Zusammenfassung
Ausgangspunkt vieler Anwendungen ist eine Datenmatrix, die mehr als zwei quantitative Merkmale enthält. In einer solchen Situation ist man sehr oft daran interessiert die Objekte der Größe nach zu ordnen, wobei alle Merkmale in Betracht gezogen werden sollen. Außerdem will man die Objekte in einem Streudiagramm darstellen. Auch hier sollen alle Merkmale bei der Darstellung berücksichtigt werden. Es liegt nahe, das zweite Ziel durch Zeichnen der Streudiagrammmatrix erreichen zu wollen. Bei dieser werden aber immer nur Paare von Merkmalen betrachtet, sodass der Zusammenhang zwischen allen p Merkmalen nicht berücksichtigt wird. Wir werden im Folgenden ein Verfahren kennenlernen, mit dessen Hilfe man ein Streudiagramm zeichnen kann, bei dem bei beiden Achsen alle Merkmale berücksichtigt werden. Außerdem kann man auch die Objekte ordnen, indem man ihre Werte bezüuglich der ersten Achse des Streudiagramms betrachtet. Um das erste Ziel zu erreichen, bestimmt man oft den Mittelwert aller Merkmale bei jedem Objekt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Jackson, J. E. (1991): A user’s guide to principal components. Wiley, New York
Kaiser, H. F. (1960): The application of electronic computers to factor analysis. Educ. Psychol. Meas., 20, 141–151
Cattell, R. B. (1966): The scree test for the number of factors. Multivariate Behavioral Research, 1, 245–276
Jolliffe, I. T. (1986): Principal component analysis. Springer, New York
Kruskal, J. B. (1956): On the shortest spanning subtree of a graph and the travelling salesman problem. Poceedings AMS, 7, 48–50
Friedman, J. H., Tukey, J. W. (1974): A projection pursuit algorithm for exploratory data analysis. IEEE Transactions on Computers, 23, 881–890
Seber, G. A. F. (1984): Multivariate observations. Wiley, New York
Jones, M. C., Sibson, R. (1987): What is projection pursuit? Journal of the Royal Statistical Society, Series A, 150, 1–36
Huber, P. J. (1985): Projection pursuit (with discussion). Ann. Statist., 13, 435–535
Jolliffe, I. T. (1972): Discarding variables in principal component analysis, I: Artificial data. Applied Statistics, 21, 160–173
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2010 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Handl, A. (2010). Hauptkomponentenanalyse. In: Multivariate Analysemethoden. Statistik und ihre Anwendungen. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-14987-0_5
Download citation
DOI: https://doi.org/10.1007/978-3-642-14987-0_5
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-14986-3
Online ISBN: 978-3-642-14987-0
eBook Packages: Life Science and Basic Disciplines (German Language)