Biplot
Biplots são um tipo de gráfico exploratório usado em estatística, uma generalização do gráfico de dispersão de duas variáveis. Um biplot permite que a informação em ambas as amostras e variáveis da matriz de dados seja exibida graficamente. As amostras são apresentadas como pontos, enquanto as variáveis são apresentadas como vetores, eixos lineares ou trajetórias não-lineares. No caso de variáveis categóricas, com pontos de nível de categoria podem ser usados para representar os níveis de uma variável categórica. Um biplot generalizado exibe informações sobre variáveis contínuas e variáveis categóricas.
Introdução e história[editar | editar código-fonte]
O biplot foi introduzido por K. Ruben Gabriel (1971).[1] Gower e Hand (1996) escreveram uma monografia sobre biplots. Yan e Kang (2003) descreveram vários métodos que podem ser utilizados para visualizar e interpretar um biplot. O livro de Greenacre[2] (2010) é praticamente um guia de usuário para biplots, juntamente com scripts de código aberto em linguagem de programação R, para gerar biplots associados com a análise de componentes principais (ACP), escalonamento multidimensional, análise de log-ratio - também conhecida como mapeamento espectral[3][4], análise discriminante (AD) e várias formas de análise de correspondência: análise simples de correspondência (AC), análise de correspondência múltipla (ACM) e a análise de correspondência canônica (ACC). O livro de Gower, Lubbe e le Roux (2011) tem como objetivo popularizar biplots como um útil e confiável método para a visualização de dados multivariados quando os pesquisadores querem considerar, por exemplo, análise de componentes principais (ACP), análise de variáveis canônicas (AVC) ou diversos tipos de análise de correspondência.
Construção[editar | editar código-fonte]
Um biplot é construído usando a decomposição em valores singulares (DVS) para obter uma aproximação de baixa classificação para uma versão transformada da matriz de dados X, cujas n linhas são as amostras (também chamadas de casos, ou objetos), e cujas p colunas são as variáveis. A matriz Y de dados transformados é obtida a partir da matriz original X centralização-se e, opcionalmente padronizando as colunas (as variáveis). Usando a DVS, podemos escrever Y = ∑k=1,...pdkukvkT; onde uk e vk são vetores-coluna n-dimensionais, e o dk é uma sequência não-crescente de escalares não-negativos. O biplot é formado a partir de dois gráficos de dispersão que compartilham um conjunto comum de eixos e têm um produto escalar. O primeiro gráfico de dispersão é formado a partir dos pontos (d1αu1i, d2αu2i), para i = 1, ..., n. O segundo é formado a partir dos pontos (d11−αv1j, d21−αv2j), para j = 1, ..., p. Este é o biplot formado pelos dois termos dominantes da DVS, que podem ser representados em um formato bidimensional. Escolhas típicas de α são 1 (para dar uma distância de interpretação para a exibição da linha) e 0 (para dar uma distância de interpretação para a exibição da coluna), e em alguns casos raros, α=1/2 para obter um biplot com escala simétrica (que não dá a distância de interpretação para as linhas ou as colunas, mas apenas a interpretação do produto escalar). O conjunto de pontos representando as variáveis pode ser desenhado como setas da origem para reforçar a ideia de que eles representam os eixos biplot nos quais as amostras podem ser projetadas para aproximar os dados originais.
Bibliografia[editar | editar código-fonte]
- Gower, J.C.; Lubbe, S.; le Roux, N. (2010). Understanding Biplots. [S.l.]: John Wiley & Sons. ISBN 9780470012550
- Gower, J.C.; Hand, D.J. (1996). Biplots. Londres, UK: Chapman & Hall. ISBN 0412716305
- Yan, W.; Kang, M.S. GGE Biplot Analysis. Boca Raton, Flórida-EUA: CRC Press. ISBN 0849313384
- Demey, J.R.; Vicente-Villardón, J.L.; Galindo-Villardón, M.P.; Zambrano, A.Y. (2008). Identifying molecular markers associated with classification of genotypes by External Logistic Biplots. [S.l.]: Bioinformatics
Referências[editar | editar código-fonte]
- ↑ * Gabriel, K.R. (1971). «The biplot graphic display of matrices with application to principal component analysis». Biometrika. 58 (3): 453–467. doi:10.1093/biomet/58.3.453
- ↑ Greenace, M. (2010). Biplots in Practice. Madrid, Espanha: [s.n.] ISBN 9788492384686
- ↑ Lewi, Paul J. (2005). «Spectral mapping, a personal and historical account of an adventure in multivariate data analysis». Chemometrics and Intelligent Laboratory Systems. Chemometrics and Intelligent Laboratory Systems. 77 (1-2): 215–223. doi:10.1016/j.chemolab.2004.07.010
- ↑ Livingstone, David (2009). A Practical Guide to Scientific Data Analysis. Chichester: John Wiley & Sons Ltd. pp. 233–238. ISBN 9780470851531
