三三维荧光平行因子学习记录--使用DOMfluor工具箱进行平行因子分析( 三 ) _因子分析

接下来，我们可以使用（或）和函数比较两个不同模型的结果，我们输入：
Compare2Models(Test3,3,4)
如果想要绘制曲面图可以输入：
Compare2ModelsSurf(Test3,3,4)
比较3个和4个组件模型。同样地，比较4和5组件模型以及5和6、6和7组件模型。从这些图来看，似乎至少需要四个组件。
接下来，通过键入，比较4、5、6和7组件模型的载荷：
PlotLoadings(Test3,4)PlotLoadings(Test3,5)PlotLoadings(Test3,6)PlotLoadings(Test3,7)
在这里，我们可以看到随着模型复杂性的增加，组件是如何演变的。每个模型的组成部分通常非常相似，每一步，一个组成部分被分成两个，以便更好地建模数据，并消除残差中留下的系统可变性。这是一个积极的结果，表明模型之间的一致性，而不是随机的局部极小值结果。

文章插图
接下来，可以使用比较函数检查平方误差的谱和，我们输入：
CompareSpecSSE(Test3,3,4,5)
绘制了三种不同模型在激发和发射方向上的残差平方和。还可以尝试比较4、5和6组件模型，最后比较5、6和7组件模型。从这些结果来看，似乎很明显，从6到7组分模型的步骤对拟合的改善很小，这表明6个或更少的组分足以获得这些数据。
第六步：拆半检验
在这一阶段的分析之后，我们已经识别并移除了可疑的异常样本，并发现为该数据建模所需的正确分量数量介于4到6个分量之间。现在是时候尝试验证这些模型了。
现在数据将被分成两半。不只是进行一种类型的拆分，而是进行两种不同的拆分，每个拆分以不同的方式对数据进行拆分。这使我们能够运行两个对半分析，并使用性能最好的一个。有时，如果样本类型在两半之间分布不均，则拆分可能是次优的。理想情况下，分割应尽可能“随机” 。下图显示了如何使用工具箱中的函数拆分数据。
我们输入：
[AnalysisData]=SplitData(Test3);
可以从图中看到，所有的样本随机分配到四个组，第一半：（1-2）；第二半：（3-4）。进入命令窗口。绘制了四张图，显示了激发和发射方向上每一半数据的平方值之和。每对两半的曲线应该相似（1-2,3-4）。
接下来，使用功能执行，我们输入：
[AnalysisData]=SplitHalfAnalysis(AnalysisData,(3:7),'MyData.mat');
进行分析。这将使带有3到7个组件的模型与数据相匹配。这一步需要10-20分钟，具体取决于计算机的速度。
现在，可以使用函数检查分析结果（输入help 以获取解释）。该函数使用（ Seva和Berge，2006）描述的同余系数，在数学上比较在单独的数据分割上运行的模型的激励和发射载荷，并在命令窗口中说明模型是否得到验证。此外，还绘制了每一半的发射和激发载荷，以便直观地进行比较，我们输入：
SplitHalfValidation(AnalysisData,'1-2',4)
SplitHalfValidation(AnalysisData,'3-4',4)
查看第一次拆分（1-2）时的三组件模型结果。你会发现它是经过验证的。现在尝试其他组件模型（3-7）和其他拆分（3-4）。你会发现四个组件可以被分成两部分。

三 三维荧光平行因子学习记录--使用DOMfluor工具箱进行平行因子分析( 三 )

三三维荧光平行因子学习记录--使用DOMfluor工具箱进行平行因子分析( 三 )