Resumen

Un factor esencial que influye en la eficacia de los modelos predictivos construidos con el análisis de componentes principales (ACP) es la calidad de la agrupación de datos que revelan los gráficos de puntuación. La sensibilidad y selectividad de la asignación de clases están fuertemente influidas por la posición relativa de los conglomerados y por su dispersión. Proponemos un conjunto de indicadores inspirados en la geometría analítica que pueden utilizarse para una evaluación cuantitativa objetiva de la calidad de la agrupación de los datos, así como un coeficiente global de calidad de la agrupación (GCQC) que es una medida del poder predictivo global de los modelos de ACP. El uso de estos indicadores para evaluar la eficiencia de la asignación de clases PCA se ilustra mediante un estudio comparativo realizado para la identificación de la función de preprocesamiento que está generando el sistema PCA más eficiente para el cribado de anfetaminas basado en sus espectros GC-FTIR. La clasificación GCQC de los pesos de las características probadas se explica basándose en las distribuciones de densidad estimadas y se valida utilizando el análisis discriminante cuadrático (QDA).

• Materias:Reacciones químicas Análisis cromatográfico Electroquímica Farmacocinética Análisis espectroquímico
• Subjects:Chemical reactions Chromatographic analysis Electrochemistry Pharmacokinetics Spectrochemical analysis
• Palabras claves:cribado eficaz del sistema pca, asignación de clases pca, evaluación cuantitativa objetiva, poder predictivo global, análisis de componentes principales, análisis discriminante cuadrático, eficacia, indicadores, calidad, espectros ftir
• Keywords:efficient pca system screening, pca class assignment, objective quantitative assessment, overall predictive power, principal component analysis, quadratic discriminant analysis, efficiency, indicators, quality, ftir spectra