Dlaczego rozkład własny i svd macierzy kowariancji opartej na rzadkich danych daje różne wyniki?

Próbuję dekomponować macierz kowariancji w oparciu o rzadki / gappy zestaw danych. Zauważam, że suma lambda (wyjaśniona wariancja), obliczona za pomocą svd, jest powiększana o coraz bardziej nieokreślone dane. Bez luk svdi eigenuzyskaj te same wyniki.

Wydaje się, że tak się nie dzieje z eigenrozkładem. Skłoniłem się do używania, svdponieważ wartości lambda są zawsze dodatnie, ale ta tendencja jest niepokojąca. Czy istnieje jakaś korekta, którą należy zastosować, czy też powinienem svdcałkowicie unikać takiego problemu.

###Make complete and gappy data set
set.seed(1)
x <- 1:100
y <- 1:100
grd <- expand.grid(x=x, y=y)

#complete data
z <- matrix(runif(dim(grd)[1]), length(x), length(y))
image(x,y,z, col=rainbow(100))

#gappy data
zg <- replace(z, sample(seq(z), length(z)*0.5), NaN)
image(x,y,zg, col=rainbow(100))


###Covariance matrix decomposition
#complete data
C <- cov(z, use="pair")
E <- eigen(C)
S <- svd(C)

sum(E$values)
sum(S$d)
sum(diag(C))


#gappy data (50%)
Cg <- cov(zg, use="pair")
Eg <- eigen(Cg)
Sg <- svd(Cg)

sum(Eg$values)
sum(Sg$d)
sum(diag(Cg))



###Illustration of amplification of Lambda
set.seed(1)
frac <- seq(0,0.5,0.1)
E.lambda <- list()
S.lambda <- list()
for(i in seq(frac)){
    zi <- z
    NA.pos <- sample(seq(z), length(z)*frac[i])
    if(length(NA.pos) > 0){
        zi <- replace(z, NA.pos, NaN)
    }
    Ci <- cov(zi, use="pair")
    E.lambda[[i]] <- eigen(Ci)$values
	S.lambda[[i]] <- svd(Ci)$d
}


x11(width=10, height=5)
par(mfcol=c(1,2))
YLIM <- range(c(sapply(E.lambda, range), sapply(S.lambda, range)))

#eigen
for(i in seq(E.lambda)){
    if(i == 1) plot(E.lambda[[i]], t="n", ylim=YLIM, ylab="lambda", xlab="", main="Eigen Decomposition")
    lines(E.lambda[[i]], col=i, lty=1)
}
abline(h=0, col=8, lty=2)
legend("topright", legend=frac, lty=1, col=1:length(frac), title="fraction gaps")

    #svd
for(i in seq(S.lambda)){
    if(i == 1) plot(S.lambda[[i]], t="n", ylim=YLIM, ylab="lambda", xlab="", main="Singular Value Decomposition")
    lines(S.lambda[[i]], col=i, lty=1)
}
abline(h=0, col=8, lty=2)
legend("topright", legend=frac, lty=1, col=1:length(frac), title="fraction gaps")

Musisz wykonać sumę wartości bezwzględnej wartości własnych, tj. Sumę (abs (np. Wartości $)) i porównać ją z sumą wartości pojedynczych. Byliby równi.

Powodem jest to, że jeśli pomnożysz wiersze lub kolumny, które odpowiadają ujemnym wartościom własnym przez , wówczas wartość własna nowej macierzy staje się dodatnia, a ortogonalność wektorów własnych nie jest zakłócona.$-1$

Dowód przeciwności tego pięknego twierdzenia pojawił się w Algebrze hiperboloidów rewolucji, Javier F. Cabrera, Algebra liniowa i jej zastosowania, Princeton University (obecnie w Rutgers).

Innym sposobem na uzasadnienie tego jest fakt, że sqrt (własny (t (Cg)% *% Cg)) jest równy liczbie pojedynczej Cg. Ale gdy wartości własne są ujemne, dane muszą być reprezentowane w formie pustelnika z uwzględnieniem złożonej płaszczyzny, czego brakowało w pierwotnym sformułowaniu, tj. Danych utworzonych przez symetryczny pierwiastek kwadratowy macierzy z ujemnym własnym wartości miałyby złożone wpisy.