Sağlam Kanonik Korelasyon Analizi (Robust CCA)
Robust Canonical Correlation Analysis · Ayrıca şöyle bilinir: Robust CCA, RCCA, robust CCA, outlier-resistant canonical correlation
Sağlam kanonik korelasyon analizi, iki değişken kümesi arasındaki tahmin edilen kanonik korelasyonları ve kanonik değişkenleri dışsal gözlemlerin bozmaması için standart örnek kovaryans matrisini Minimum Kovaryans Belirleyicisi (MCD) veya S-tahmin edicisi gibi sağlam bir tahmin edici ile değiştirerek klasik CCA'yı genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Klasik çözümün aykırı değerler veya ağır kuyruklu dağılımlar tarafından bozulabileceğinden şüphelendiğinizde ve iki sürekli değişken grubunu ilişkilendirmek istediğinizde sağlam CCA'yı kullanın. Özellikle ekoloji, ekonomi veya nörogörüntüleme gibi çok değişkenli verilerin rutin olarak alışılmadık gözlemler içerdiği alanlarda uygundur. Çok küçük örneklemlerde (örneğin, değişkenlerin toplam sayısının 5 katından az) kullanmayın, çünkü sağlam tahmin ediciler temiz çoğunluğu belirlemek için yeterli gözlem gerektirir; bu durumda klasik CCA bile güvenilmezdir. Veriler sürekli yerine sıralı veya kategorik ise, çoklu yazışma analizi veya polikori CCA gibi alternatifleri düşünün.
Güçlü yönler & sınırlılıklar
- Kanonik korelasyonları ve kanonik değişkenleri çok değişkenli aykırı değerlerin neden olduğu şişme veya bozulmadan korur.
- Klasik CCA'nın yorumlayıcı zenginliğini korur — kanonik yüklemeler, komünaliteler ve yedeklilik indeksleri hala mevcuttur.
- MCD tabanlı versiyonlar yüksek bir kırılma noktası sağlar (en fazla %50), bu nedenle gözlemlerin büyük bir kısmı kirlenmiş olsa bile çözüm kararlı kalır.
- Aykırı değer tespiti bir yan üründür: yüksek sağlam Mahalanobis mesafelerine sahip vakalar otomatik olarak işaretlenir.
- Permütasyon tabanlı çıkarım, çok değişkenli normallik varsayımından kaçınır ve bu da onu çarpık veya ağır kuyruklu veriler için geçerli kılar.
- MCD, S, MM gibi sağlam tahmin ediciler hesaplama açısından yoğundur ve çok büyük veri kümeleri veya çok sayıda değişken için yavaş olabilir.
- MCD, S, MM gibi tahmin ediciler arasında kırılma özellikleri ve verimlilik değişir; tahmin edici seçimi her zaman basit değildir.
- Çok yüksek boyutlu verilerde (gözlemlerden daha fazla değişken) ek düzenlileştirme olmadan kovaryans matrisinin sağlam tahmini başarısız olur.
- Kanonik değişkenlerin yorumlanması, klasik CCA'da olduğu kadar hassastır ve anlamlı olması için alan bilgisi gerektirir.
SSS
Sağlam CCA klasik CCA'dan nasıl farklıdır?
Klasik CCA, aykırı değerlerden güçlü bir şekilde etkilenen sıradan örnek kovaryans matrisini kullanır. Sağlam CCA, bu matrisi MCD veya S-tahmini gibi aykırı değerlere dayanıklı bir tahmin edici ile değiştirir, böylece kanonik korelasyonlar ve kanonik değişkenler olağanüstü vakalardan ziyade verinin tipik yapısını yansıtır.
Hangi sağlam tahmin ediciyi kullanmalıyım?
MCD tahmin edicisi, sağlam CCA için en yaygın uygulanan ve incelenen seçenektir. Yüksek bir kırılma noktasına sahiptir ve rrcov gibi R paketlerinde mevcuttur. S-tahmin edicileri daha yumuşak bir hedef sunar ancak hazır yazılımlarda daha az yaygındır. Pratikte, varsayılan ayarlamasıyla MCD güvenli bir ilk tercihtir.
Kaç kanonik boyut tutmalıyım?
Sağlam kanonik korelasyonları anlamlı derecede büyük ve permütasyon testi ile istatistiksel olarak anlamlı olan boyutları tutun. Sağlam korelasyonların yamaç grafiği ve kümülatif yedeklilik indeksleri kararı yönlendirebilir; keyfi kesimlerden daha savunulabilir olan permütasyon tabanlı bir eşiğin üzerindeki boyutları tutmak.
Sıralı verilerle sağlam CCA kullanabilir miyim?
Standart sağlam CCA, kovaryans tahmininin iyi tanımlanması için sürekli verileri varsayar. Sıralı öğeler için önce polikori korelasyonlarını hesaplayın ve ardından kanonik korelasyon adımını bu matrise uygulayın veya çoklu yazışma analizi gibi farklı bir yöntem kullanın.
Büyük bir örneklem gerekli mi?
Evet. Kaba bir kılavuz olarak, her iki küme de dahil olmak üzere değişken başına en az 5 gözleme ve tercihen veri kirlenmişse daha fazlasına ihtiyacınız vardır. Sağlam tahmin ediciler, temizlenmemiş çoğunluğu belirlemek için yeterli gözleme ihtiyaç duyar, bu nedenle çok küçük örneklemler uygun değildir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Canonical Correlation Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-canonical-correlation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kanonik Korelasyon Analiziİstatistik↔ karşılaştır
- Sağlam Ayırt Edici Analizİstatistik↔ karşılaştır
- Sağlam Keşifsel Faktör AnaliziPsikometri↔ karşılaştır
- Sağlam Çok Boyutlu Ölçekleme (Robust MDS)İstatistik↔ karşılaştır