W jaki sposób centrowanie danych pozbywa się przechwytywania w regresji i PCA?

Jest to bardzo szczególny przypadek „kontrolowania innych zmiennych”, jak wyjaśniono (na kilka sposobów) na stronie stats.stackexchange.com/questions/17336/… . Kontrolowana „zmienna” jest pojęciem stałym (przechwytującym).

$\bar{y} - \bar{X}\beta$

PCA is maximizing varianceZasadniczo nie jest to prawdą. PCA maksymalizuje (o 1 PC) odchylenie kwadratowe odchyleń od źródła. Tylko jeśli dane były wstępnie wyśrodkowane (samo centrowanie nie jest częścią PCA), okazuje się, że maksymalizuje wariancję.

PS Zauważ, że obliczenie kowariancji lub korelacji oznacza wyśrodkowanie

> PS Zauważ, że obliczenie kowariancji lub korelacji oznacza wyśrodkowanie - ttnphns 27 '12 sierpnia o 11:47 Chociaż zgadzam się z twoimi innymi komentarzami, zarówno kowariancja, jak i korelacja NIE oznaczają wyśrodkowania. Ani cor, ani covar nie zmieniają wartości, gdy do danych jest stosowana stała addytywna.

To jest wstecz. Stałe addytywne rzeczywiście nie wpływają na korelacje, ale dzieje się tak, ponieważ są one odejmowane w obliczeniach, jak wskazał @ttphns. Poza tym nie jest to nowa odpowiedź, ale komentarz. Rozumiemy, że nie masz jeszcze wystarczającej reputacji, aby móc komentować, więc, ufam, zostanie przeniesiony przez użytkownika o wystarczającej reputacji po oznaczeniu go.