مرجع
آخر الزيارات

تحليل العنصر الرئيسي

1٬019 كلمة•0 مشاهدة•🗒️ منذ 16 يوماً
باختصار: تحليل العنصر الرئيسي أو التحليل عبر المركبات الرئيسية هي عملية رياضيّة تنتمي إلى شعبة تحليل البيانات، و التي تتمثل في تحويل عدد من المتغيرات المترابطة إلى عدد أقل من المتغيرات غير المترابطة. في هذه المقالة 7 أقسام: «معيار القصور و الاستنتاج الحسابي للعناصر الرئيسية»، «مفاهيم أولية» و«تاريخ» وغيرها.
المحتويات
  1. معيار القصور و الاستنتاج الحسابي للعناصر الرئيسية
  2. مفاهيم أولية
  3. تاريخ
  4. حساب مصفوفات التغاير و الارتباط
  5. و بذلك تكون
  6. أمثلة استعمال
  7. عملية تحويل العينة
تحليل العنصر الرئيسي

بدايةً، تحليل العنصر الرئيسي أو التحليل عبر المركبات الرئيسية هي عملية رياضيّة تنتمي إلى شعبة تحليل البيانات، و التي تتمثل في تحويل عدد من المتغيرات المترابطة إلى عدد أقل من المتغيرات غير المترابطة. المتغيرات الناتجة عن عملية التحويل تسمى بالمركبات (أو المكونات أو المحاور) الرئيسية. القيمة المضافة للعملية هي تسهيل تأويل المعطيات المعقدة، عبر تمكين الباحث والإحصائي من تحقيق أمثل توافق بين التقليل من عدد المتغيرات الواصفة للمعطيات، و فقدان المعلومة الأصلية (التباين) الناتج عن اختزال الأبعاد الأصلية. وفيما يلي تفاصيل أوسع عن ذلك.

معيار القصور و الاستنتاج الحسابي للعناصر الرئيسية

كذلك، حسب المبرهنة المشار إليها في فقرة حساب مصفوفات التغاير و الارتباط، C مصفوفة قابلة للتقطير، في قاعدة متعامدة P. باعتبار المصفوفة القطرية المشكلة من القيم الذاتية ل C تكتب العينة المسقطة:

وعلى صعيد آخر، بتعبير رياضي، الهدف يتحول إلى إيجاد متجهة u، يكون ناتج إسقاط العينة عليها ذا تباين قصوي. إسقاط عينة المتغيرات X على المتجهة u يكتب كما يلي:

من جانب آخر، في ما يلي، نعتبر مجموعة البيانات في شكلها المحول (المركز أو المركز المختزل، حسب سياق الدراسة). كل Xn يتم تعويضه ب أو .

كذلك، المبدأ الأساسي لتحليل العنصر الرئيسي هو إيجاد أمثل محور u، يكون توليفة خطية ل Xn، بحيث يكون تباين البيانات، حول هذا المحور قصويا.

تباين العينة المسقطة πu(M) تساوي:

إضافةً إلى ذلك، القيم للمصفوفة القطرية تكون مرتبة تنازليا (من الأكبر إلى الأصغر).

تستعمل المصفوفة للإشارة إلى أو ، حسب التحويل المختار.

بحيث C هي مصفوفة مصفوفة التغاير.

من جانب آخر، المتجهة v التي وفقها تكون قيمة قصوية هي المتجهة الذاتية ل C الموافقة للقيمة الذاتية .

مفاهيم أولية

  • نعتبر عينة إحصائية مكونة من فردا، حسب قيمهم بالمتغيرات X1, …, XN.
  • تمثل العينة رياضياتيا عبر مصفوفة M ب K سطرا و N أعمدة:
  • لكل متغير Xn، نمثل القيم المحققة ب X1, n, …, XK, n.
  • نمثل المتوسط ب و الانحراف المعياري ب σXn.

وفي هذا السياق، كل سطر من المصفوفة، الذي يمثل الفرد i، نعتبره نقطة داخل فضاء تآلفي بعده N، بينما كل عمود من المصفوفة، يعتبر متجهة إحداثيات في فضاء متجهي بعده K.

في الحالة البديهية، التي تكون فيها الأوزان متساوية:

، بحيث هي مصفوفة الوحدة.

ومن ناحية أخرى، إذا كانت القيم المتحققة الممثلة في المصفوفة M ذات احتمالات حدوث متساوية، فإن لكل عنصر نفس الثقل عند حساب خصائص العينة. أما إذا أردنا تمييز كل فرد بثقل معين (قي حالة العينات المعدلة أو المجمعة)، نطبق وزنا على كل تحقق للمتغيرات. تمثل الأوزان (التي يساوي مجموعها 1) في مصفوفة قطرية D حجمها K:

إضافةً إلى ذلك، هاتان المقاربتان هما عماد تحليل العنصر الرئيسي، لأن من خلالهما سيتم إيجاد أمثل فضاء (سهل الإدراك ذي بعدين أو ثلاثة) لوصف المعطيات و استنتاج خصائصها الإحصائية. هذه العملية تستلزم عمليات تحويل أولية، مبنية على معارف الجبر الخطي و مفاهيم الجداء القياسي والمعيار والمسافة الأقليديين.

تاريخ

وفي السياق ذاته، تم اختراع تحليل المركبات الرئيسية عام 1901 من قبل كارل بيرسون، منظر اختبار ، محاولةً لتعميم مبادئ وروح نظرية عزم القصور الذاتي المستعملة في الميكانيك. حاول بيرسون، آنذاك، تعميم أعماله في مجالي الانحدار والارتباط، ليس لتفسير متغير بآخر بل لوصف البيانات و تلخيصها.

كذلك، في 1930، طور الاقتصادي والإحصائي الأمريكي هارولد هوتلين الطريقة، في إطار تقعيد نظري شمل طرق التحليل العاملي Factorial analysis، التي انبثقت من طريقة تحليل المركبات الرئيسية. كان أكبر عائق أمام تبني الطريقة هو الكم الهائل من الحسابات المعقدة التي تستهلكها، و التي لم تكن إمكانيات الحساب الآلي المتوفرة في النصف الأول من القرن العشرين تسمح بها، خصوصا على مستوى تقطير المصفوفات و حساب المتجهات الذاتية لمصفوفة التغاير، و هي عمليات حاسمة في تحليل المركبات الرئيسية.

من جهة ثانية، ابتداء من الستينات، و مع تطور الحساب الآلي، كبرت شعبية الطريقة و باقي طرق التحليل العاملي، في مجتمع الإحصائيين، بل و تم تبنيها من طرف مجالات معرفية متنوعة كالاقتصاد و علم الاجتماع و المعلوميات (المعالجة الرقمية، ضغط البيانات،...)

حساب مصفوفات التغاير و الارتباط

وفي هذا الصدد، لكل مصفوفة متماثلة A حقيقية، توجد مصفوفة متعامدة P و مصفوفة قطرية D، كلتاهما حقيقية، بحيث A تساوي P.D.P−1

ومن جهة أخرى، المصفوفتان الناتجتان هما مربعتان بعداهما N (عدد المتغيرات) و متماثلتان وحقيقيتان. و بالتالي فهما قطورتان (أو قابلتان للجدولة) في قاعدة متعامدة معيارية، حسب المبرهنة الطيفية لكارل فايغستراس.

المبرهنة الطيفية بالنسبة للمصفوفات:

  • بعد تحويل المصفوفة إلى أو ، يعطي جداؤهما مع منقولتيهما:
  • مصفوفة تغاير المتغيرات XN، …، X1 إذا لم يتم اختزال :
  • مصفوفة ارتباط المتغيرات، في حالة اختزال :

و بذلك تكون

وفي هذا السياق، و يستمر البحث عن محاور الإسقاط الأخرى، بنفس الطريقة، مع إضافة شرط إضافي: أن يكون كل محور مستنتج متعامدا على ما سبقه. المحاور المستنتجة، هي ما يصطلح عليه بالعناصر الرئيسية، و كل محور k يفسر جزءا من التباين الأصلي للعينة مقداره القيمة الذاتية λk.

  • انظر كذلك
  • القيم الذاتية والمتجهات الذاتية
  • تحليل التباين
  • تنقيب في البيانات
  • تفريق القيمة المنفردة

أمثلة استعمال

وفي السياق ذاته، في تنقية المعطيات من الضجيج: في حالة اعتبار الباحث للمحاور الغير الرئيسية، غير مفيدة انطلاقا من نسبة مساهمتها في تفسير القصور الذاتي/التباين الأصلي.

كذلك، في إطار مقاربة استكشافية ووصفية: عندما يكون عدد المتغيرات المفسرة للساكنة الإحصائية كبيرا، يتعذر على الإدراك البشري مقاربة المعطيات عبر رسم بياني شامل، تحليل المركبات الرئيسية يمكن من إيجاد أمثل فضاء (من بعدين أو ثلاثة أبعاد)، يمكن من إسقاط البيانات الأصلية، و استنباط بنيتها العامة، بسرعة. في هذا المستوى من الاستعمال، تحليل المركبات الرئيسية يلعب دورا موجها (و ملهما) لتحاليل إحصائية أكثر عمقا، و يمكن من السبر السريع للبيانات و المتغيرات الناشزة.

وعلى صعيد آخر، بصفة عامة، تستعمل الطريقة في الحالات التالية (لائحة غير حصرية):

علاوةً على ذلك، في تحييد ارتباط المتغيرات الواصفة للبيانات: المحاور (أو المركبات) الناتجة عن التحليل غير مرتبطة في ما بينها، مما يمكن من استعمالها كمتغيرات جديدة لوصف البيانات.

عملية تحويل العينة

كذلك، عامل التباين: في حالة عدم القيام بعملية التحويل، إذا كان لمتغير تباين كبير، فسيجذب المكونات الرئيسية إليه، حاجبا المعلومات الكامنة في المتغيرات الأخرى.

  • نعتبر المتجهة التي هي مركز ثقل عينة البيانات، و نشير إليها ب g.
  • بحيث هي متجهة داخل كل إحداثياتها تساوي 1.
  • عملية التحويل تتمثل في تركيز العينات حول مركز ثقلها:
  • .
  • ثم اختزالها عبر الانحراف المعياري لكل متغير:
  • .
  • عملية التحويل هاته ضرورية إذا أراد الباحث تحييد تأثير العوامل التالية:

ومن جهة أخرى، عامل وحدة القياس: إذا كانت طبيعة البيانات المدروسة مختلفة (أوزان و مسافات مثلا)، عملية التحويل عبر التركيز و الاختزال تمكن من مقاربة موضوعية للبيانات لا تتأثر بوحدات القياس المختارة.

كذلك، رغم ذلك، للعملية سلبية في حالة وجود متغير يلعب فقط دور ضجيج إحصائي؛ في هذه الحالة سيكون له نفس المكانة التفسيرية للمتغيرات الأخرى؛ مما يفرض على الباحث مواجهة و مقارنة نتائج تحليل العنصر الرئيسي بعملية تحويل بآخر بدونها، حتى تكون الدراسة أكثر موضوعية.

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.