parte del procesamiento, se realizó Análisis Factorial o eso es otra cuestión que no está incluido aquí?.
tienes algún video de análisis de conglomerados?
Excelente vídeo, buena explicación. Saludos!!
¿La normalizacion tambien se realiza con scale. = TRUE)?
Excelente. Muy completo
Hola Loren!
Muy interesante y clara tu explicación de la técnica.
Pero tengo un comentario respecto de la inclusión de las variables Región y Canal, ya que esta técnica sólo admite variables medidas en escalas métricas (intervalos o proporciones). Y estas dos mencionadas, no lo están. Por el contrario, están expresadas en escala categórica. Y sobre este tipo de escalas no es posible aplicar operaciones aritméticas. Mucho menos, escalar o estandarizarlas. Además, desde el punto de vista del tratamiento estadístico, estás intentando calcular media y varianza a una variable categórica. (Es comí intentar calcular el promedio al sexo) Cosa imposible. Independientemente que, en el file hayas representado las categorías con números, no lo son y no pueden ser operados como tales. Por otro lado, el ACP y, en general, los métodos multivariantes, hacen un homomorfismo entre las matrices de datos y las "nubes de puntos" en un espacio multidimensional donde cada dimensión está asociada, desde uno de dos posibles puntos de vista, a cada una de las variables. Y los individuos (o casos) se representan en ese espacio tomando como coordenada el valor que toma cada individuo en cada variable. Así entonces, como, por definición de la escala de medida (de intervalos o proporciones) en las que están medidas las variables, en todas las dimensiones asociadas al hiperespacio asociado a las variables y que el ACP pretende "reducir" no es posible introducir variables categóricas, como Región o Canal, porque en el sentido de esa dimensión la continuidad no existiría. Sólo generaría subespacios de dimensión menor.
Sí es posible combinar variables medidas en diferentes escalas mediante Análisis de Correspondencias Simples (ACOBI) o Múltiples (ACOMP), que, en pocas palabras, para el ACOBI, realiza un doble ACP pero sobre una matriz de frecuencias y las asocia mediante las llamadas relaciones cuasi baricéntricas. Lo que implica, para las variables medidas en escalas métricas, categorizarlas y contar las frecuencias de cada categoría. Voy a mirar con sumo interés tus videos sobre ésta y otras técnicas también.
Tanto en mi vida como alumno, hace ya muchos años, como profesor especialmente de Análisis Multivariante Continuo y Discreto, como Estadística no Paramétrica, recibí y puse mucho cuidado en el tratamiento adecuado de los datos según cómo fueron recolectados y medidos. Y más aún en mi vida actual como analista de datos (prefiero ser llamado así y no "data scientiest").
Mil disculpas por no presentarme al principio:
Soy Néstor Martínez
Estadístico, graduado en la Escuela de Estadística de la Universidad Nacional de Rosario
Doctorat 3ème Cycle Université Montpéllier II
son geniales tus videos!! gracias
Muchas muchas gracias!!!! súper bien explicado!!!! ¿lo puedo utilizar para variables sin distribución normal? ¿que diferencia tiene éste con un análisis de correspondencia múltiple? ¿podrías hacer un video del análisis de correspondencia múltiple?. Estoy muy agradecida
Hola, uno de los supuestos del ACP es la normalidad, y el ACM se puede considerar como un ACP salvo que existe una transformación a la matriz de indicadores. Saludos.
Muchas gracias y buen vídeo me ha sido útil!
Saludos
No hay de que. Para mi es un gusto poder ayudarles. Saludos.
Felicidades muy buen video Loren.
Gracias Jose, para mi es un placer poder ayudarles.
Hola, si yo solo quisiera hacer la correlación de una columna x con otra columna Y, como seria la linea de codigo por favor.
Hola. Dentro de mis variables, tengo algunas categóricas, ¿cómo puedo
incluir estas variables al análisis de componenetes principales?
Una observación me gustaría que hicieras dos cosas
1. Con las misma bases de datos el ACP en SPSS
2. te falto el gráfico biplot que une individuos con las variables
Un beso te amo!!!!!! Muy buen vídeo
Hola!
aunque no uso software propietario, intentaré hacer el ACP en SPSS; y si, ciertamente me faltó el gráfico biplot!
Gracias por las observaciones y por el cumplido! jeje
Saludos.
Loren Araujo en mi canal está el software portable date una vuelta
Las dos primeras variables no son categóricas???
Hola me gusto tu video, pero tengo una duda cuando se tiene variables cualitativas y cuantitativas al hacer la correlación como hago para tomar las cuantitativas, tengo que hacer un análisis de datos y no se como relacionarlas.
hola! necsito una ayuda, como puedo saber si una variable esta afectando negativamente mi Kmeans??
Cuáles son los valores de cp1,2 y 3?
Excelente explicación sencillo !!
¿Se pueden cambiar los números por los nombres de los individuos/clientes? ¿Cómo se hace?
¿Como se puede conocer la significancia de cada correlacion?
Hola, disculpa soy nuevo, no puedo sacar la varianza, me dice error argumento no numerico para operador binario, ¿alguna idea?
Hola Lore, podrias hacer un curso de Multiple Factor Analysis, saludos
você conhece a abordagem GYT biplot?
después de ejecutar el comando " individuos=acp$x[,1:3] " la lista me genera 333 filas y sale el mensaje "reached getOption("max.print") -- omitted 107 rows", ¿sabes a qué se debe? según hice todos los pasos tal cual los muestras en el vídeo. Gracias :)
Qe buen vídeo. Me salvaste. Muchísimas gracias.
Hola Loren, Gracias, muy buena información. Es posible contactarte para clases particulares pagadas? Saludos!
Muy bueno me sirvió
Buen video, pero tengo una pregunta, por ejemplo si en lugar de 3 componentes principales te salen 9 a la hora de ejecutar la función s.corcircle, como obviamos todos los demás CP.
Gracias de antemano.
Hola Crsitina, en ese caso omitirías los 7 CP restantes de acuerdo a los CP que vayas a proyectar, por ejemplo, si quieres proyectar los CP 2 y 3, obviarías los demás de esta forma: s.corcircle(Comp_princ[, c(-1, -4, -5, -6, -7, -8, -9)]...
Loren Araujo muchísimas gracias :)
Para servirte Cristina. Saludos.
Una preguntilla, hay alguna forma para que con la función s.corcircle no se solapen las etiquetas?
Un buen vídeo. Sin embargo, yo consideraría que hay un error. Lo que pasa es que tomas cierta variables categóricas (como al región) y le aplicas el análisis de componentes principales. En el caso de este tipo de variables es necesario aplicar otro tipo d métodos. Saludos.
Hola Jose! gracias por compartir tu opinión!... yo pienso que no hay mayor problema en usar variables categóricas al implementar este tipo de técnica, pues, en el caso de las variables Canal y Región, basta con echarle un vistazo a la base de datos y observar el valor de esas variables para al menos dos de los clientes que se encuentran en los extremos de los ejes; de esta forma se puede determinar qué tipo de canal prefieren todos esos clientes a la hora de comprar en grandes cantidades esos productos. Pero bueno, no estaría de mas que sugirieras algúna otra técnica para analizar y darle explicación a este tipo de datos... ¿podrías decirnos cuál tienes en mente?
El analisis de los datos lo podrias hacer quitando las variables categoricas y hacer distintos modelos con componentes principales usando como condiciones las variables categoricas, o en sus defecto ver, ese modelo como un metodo de clusterizacion y despues aplicar el analisis de componentes principales . Bueno desde mi punto de vista creo ese es el mejor tratamiento que se le debe daar a tu base. Saludos.
Excelente explicación. Tengo una pregunta. Si yo seleccioné 5 componentes, como puego graficar, por ejemplo el componente 1 con el 5?. o el 2 con el 4?. Como le indico esto a R?. Muchas gracias :)
Dado que las representaciones solo son en dos planos, tienes que ir seleccionando las parejas que quieras graficar, excluyendo con el signo - aquellas dimensiones que no quieras graficar.
Mucchas gracias!
como podemos saber la significancia de las correlaciones?
Aquí lo explico un poco: ruclips.net/video/uEcvj7C35ho/видео.html
Hola Loren, podrías decirme como hago para que me muestre todas las filas, estoy analizando 163 variables y únicamente me muestra 7
Hola Miguel, las columnas muestran las variables y las filas te muestran los individuos sobre los que estas estudiando dichas variables... son los individuos los que no se te muestran? si deseas puedes enviarme la data vía e-mail: lorenaraujo681@gmail.com
Gracias por tu respuesta Loren, estoy trabajando en la identificación de variables para un modelo de pronóstico de series de tiempo, lo que no se muestra son todas las variables, me muestra únicamente las primeras 7. Gracias.
Hola. Oye cómo puedo remplazar los datos NA en mis datos ?
Hola Adriana en este video puedes encontrar la respuesta a tu pregunta: ruclips.net/video/XKshQsg8TGw/видео.html
Me gusto tu video, gracias!! por cierto, estas muy linda...
Por fa, tengo este mismo error: Al crear CP1 me sale ... acp[(2)][, 1] : incorrect number of dimensions, Que puedo hacer?
he revisado y he hecho exactamente lo mismo.
Hola Miguel, el primer argumento va con corchetes, no con paréntesis, la expresión correcta sería acp[[2]][1]
@@lorenaraujo1066 muchas gracias por responder, tu vídeo es muy informativo y tienes una voz muy clara que permite entenderlo con más facilidad... una cosita.. ¿cómo haría para hacer una correlación entre los componentes y las variables?.. y ¿cómo cálcularía las comunalidades?
@@lorenaraujo1066 muchas gracias por responder
Buenas, cuando intento hacer la correlacion entre los datos me sale: "error en cor (datos): x debe ser numerica". como modifico eso??
Hola Melina, no debería arrojarte ese error. Si puedes envíame el codigo que tienes para ayudarte.
Hola, la verdad es que yo no tengo mucha idea de como utilizar el R, estaba viendo tutoriales para poder hacer un PCA pero es complicado jaja, no se cual es el código, solo quise cargar un archivo de excel con los datos que necesito analizar!
Ok jeje, te entiendo. Bueno debe ser que los datos que estás utilizando tienen una variable categórica, es decir que no está representada mediante números sino mediante letras me explico?... si quieres me envías la data para chekearla... mi email lorenaraujo681@gmail.com.
Si, debe ser eso, dale ahí te lo mando y muchas gracias por tu ayuda :)
En R si analiza las variables categóricas de la primera columna no se porque R Studio no puede. Saludos
Al crear CP1 me sale ... acp[(2)][, 1] : incorrect number of dimensions, Que puedo hacer?
Saludos Lina, te pregunto estás usando la misma data y el mismo codigo del video? de ser asi no debería salirte ningún error!
@@lorenaraujo1066 a mi me aparece el mismo error
la normalizacion se tiene que hacer en a nivel mmultivariante , tu la haces a nivel univariante saludos
Podrías por favor aclararme por qué dices que la hago multivariante? y, de acuerdo a tus conocimientos, ¿cómo sería la normalización multivariante?
Podrías por favor aclararme por qué dices que la hago univariante*? y, de acuerdo a tus conocimientos, ¿cómo sería la normalización multivariante?
Se recomienda casi siempre estandarizar a nivel multivariante... Cuando tenga tiempo te dejo un archivo con todos los pasos..
Podrías facilitarme tu correo quisiera hacerte una propuesta talvez la realizamos juntos
De acuerdo contigo, debe hacerse a nivel multivariante, pero tengo entendido que la función scale() lo hace. De todas formas me encantaría ver tu archivo.
Por supuesto que si, es lorenaraujo681@gmail.com.
Saludos.
Te escribí a tu correo !!!!! revisarlo
no puedo descargar la data podrias por favor revisar el link
Hola Deyvid, que extraño, no veo ningún problema con el link, de hecho acabo de descargar de nuevo la data mediante ese link. Simplemente dale click al link y el automáticamente te redirigirá a la descarga de los datos. Intentalo de nuevo y eliges la opción "Save file" y luego "Ok" y tendrás tu data descargada ;)
gracias
De nada, espero te haya sido útil. Saludos.
Buen video, el único inconveniente que he tenido, es que no puedo descargar (ade4). HELP
Muy buenas tardes Franklin, acá te dejo el link en donde puedes descargar el paquete ad4: pbil.univ-lyon1.fr/members/thioulouse/bin/windows/
Ya lo logré, muchas gracias.
@@franklinrochavela5748 como lo lograste?, ayudaaaa. precioné el link, pero no sé como seguir..
Humildemente te digo que este vídeo esta malo, el procedimiento que usaste es incorrecto, no estas trabajando con ninguna componente principal, erróneamente trabajaste con los vectores propios, CP1, CP2 y CP3 son los ventores propios, si quieres, compruébalo usando la función eigen().