主成分分析法(principal component analysis, PCA)可将BIOLOG法产生的大量数据进行降维处理,是BIOLOG数据分析中应用最为广泛的多元分析方法之一。通过主成分分析可以将不同样本的多元向量变换为互不相关的主元向量(PC1和PC2是主元向量的分量),在降维后的主元向量空间中可以用点的位置直观地反映出不同微生物群落的代谢特征[20]。主成分分析处理后,原指标与主成分的关系可以用以下公式表示[21]:
C1=L11X1+L12X2+…+L1pXP
C2=L21X1+L22X2+…+L2pXp (4-2)
Cm=Lm1X1+Lm2X2+…+LmpXp
C1,C2…Cm是第1,2,…,m个主成分(即综合因子),m≤p;Xi(i=1,2,…,p)是标准化的原变量;Lij(i=1,2,…,m;j=1,2,…,p)是原指标计算主成分的系数,也称为因子负荷量或载荷。主成分的计算主要是找到这些因子负荷量Lij,因子负荷量的大小和它前面的正负号直接反映了主成分与相应变量之间关系的密切程度和方向[8]。
PCA的基本条件与主成分的基本性质[22]:
第一,各主成分是相互独立的。这使分析主成分的意义时不必考虑与其它主成分的关系,相对比较简单;
第二,由标准化原指标求主成分的系数就是各主成分相应的特征向量;
第三,主成分的方差是相关矩阵的特征根或特征值即综合因子。在求解时按其大小依次排序,特征根或特征值越大,对应的主成分变量包含的信息就越多。在分析时只要由大到小选择前几个主成分分析其意义就可以,即各主成分的作用大小是:C1≥C2≥ …≥Cm>0;
第四,某个主成分的贡献率=该主成分的方差/全部主成分的方差之和×100%;
第五,前P个主成分的累计贡献率为前P个主成分贡献率之和。实际应用中,一般取累积贡献率为70%~85%或以上所对应的前P个主成分即可。在资料所含的变量个数、样品数及累积贡献率固定的前提下,P/m的比值越小,则说明此资料用PCA越适合;
第六,因子负荷量Lij的大小和它前面的正负号直接反映了主成分与相应变量之间关系的密切程度和方向,系数的绝对值越大,说明该主成分受该指标的影响也就越大。
我看了网上SPSS主成分分析的视频教程,做出了如图所示的主成分分析结果,问题是按照我的理解不能很好地解释我的实验。故来此询问懂的前辈指导,或者同样做这个课题的人交流一下。
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读]()
主成分分析表.jpg
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读-1]()
主成分分析成分旋转矩阵.png
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读-2]()
主成分分析成份得分系数矩阵.png
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读-3]()
主成分分析解释的总方差.png
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读-4]()
主成分分析碎石图.png
![BIOLOG法在土壤微生物群落分类中主成分分析结果的解读-5]()
主成分分析旋转空间中的成分图.png |