The phenolic profile data (phenolic

The phenolic profile data (phenolic concentrations in seedless dry matter) were analyzed with principal component analysis (PCA), which is a technique for modelling a set of data onto itself (Mardia, Kent & Bibby, 1979). PCA is typically used for measurements which are ill-conditioned and for highly correlated data; as a consequence, their covariance matrix is nearly singular. With PCA, the data arranged in tables can be reduced to a set of new latent variables called principal components (PCs). The loadings of the PC define the direction of greatest variability and the score values represent the projection of each object onto PC. The first PC is the linear combination of the original variables which explains the greatest variability. The second PC has been defined to be orthogonal to the first one and explains the second greatest amount of variability. The analysis proceeds until all PCs are obtained, the number of which is typically much smaller than the number of variables. Since PCA usually deals with relative differences between objects, the average of each variable is first subtracted from each column in the data matrix. This centring brings the origin of the coordinate system to the centre of the data set. To give each variable (column in the table) equal weight in the analysis, it is customary to rescale the data by dividing each column in the data matrix by its standard deviation. This makes the variation same for all variables. For principal component analysis calculations, computer program Statistic for Windows, version 5.0 (StatSoft Inc., Tulsa, OK) was used.

ผลลัพธ์ (ไทย) 1:

ข้อมูลในโพรไฟล์ฟีนอ (ฟีนอความเข้มข้นในเรื่องแห้งไร้เมล็ด) ได้วิเคราะห์ ด้วยการวิเคราะห์ส่วนประกอบหลัก (PCA), ซึ่งเป็นเทคนิคสำหรับการสร้างแบบจำลองชุดข้อมูลลงในตัวเอง (Mardia, Kent และเหตุการณ์ 1979) PCA โดยปกติจะใช้ สำหรับการประเมินที่ไม่ปรับอากาศ และ สำหรับ ข้อมูล correlated สูง ผล เมตริกซ์ความแปรปรวนร่วมของพวกเขาเป็นเอกพจน์เกือบ ข้อมูลที่จัดเรียงในตารางสามารถลดชุดของตัวแปรใหม่ที่เรียกว่าส่วนประกอบหลัก (PCs) แฝงอยู่กับ PCA Loadings เครื่องพีซีกำหนดทิศทางของความแปรผันมากที่สุด และค่าคะแนนแสดงฉายภาพของวัตถุแต่ละชิ้นลงบน PC PC ครั้งแรกเป็นการรวมเชิงเส้นของตัวแปรเดิมที่อธิบายความแปรผันมากที่สุด PC ที่สองมีการกำหนดเป็น orthogonal กับแรก และอธิบายจำนวนความแปรผันมากที่สุดที่สอง การวิเคราะห์การดำเนินการจนกว่าทุกชิ้นที่รับ เลขที่เป็นโดยทั่วไปขนาดเล็กกว่าจำนวนตัวแปร เนื่องจากสมาคมมักจะเกี่ยวข้องกับความแตกต่างสัมพัทธ์ระหว่างวัตถุ ค่าเฉลี่ยของแต่ละตัวแปรเป็นลบจากแต่ละคอลัมน์ในเมตริกซ์ข้อมูลก่อน นี้ centring นำต้นกำเนิดของระบบพิกัดศูนย์กลางของชุดข้อมูล ให้น้ำหนักเท่ากันแต่ละตัวแปร (คอลัมน์ในตาราง) ในการวิเคราะห์ มันเป็นขนบธรรมเนียมการ rescale ข้อมูล โดยแบ่งแต่ละคอลัมน์ในเมตริกซ์ข้อมูลด้วยส่วนเบี่ยงเบนมาตรฐานของ ทำการเปลี่ยนแปลงที่เหมือนกันสำหรับตัวแปรทั้งหมด สำหรับการคำนวณการวิเคราะห์ส่วนประกอบหลัก มีใช้โปรแกรมคอมพิวเตอร์มหาสำหรับสถิติ Windows เวอร์ชัน 5.0 (StatSoft Inc., Tulsa, OK)

ผลลัพธ์ (ไทย) 2:

ข้อมูลรายละเอียดฟีนอล (ความเข้มข้นของฟีนอลในเรื่องเมล็ดแห้ง) ได้รับการวิเคราะห์ด้วยการวิเคราะห์องค์ประกอบหลัก (PCA) ซึ่งเป็นเทคนิคในการสร้างแบบจำลองชุดของข้อมูลลงบนตัวของมันเอง (Mardia เคนท์และ Bibby, 1979) PCA โดยปกติจะใช้สำหรับการวัดที่มีความป่วยปรับอากาศและข้อมูลที่มีความสัมพันธ์อย่างมาก; เป็นผลให้เมทริกซ์ความแปรปรวนร่วมของพวกเขาคือเอกพจน์เกือบ ด้วย PCA ข้อมูลที่จัดในตารางจะลดลงถึงชุดของตัวแปรแฝงใหม่ที่เรียกว่าองค์ประกอบหลัก (พีซี) แรงของเครื่องคอมพิวเตอร์กำหนดทิศทางของความแปรปรวนที่ยิ่งใหญ่ที่สุดและค่าคะแนนแทนการฉายของแต่ละวัตถุลงในเครื่องคอมพิวเตอร์ เครื่องแรกเป็นชุดที่เชิงเส้นของตัวแปรเดิมซึ่งอธิบายความแปรปรวนที่ยิ่งใหญ่ที่สุด เครื่องคอมพิวเตอร์ที่สองได้รับการกำหนดให้เป็นฉากกับคนแรกและอธิบายถึงจำนวนเงินที่สองที่ยิ่งใหญ่ที่สุดของความแปรปรวน เงินจนกว่าการวิเคราะห์เครื่องคอมพิวเตอร์ทั้งหมดจะได้รับจำนวนซึ่งโดยทั่วไปจะมีขนาดเล็กกว่าจำนวนของตัวแปร ตั้งแต่ PCA มักจะเกี่ยวข้องกับความแตกต่างของความสัมพันธ์ระหว่างวัตถุที่ค่าเฉลี่ยของตัวแปรแต่ละตัวจะถูกหักออกเป็นครั้งแรกจากแต่ละคอลัมน์ในเมทริกซ์ข้อมูล ตรงกลางนี้จะทำให้ที่มาของระบบพิกัดไปยังศูนย์ของชุดข้อมูล เพื่อให้แต่ละตัวแปร (คอลัมน์ในตาราง) น้ำหนักที่เท่ากันในการวิเคราะห์นั้นมันเป็นธรรมเนียมที่จะต้อง rescale ข้อมูลโดยการหารแต่ละคอลัมน์ในเมทริกซ์ข้อมูลโดยส่วนเบี่ยงเบนมาตรฐาน นี้จะทำให้การเปลี่ยนแปลงเหมือนกันสำหรับตัวแปรทั้งหมด เงินต้นคำนวณการวิเคราะห์องค์ประกอบ, สถิติโปรแกรมคอมพิวเตอร์สำหรับ Windows รุ่น 5.0 (StatSoft อิงค์ Tulsa, OK) ถูกนำมาใช้

ผลลัพธ์ (ไทย) 3:

ข้อมูล ข้อมูล ิก ( ฟีนอลในเมล็ด ( แห้ง ) วิเคราะห์ข้อมูลด้วยการวิเคราะห์องค์ประกอบหลัก ( PCA ) ซึ่งเป็นเทคนิคสำหรับการสร้างแบบจำลองชุดข้อมูลไปยังตัวเอง ( mardia เคนท์& บิบบี้ , 1979 ) ในปัจจุบันมักจะใช้สำหรับการวัดที่ไม่ปรับอากาศ และสำหรับระดับสูงของข้อมูล โดยผลของความแปรปรวนเมทริกซ์ เอกพจน์ เกือบ กับ PCAข้อมูลที่จัดเรียงในโต๊ะจะลดลงเป็นชุดของตัวแปรแฝงใหม่ที่เรียกว่าองค์ประกอบหลัก ( pcs ) การกระทำของ PC กำหนดทิศทางของความแปรปรวนของคะแนนมากที่สุดและค่าที่เป็นตัวแทนของแต่ละวัตถุบน PC ที่ฉายครั้งแรกคือการรวมกันเชิงเส้นของตัวแปรที่อธิบายความแปรปรวนของเดิมมากที่สุดพีซีที่สองได้ถูกกำหนดเป็นวิธีการหนึ่งและอธิบายจํานวนมากที่สุดที่สองของความแปรปรวน การวิเคราะห์รายได้จนกว่าเครื่องคอมพิวเตอร์จะได้รับ หมายเลข ซึ่งโดยทั่วไปจะเล็กกว่าจำนวนตัวแปร เนื่องจากในปัจจุบันมักจะเกี่ยวข้องกับความสัมพันธ์ระหว่างวัตถุค่าเฉลี่ยของตัวแปรแต่ละตัวเป็นครั้งแรกหักออกจากแต่ละคอลัมน์ในข้อมูลเมทริกซ์ นี้อยู่ตรงกลาง ทำให้จุดเริ่มต้นของระบบพิกัดไปยังศูนย์กลางของชุดข้อมูล เพื่อให้แต่ละตัวแปร ( คอลัมน์ในตาราง ) เท่ากับน้ำหนักในการวิเคราะห์มันเป็นขนบธรรมเนียม rescale ข้อมูลโดยแบ่งแต่ละคอลัมน์ในข้อมูลเมทริกซ์โดยใช้ส่วนเบี่ยงเบนมาตรฐานนี้จะทำให้การเปลี่ยนแปลงเดียวกันกับทุกตัวแปร สำหรับการคำนวณทางสถิติการวิเคราะห์องค์ประกอบหลัก , โปรแกรม คอมพิวเตอร์สำหรับ Windows , รุ่น 5.0 ( StatSoft อิงค์ ทัลซ่า โอเค ) คือใช้