En estadística , el análisis de correlación canónica generalizada (gCCA) es una forma de dar sentido a las matrices de correlación cruzada entre los conjuntos de variables aleatorias cuando hay más de dos conjuntos. Mientras que un CCA convencional generaliza el análisis de componentes principales (PCA) a dos conjuntos de variables aleatorias, un gCCA generaliza el PCA a más de dos conjuntos de variables aleatorias. Las variables canónicas representan aquellos factores comunes que pueden ser encontrados por un PCA grande de todas las variables aleatorias transformadas después de que cada conjunto se sometió a su propio PCA.
Aplicaciones
El método de bloqueo de Helmert-Wolf (HWB) para estimar los parámetros de regresión lineal puede encontrar una solución óptima solo si todas las correlaciones cruzadas entre los bloques de datos son cero. Siempre se pueden hacer desaparecer introduciendo un nuevo parámetro de regresión para cada factor común. El método gCCA se puede utilizar para encontrar esos factores comunes dañinos que crean una correlación cruzada entre los bloques. Sin embargo, no existe una solución HWB óptima si las variables aleatorias no contienen suficiente información sobre todos los nuevos parámetros de regresión.
Referencias
- Afshin-Pour, B .; Hossein-Zadeh, GA Strother, SC; Soltanian-Zadeh, H. (2012), "Mejora de la reproducibilidad de mapas estadísticos de fMRI utilizando análisis de correlación canónica generalizada en el marco NPAIRS" , NeuroImage 60 (4): 1970-1981. doi : 10.1016 / j.neuroimage.2012.01.137
- Sun, QS, Liu, ZD, Heng, PA, Xia, DS (2005) "Un teorema sobre los vectores proyectivos canónicos generalizados". Reconocimiento de patrones 38 (3) 449
- Kettenring, JR (1971) "Análisis canónico de varios conjuntos de variables". "Biometrika" 58 (3) 433
enlaces externos
- FactoMineR (software de análisis de datos multivariante exploratorio gratuito vinculado a R )