Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
En este trabajo se aborda la problemática de la construcción de modelos PCA (Principal Component Analysis) a partir de conjuntos de datos con información faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos originales. En cada situación se generaron pérdidas...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | article artículo publishedVersion |
Lenguaje: | Español Español |
Publicado: |
Facultad de Ciencia Económicas y Estadísticaca - Universidad Nacional de Rosario
2013
|
Materias: | |
Acceso en línea: | http://hdl.handle.net/2133/2345 http://hdl.handle.net/2133/2345 |
Aporte de: |
id |
I15-R121-2133-2345 |
---|---|
record_format |
dspace |
institution |
Universidad Nacional de Rosario |
institution_str |
I-15 |
repository_str |
R-121 |
collection |
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) |
language |
Español Español |
orig_language_str_mv |
es es |
topic |
Mecanismos de Pérdidas Algoritmo NIPALS Algoritmo EM Missing Data Mechanisms NIPALS algorithm EM algorithm |
spellingShingle |
Mecanismos de Pérdidas Algoritmo NIPALS Algoritmo EM Missing Data Mechanisms NIPALS algorithm EM algorithm Vitelleschi, María Susana Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
topic_facet |
Mecanismos de Pérdidas Algoritmo NIPALS Algoritmo EM Missing Data Mechanisms NIPALS algorithm EM algorithm |
description |
En este trabajo se aborda la problemática de la construcción de modelos
PCA (Principal Component Analysis) a partir de conjuntos de datos con información
faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos
originales. En cada situación se generaron pérdidas a través de mecanismos aleatorios
y no aleatorios, en diferentes porcentajes en una sola variable por vez, seleccionada
mediante dos criterios: la que más contribuye y menos contribuye en la formación
de la primera componente principal. A partir de cada conjunto de datos incompletos
se construye el modelo PCA utilizando: Casos Completos, Nonlinear Iterative Partial
Least Squares (NIPALS) y Expectation Maximization (EM). Se comparan los resultados
con los obtenidos a través del conjunto de datos originales. Se definen una serie
de medidas para estudiar cómo se afectan los resultados según la dimensión de la
matriz de datos, el porcentaje y el mecanismo de pérdida, con relación a: bondad del
ajuste, bondad de predicción, vectores cargas, ortonormalidad de la matriz de cargas
y ortogonalidad de la matriz de “scores”. |
author2 |
Quaglino, Marta Beatriz |
author_facet |
Quaglino, Marta Beatriz Vitelleschi, María Susana |
format |
article artículo publishedVersion |
author |
Vitelleschi, María Susana |
author_sort |
Vitelleschi, María Susana |
title |
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
title_short |
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
title_full |
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
title_fullStr |
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
title_full_unstemmed |
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? |
title_sort |
modelos pca a partir de conjuntos de datos con información faltante. ¿se afectan sus propiedades? |
publisher |
Facultad de Ciencia Económicas y Estadísticaca - Universidad Nacional de Rosario |
publishDate |
2013 |
url |
http://hdl.handle.net/2133/2345 http://hdl.handle.net/2133/2345 |
work_keys_str_mv |
AT vitelleschimariasusana modelospcaapartirdeconjuntosdedatosconinformacionfaltanteseafectansuspropiedades |
bdutipo_str |
Repositorios |
_version_ |
1764820412140617730 |