Za dodatno nalogo sem se odločila narediti metodo glavnih komponent. Za podatke sem izbrala umetno pripravljene podatke, ki simulirajo stopnjo zdravega spanca ter življenskega sloga.

podatki <- read.table("sleep.csv",
                      header = TRUE,
                      sep  = ",",
                      dec = "."
                      )

podatki <- podatki[sample(nrow(podatki), 100), ]
podatki <- podatki[, -c(10)]

library(psych)
describe(podatki[, -1])
##                         vars   n    mean      sd median trimmed     mad    min
## Gender*                    1 100    1.48    0.50    1.0    1.48    0.00    1.0
## Age                        2 100   42.51    9.02   43.0   42.26   10.38   27.0
## Occupation*                3 100    4.28    2.41    4.0    4.10    1.48    1.0
## Sleep.Duration             4 100    7.10    0.83    7.2    7.08    1.11    5.9
## Quality.of.Sleep           5 100    7.26    1.29    7.0    7.29    1.48    4.0
## Physical.Activity.Level    6 100   58.32   21.44   60.0   57.90   22.24   30.0
## Stress.Level               7 100    5.40    1.89    5.0    5.38    2.97    3.0
## BMI.Category*              8 100    2.41    1.44    2.0    2.39    1.48    1.0
## Heart.Rate                 9 100   70.30    4.38   70.0   69.85    2.97   65.0
## Daily.Steps               10 100 6769.00 1738.96 7000.0 6693.75 1482.60 3000.0
## Sleep.Disorder*           11 100    2.04    0.71    2.0    2.05    0.74    1.0
##                             max  range  skew kurtosis     se
## Gender*                     2.0    1.0  0.08    -2.01   0.05
## Age                        59.0   32.0  0.14    -0.97   0.90
## Occupation*                 9.0    8.0  0.58    -0.71   0.24
## Sleep.Duration              8.5    2.6  0.12    -1.39   0.08
## Quality.of.Sleep            9.0    5.0 -0.21    -0.91   0.13
## Physical.Activity.Level    90.0   60.0  0.11    -1.36   2.14
## Stress.Level                8.0    5.0  0.14    -1.52   0.19
## BMI.Category*               4.0    3.0  0.13    -1.93   0.14
## Heart.Rate                 85.0   20.0  1.09     1.60   0.44
## Daily.Steps             10000.0 7000.0  0.22    -0.51 173.90
## Sleep.Disorder*             3.0    2.0 -0.06    -1.03   0.07

Povprečna starost je 41.71. Polovica oseb spi 7.12 ur ali manj, polovica pa 7.12 ali več.

podatki$Gender <- factor(podatki$Gender,
                         levels = c("Male", "Female"),
                         labels = c("M", "F"))
podatki$Occupation <- factor(podatki$Occupation,
                         levels = c("Software Engineer", "Doctor", "Sales Representative", "Teacher", "Nurse", "Engineer", "Accountant", "Scientist", "Lawyer", "Salesperson"),
                         labels = c("SE", "D", "SR", "T", "N", "E", "A", "S", "L", "SP"))
podatki$BMI.Category <- factor(podatki$BMI.Category,
                         levels = c("Overweight", "Normal", "Obese"),
                         labels = c("OV", "N", "OB"))
podatki$Sleep.Disorder <- factor(podatki$Sleep.Disorder,
                         levels = c("None", "Sleep Apnea", "Insomnia"),
                         labels = c("N", "SA", "I"))

head(podatki)
##     Person.ID Gender Age Occupation Sleep.Duration Quality.of.Sleep
## 205       205      M  43          E            7.6                8
## 290       290      F  50          N            6.1                6
## 316       316      F  53          E            8.3                9
## 177       177      M  41          L            7.6                8
## 257       257      F  45          T            6.6                7
## 75         75      M  33          D            6.0                6
##     Physical.Activity.Level Stress.Level BMI.Category Heart.Rate Daily.Steps
## 205                      75            4           OV         68        6800
## 290                      90            8           OV         75       10000
## 316                      30            3            N         65        5000
## 177                      90            5            N         70        8000
## 257                      45            4           OV         65        6000
## 75                       30            8            N         72        5000
##     Sleep.Disorder
## 205              N
## 290             SA
## 316              I
## 177              N
## 257              I
## 75               N

Med podatki sem izbrala 100 naključnih oseb in med njimi izločila spremenljivko Person.ID. - Spol (M, F) - Starost (Številska spremenljivka) - Poklic (Software Engineer, Doctor, Sales Representative, Teacher, Nurse, Engineer, Accountant, Scientist, Lawyer, Salesperson) - Dolžina spanca (Številska spremenljivka) - Kvaliteta spanca (1-10) - Fizična aktivnost (Minute na dan) - Raven stresa (1-10) - Indeks telesne mase (Underweight, Normal, Overweight) - Srčni utrip (Številska spremenljivka) - Dnevno število korakov (Številska spremenljivka) - Motnje spanca (None, Insomnia, Sleep Apnea)

Podatke, ki niso številčne vrednosti, nisem uporabila pri glavnih komponentah, zato sem jih prav tako izločila, ter metodo uporabila na sedmih spremenljivkah. V glavne komponente bom vključila starost, dolžino spanca, kvaliteto spanca, fizično aktivnost, stopnja stresa, srčni utrip in dnevno število opravljenih korakov.

podatki_MGK <- podatki[ , -c(1,2,4,9,12)]

Preverili bomo ali lahko z metodo glavnih komponent sedem dimenzij, ki so bile ocenjene, združimo v manjše število glavnih komponent.

library(pastecs)
round(stat.desc(podatki_MGK, basic= FALSE), 2)
##                Age Sleep.Duration Quality.of.Sleep Physical.Activity.Level
## median       43.00           7.20             7.00                   60.00
## mean         42.51           7.10             7.26                   58.32
## SE.mean       0.90           0.08             0.13                    2.14
## CI.mean.0.95  1.79           0.17             0.26                    4.25
## var          81.30           0.69             1.67                  459.51
## std.dev       9.02           0.83             1.29                   21.44
## coef.var      0.21           0.12             0.18                    0.37
##              Stress.Level Heart.Rate Daily.Steps
## median               5.00      70.00     7000.00
## mean                 5.40      70.30     6769.00
## SE.mean              0.19       0.44      173.90
## CI.mean.0.95         0.37       0.87      345.05
## var                  3.56      19.18  3023978.79
## std.dev              1.89       4.38     1738.96
## coef.var             0.35       0.06        0.26

Pri opisni statistiki opazimo, da najbolj varira stopnja fizične aktivnosti pri koeficientu variacije 0.33.

#Korelacijska matrika

R <- cor(podatki_MGK)
library(psych)
corPlot(R, 2)

Opazimo lahko nekaj močnih korelacij, kar je dober znak. Z Bartlettovim preizkusom sferičnosti smo preverili domnevo ali je populacijska matrika P enotska matriki I.

Ničelna domneva(H0) P = I Raziskovalna domneva (H2) P != I

cortest.bartlett(R, n = nrow(podatki))
## $chisq
## [1] 625.803
## 
## $p.value
## [1] 5.942795e-119
## 
## $df
## [1] 21

Ničelno domnevo lahko zavrnemo, ker imam p vrednost enako 0, zato ugotavljamo, da je populacijska korelacijska matrika različna od enotske, kar pomeni da so podatki primerni.

Uporabili bomo še KMO statistiko in MSA statistiko.

KMO(R)
## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = R)
## Overall MSA =  0.67
## MSA for each item = 
##                     Age          Sleep.Duration        Quality.of.Sleep 
##                    0.88                    0.78                    0.73 
## Physical.Activity.Level            Stress.Level              Heart.Rate 
##                    0.41                    0.80                    0.67 
##             Daily.Steps 
##                    0.37

Overall MSA ali KMO nam pove, da je primernost podatkov sprejemljiva (0.61). MSA, ki ovrednoti posamezne spremenljivke nam pove, da je najbolj primerna(ima največ skupnega z ostalimi) raven stresa(0.75), najmanj pa dnevno število korakov(0.38). Ker ima dnevno število tako nizko vrednost, bo to pomenilo, da bomo izgubili malo več informacije kot pri ostalih spremenljivkah.

Ugotovili smo, da so podatki primerni, zato se moramo odločiti koliko glavnih komponent bomo obdržali. Z ukazom scale.unit = TRUE spremenljivke standariziramo (Korelacijska matrika). Izpisali in opisali bomo lastne vrednosti glavnih komponent.

library(FactoMineR)
mgk <- PCA(podatki_MGK,
           scale.unit = TRUE,
           graph = FALSE)

library(factoextra)
## Loading required package: ggplot2
## 
## Attaching package: 'ggplot2'
## The following objects are masked from 'package:psych':
## 
##     %+%, alpha
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
get_eigenvalue(mgk)
##       eigenvalue variance.percent cumulative.variance.percent
## Dim.1 3.66236476       52.3194966                    52.31950
## Dim.2 1.84915987       26.4165696                    78.73607
## Dim.3 0.69373684        9.9105263                    88.64659
## Dim.4 0.51520415        7.3600593                    96.00665
## Dim.5 0.14425679        2.0608113                    98.06746
## Dim.6 0.08756601        1.2509430                    99.31841
## Dim.7 0.04771158        0.6815939                   100.00000

Varianca prve glavne komponente je 3.40, zato lahko izračunamo, da ta komponenta zajema 3.40/7 ~ 48.57% skupne informacije. S prvima dvema komponentama lahko pojasnimp 75.67% informacije, kar ustreza priporočilu, da morajo izbrane komponente pojasniti vsaj 70% skupne variance.

Kaiserjevo priporočilo pravi, da lahko vzamemo komponente, ki imajo lastno vrednost višjo od 1.

V diagramu lastnih vrednosti poiščemo, kje se naklon premice najbolj spremeni.

fviz_eig(mgk,
         choice = "eigenvalue",
         main = "Diagram lastnih vrednosti",
         ylab = "Lastna vrednost",
         xlab  ="Glavna komponenta",
         addlabels = TRUE)

Ugotovimo, da se premica prelomi pri tretji glavni komponenti, zato bi vzeli samo prvi dve. Da ne bomo ocenjevali subjektivno, si lahko pomagamo s paralelno analizo.

fa.parallel(podatki_MGK,
            sim = FALSE,
            fa = "pc")
## Warning in fa.stats(r = r, f = f, phi = phi, n.obs = n.obs, np.obs = np.obs, :
## The estimated weights for the factor scores are probably incorrect.  Try a
## different factor score estimation method.
## Warning in fac(r = r, nfactors = nfactors, n.obs = n.obs, rotate = rotate, : An
## ultra-Heywood case was detected.  Examine the results carefully

## Parallel analysis suggests that the number of factors =  NA  and the number of components =  2

Tudi ta analiza je pokazala, da sta primerni dve glavni komponenti. Nad tema dvema glavnima komponentama izvedemo metodo glavnih komponent.

mgk <- PCA(podatki_MGK,
           ncp = 2,
           scale.unit = TRUE,
           graph = FALSE)
mgk
## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 100 individuals, described by 7 variables
## *The results are available in the following objects:
## 
##    name               description                          
## 1  "$eig"             "eigenvalues"                        
## 2  "$var"             "results for the variables"          
## 3  "$var$coord"       "coord. for the variables"           
## 4  "$var$cor"         "correlations variables - dimensions"
## 5  "$var$cos2"        "cos2 for the variables"             
## 6  "$var$contrib"     "contributions of the variables"     
## 7  "$ind"             "results for the individuals"        
## 8  "$ind$coord"       "coord. for the individuals"         
## 9  "$ind$cos2"        "cos2 for the individuals"           
## 10 "$ind$contrib"     "contributions of the individuals"   
## 11 "$call"            "summary statistics"                 
## 12 "$call$centre"     "mean of the variables"              
## 13 "$call$ecart.type" "standard error of the variables"    
## 14 "$call$row.w"      "weights for the individuals"        
## 15 "$call$col.w"      "weights for the variables"

Iz analize bomo uporabili 4(“\(var\)cor”), 6(“\(var\)contrib”).

mgk$var$cor
##                               Dim.1        Dim.2
## Age                      0.58515831  0.266073013
## Sleep.Duration           0.90857430 -0.006029195
## Quality.of.Sleep         0.97142874  0.078661744
## Physical.Activity.Level  0.09483121  0.940133791
## Stress.Level            -0.94284209  0.148469984
## Heart.Rate              -0.80355091  0.121782980
## Daily.Steps             -0.08447033  0.922721532

a21* = r21 = 0.86 -> povezava med dolžino spanca in prvo GK je linearna, pozitivna in močna.

r21^2 = a21*2 = 0.86^2 = 0.74 -> 74% variabilnosti kvalitete spanca je prenešene na prvo GK. r21^2 + r22^2 = a21^2 + a22^2 = 0.86^2 + 0.03^2= 0.74 -> 74% variabilnosti kvalitete spanca je prenešene na prvi dve GK.

Vrednostim v zgornji tabeli rečemo reskalnirani koeficienti. Prva stvar, ki jo opazimo je, da lahko za prvo glavno komponento rečemo, da predstavlja kvaliteto spanca (oseba dobro spi). Za drugo glavno komponento lahko rečemo, da je povezava pri telesnih aktivnostih (oseba veliko telovadi).

Da preverimo kakšen odstotek je prispevala posamezna spremenljivka uporabimo rezultat MGK \(var\)contrib

mgk$var$contrib
##                              Dim.1        Dim.2
## Age                      9.3494303  3.828487174
## Sleep.Duration          22.5402798  0.001965822
## Quality.of.Sleep        25.7667889  0.334620603
## Physical.Activity.Level  0.2455506 47.797465133
## Stress.Level            24.2726013  1.192073028
## Heart.Rate              17.6305231  0.802044996
## Daily.Steps              0.1948260 46.043343243

Prvi glavni komponenti je največ prispevala spremenljivka, ki opisuje kvaliteto spanca, sledi ji raven stresa. Drugi glavni komponenti sta največ prispevala fizična aktivnost in dnevno število korakov.

library(factoextra)
fviz_pca_var(mgk,
             repel = TRUE)

48.6% variabilnosti smo prenesli na prvo GK in 27.1% na drugo GK.

Oseba, ki bi se nahajala na desni strani glavne koponente (vodoravno), bi pomenila, da ima boljši spanec in manj stresa. Navpična analiza pa bi pomenila, da se oseba na vrhu ukvarja s športom.

fviz_pca_biplot(mgk,
                repel = TRUE)

Oseba 361 ima nadpovprečen dober spanec in se ukvarja s športom. Oseba 5 ima podpovprečen spanec in se ne ukvarja s športom. Oseba 286 ima podpovprečen spanec in se ukvarja s športom.

Za objasnitev, kako se za vrednost GK1 in GK2 izračuna za neko osebo sem med naključno premešanimi osebami izbrala 10 osebo.

mgk$ind$coord[10, ]
##      Dim.1      Dim.2 
##  0.1161489 -1.2493360

Koordinate predstavljajo osebo 267. Ima podpovprečen spanec in se ne ukvarja s športom.