Multivariada

Organização da coleção

trama.multi recebe data/table e conecta tabelas a modelos ou gráficos. Um fluxo pode conferir fatorabilidade com KMO e Bartlett, estimar a quantidade de componentes por análise paralela e então ajustar PCA ou análise fatorial. Para classificar grupos, a coleção oferece LDA/QDA e logística; os dois saem como modelo (models/fit), e prever, validar e avaliar é com os blocos da coleção de modelos (models/predict, models/confusion, models/roc).

Fluxo reproduzível

library(trama)

reg <- tr_registry()
tr_use("trama.multi", registry = reg)

tr_flow(reg) |>
  tr_add("dados", "multi/example", dataset = "USArrests") |>
  tr_add("pca", "multi/pca", cols = "Murder, Assault, UrbanPop, Rape",
         padronizar = TRUE, from = "dados") |>
  tr_add("variancia", "multi/pca_variance", from = "pca") |>
  tr_add("mapa", "multi/biplot", from = "pca")

A coleção contém conjuntos reais do R e conjuntos simulados com estruturas conhecidas. USArrests evidencia o efeito da padronização; questionario permite comparar cargas fatoriais plantadas e estimadas; iris serve à classificação discriminante; pima demonstra logística binária e ROC.

Blocos

• Exemplo multivariado e KMO e Bartlett, Análise paralela
• Correlação: Matriz e Mapa
• PCA: Componentes principais, Variância explicada, Cargas, Scree, Biplot, Círculo de correlações, Jackknife
• Fatorial: Análise fatorial, Cargas, Mapa das cargas, Jackknife
• Classificação: Discriminante, Prever e Matriz de confusão (da coleção de modelos), Funções discriminantes, M de Box, Plano discriminante, Jackknife
• Logística: Regressão, Coeficientes (modelos), Gráfico dos coeficientes (modelos), Curva ROC (modelos), Curva precisão-revocação (modelos), Jackknife
• Agrupamento: Matriz de distância, Agrupamento, Dendrograma, Tocher
• MANOVA: MANOVA