Bileşimsel Veri Analizi (CoDA)
Compositional Data Analysis (CoDA) · Ayrıca şöyle bilinir: CoDA, Simplex Analysis, Log-Ratio Analysis, Bileşim Veri Analizi
Bileşimsel Veri Analizi (CoDA), bir bütünün parçalarını (sabit bir toplama ulaşan oranlar, yüzdeler veya konsantrasyonlar) temsil eden veriler için tasarlanmış çok değişkenli istatistiklerin bir dalıdır. John Aitchison tarafından 1982'deki dönüm noktası niteliğindeki makalesinde tanıtılan CoDA, standart Öklid yöntemlerinin simpleks üzerinde başarısız olduğunu kabul eder ve bunun yerine bileşimsel bilginin göreceli doğasına saygı duyan log-oran dönüşümleri aracılığıyla çalışır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemler, bilgiyi yalnızca göreceli büyüklükleri aracılığıyla taşıyan negatif olmayan parçaların vektörleri olduğunda CoDA'yı kullanın; jeokimyasal element konsantrasyonları, mikrobiyom takson bollukları, diyet makro besin oranları, zaman kullanım anketleri veya bütçe payları gibi. Varsayımlar arasında kesinlikle pozitif parçalar (sıfırlar analizden önce ele alınmalıdır) ve mutlak varyasyonun değil, göreceli varyasyonun bilimsel olarak anlamlı olması yer alır. Mutlak miktarların bağımsız olarak önemli olduğu durumlarda CoDA'dan kaçının. Alternatifler arasında oransal sonuçlar için Dirichlet regresyonu ve normalizasyon sonrası standart yöntemler bulunur, ancak ikincisi titiz bir geometrik gerekçeden yoksundur.
Güçlü yönler & sınırlılıklar
- Geometrik olarak tutarlı bir örnek uzayda (simpleks) çalışır, sabit toplam kısıtlamasının neden olduğu sahte korelasyonları önler.
- Log-oran dönüşümleri ölçekten bağımsızdır, bu nedenle sonuçlar verilerin oranlar, yüzdeler veya milyonda birim olarak ifade edilip edilmediğine bağlı değildir.
- Veriler dönüştürüldükten sonra yerleşik çok değişkenli araçlarla (PCA, regresyon, kümeleme) sorunsuz bir şekilde bütünleşir.
- Aitchison mesafesi, bileşimsel farklılığın yorumlanabilir, matematiksel olarak titiz bir ölçüsünü sağlar.
- Tam sıfırları doğrudan ele alamaz; gözlemlenen sıfırlar, sonuçları etkileyebilecek sübjektif ikame stratejileri gerektirir.
- Log-oran koordinatları, özellikle CoDA'ya aşina olmayan alan bilimcileri için orijinal parçalardan daha zor yorumlanır.
- İzometrik log-oran (ILR) tabanı benzersiz değildir ve farklı taban seçimleri çalışmalar arası karşılaştırmayı zorlaştırabilir.
- Yazılım uygulamaları, varsayılan olarak hangi dönüşümü uyguladıkları konusunda farklılık gösterir, bu da metodolojik tutarsızlık riskini artırır.
SSS
Oranlar üzerinde neden standart istatistikleri kullanamıyorum?
Sabit bir toplama ulaşan oranlar, yapı gereği doğrusal olarak bağımlıdır, bu da parçalar arasında yapay olarak negatif korelasyonlar indükler. Standart yöntemler kısıtlanmamış Öklid verilerini varsayar; bunları simplekse uygulamak yanıltıcı korelasyonlar, yanlı temel bileşenler ve toplam kısıtlamasını ihlal eden regresyon tahminleri verebilir. Log-oran dönüşümü, verileri geometrik olarak uygun bir uzaya taşıyarak bu artefaktları ortadan kaldırır.
Bileşimsel verilerdeki sıfırları nasıl ele almalıyım?
Gerçek sıfırlar (bir parça gerçekten yok) ve yuvarlanmış sıfırlar (bir parça tespit sınırının altında) farklı stratejiler gerektirir. Yuvarlanmış sıfırlar genellikle bileşimsel yapıyı koruyan çarpımsal veya Bayes-çarpımsal yöntemler kullanılarak değiştirilir. Gerçek yapısal sıfırlar, örneklemin bölümlere ayrılmasını veya sıfır-şişirilmiş modellerin kullanılmasını gerektirebilir. Tüm sıfırlara küçük bir sabit eklemek genellikle önerilmez çünkü bu, göreceli ilişkileri bozar.
ALR, CLR ve ILR dönüşümleri arasındaki fark nedir?
ALR (toplamsal log-oran) tek bir referans parça kullanır ve hesaplaması kolaydır ancak izometrik değildir. CLR (merkezlenmiş log-oran) geometrik ortalamayı referans olarak kullanır ve izometriktir ancak tekil bir kovaryans matrisi üretir. ILR (izometrik log-oran) simplekste ortonormal bir taban kullanır, tamamen izometrik ve tekil değildir, ancak bir taban seçimi gerektirir, bu da yorumlamayı ve çalışmalar arası karşılaştırmayı zorlaştırır.
Kaynaklar
- Aitchison, J. (1982). The statistical analysis of compositional data. Journal of the Royal Statistical Society: Series B, 44(2), 139–177. DOI: 10.1111/j.2517-6161.1982.tb01195.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Compositional Data Analysis (CoDA). ScholarGate. https://scholargate.app/tr/statistics/compositional-data-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Sembolik Veri AnaliziEsnek hesaplama↔ karşılaştır