El análisis multivariado denominado Multspati-PCA (Dray et al., 2006) combina el
análisis de componentes principales con el índice de autocorrelación espacial de Moran. Para ello, ir al menú Estadística EspacialMULTISPATI_PCA. El archivo de datos de ejemplo sa.idb2 contiene 664 mediciones georreferenciadas de conductividad eléctrica aparente (CE) en dos profundidades 0-30 cm (CE30) y 0-90 cm (CE90), elevación, profundidad de suelo (Pe), rendimiento de trigo (Tg) y soja (Sj) (Gentileza . grupo de Calidad y Manejo de Suelo y Agua de INTA Balcarce, coordinado por el Dr. José Luis Costa). En la ventana del selector de variable, seleccionar CE30, CE90, Elevación, Pe y Tg y colocar sobre la ventana derecha cuyo cuadro se llama Variables. En el cuadro de Coordenadas colocar x e y que contiene las coordenadas en UTM.
Al apretar el botón Aceptar aparecerán opciones relacionadas al Análisis de Componentes
Principales, como centrar las variables por la media, realizar el gráfico biplot del Análisis de Componentes Principales, mostrar la red de vecindarios a partir de la cual estimará el índice de autocorrelación de Morán, seleccionar el gráfico resultante del Análisis de Componentes Principales Espaciales (MULTISPATI-PCA) y/o seleccionar el gráfoco de barras con los autovalores asociados a cada componente principal. Se puede seleccionar el número de componentes principales a ser guardados con el ACP y por el ACP espacial. En este último caso puede seleccionarse el número de ejes espaciales positivos o negativos, según haya en el conjunto de datos autocorrelación espacial positiva y/o negativa. Para calcular la red de vecinos necesarios para el índice de Móran debe indicarse la distancia mínima y la distancia máxima para calcular el rango de distancia entre las observaciones para ser consideradas vecinas y a partir de esta red de vecindarios construir la matriz de ponderación espacial que será usada en el cálculo de correlación espacial.
El gráfico resultante del análisis MULTISPATI-PCA permite visualizar la correlación
entre las variables y estudiar la estructura de dicha correlación. El gráfico es confeccionado a partir de los dos primeros ejes (componentes principales espaciales- CPs), con la CPs1 grafica el eje horizontal y con la CPs2 el eje vertical. Además puede adicionarse un gráfico de barras con los autovalores, dado que los autovalores se encuentran asociados a las CPs, las barras pintadas de negro indican la cantidad de ejes estadísticamente significativos para explicar las principales estructuras de los datos. Del análisis del gráfico se desprende que las variables Tg y CE30 se encuentran correlacionadas negativamente y son las más importantes en la explicación de la variabilidad espacial a nivel del primer eje (PCs1). La variable CE90 presenta una correlación positiva con la variable Tg. A nivel de la segunda componente principal espacial (PCs2), la variable de mayor importancia es la Elevación, que se correlaciona negativamente con la profundidad (Pe) (Figura 5). MULTISPATI-PCA d = 0.2
Pe
CE90 CE30
Tg
Eigenv alues
Elevacion
Figura 5. Gráfico obtenido a partir del análisis de componentes principales
espacial (MULTISPATI-PCA) y gráfico de barras de los autovalores asociados a cada componente espacial.
En la ventana de Resultados se muestran los autovalores, la proporción de la variabilidad
total explicada por cada eje, la proporción acumulada de la variabilidad total explicada por cada eje y el índice de autocorrelación espacial de Moran para cada eje. Tanto para el Análisis de Componentes Principales como para el Análisis de Componentes Principales Espaciales (MULTISPATI-PCA). También se muestran los autovectores de cada variable para cada uno de los ejes retenidos, en este ejemplo, los eje de las primer y segunda componente espacial (CS1 y CS2, respectivamente). Los valores absolutos más altos indican mayor fuerza de dicha variable para explicar la estructura de correlación respecto a las otras variables que conforman el análisis. Automáticamente, los ejes retenidos (CS1 y CS2, en este ejemplo) serán guardados como nuevas variables en la tabla de datos original (sa.idb2).