Claim-Specific Admissibility of PCA Biplot Interpretations: Target Alignment, Spectral Identifiability, and Projection Adequacy

Stel je voor dat je een detective bent die een mysterie probeert op te lossen met behulp van een kaart. In de wereld van data science is er een beroemd hulpmiddel genaamd Principal Component Analysis (PCA), dat fungeert als een magische kaartenmaker. Het is zijn taak om een enorme, rommelige stapel informatie — zoals duizenden metingen van planten, mensen of planeten — plat te drukken tot een eenvoudig tweedimensionaal plaatje. Dit plaatje, een biplot genoemd, laat je patronen, groepen en relaties in één oogopslag zien. Het is alsof je een 3D-sculptuur verandert in een platte schaduw op de muur, zodat je snel de vorm ervan kunt begrijpen.

Maar hier zit de adder onder het gras: voordat de kaartenmaker de kaart tekent, moet je beslissen hoe je de objecten meet. Meet je ze in hun ruwe, natuurlijke eenheden (zoals centimeters, dollars of kilogrammen)? Of verklein en rek je alles eerst zodat elk object exact dezelfde "grootte" of variantie heeft? Deze tweede stap wordt standaardisatie genoemd. Het is alsof je een enorme olifant en een piepklein muisje neemt en ze beide herformateert naar exact dezelfde hoogte, zodat je hun vormen kunt vergelijken zonder dat de grootte van de olifant het zicht domineert. Het probleem is dat dit herformatteren de geometrie van de kaart verandert. Een rechte lijn in de oorspronkelijke wereld kan een curve worden in de herformateerde wereld, of een hoek van 90 graden kan verdraaien in iets heel anders. Wetenschappers weten al lang dat standaardisatie de wiskunde verandert, maar ze gaan er vaak van uit dat het resulterende plaatje nog steeds de waarheid vertelt over de oorspronkelijke, niet-herformateerde wereld.

Dit artikel stelt een kritische vraag: Wat gebeurt er wanneer we een herformateerde kaart gebruiken om een verhaal te vertellen over de oorspronkelijke, niet-herformateerde wereld? De auteurs, Luiz Roberto Martins Pinto en Carlos Tadeu dos Santos Dias, stellen dat alleen omdat een computer de kaart perfect berekent, het nog niet betekent dat het verhaal dat je erover vertelt, waar is. Ze stellen een nieuwe reeks regels voor om te controleren of een wetenschappelijke bewering "toelaatbaar" is — wat betekent: is het daadwerkelijk toegestaan om deze bewering te maken op basis van het plaatje waar je naar kijkt?

De Drie Regels van de Kaart

De auteurs suggereren dat je, voordat je een wetenschappelijk verhaal schrijft op basis van een PCA-biplot, drie strikte tests moet doorstaan. Als je er zelfs maar één niet voor haalt, is je verhaal "ill-posed" (slecht geformuleerd), wat betekent dat het gebouwd is op drijfzand, zelfs als de wiskunde correct is uitgevoerd.

1. De Target Alignment Test (Kijk je naar de juiste kaart?)
Stel je voor dat je de snelheid van auto's wilt bestuderen. Als je de data herformateert zodat een fiets en een Ferrari beide dezelfde "snelheidsvariantie" hebben, zal je kaart laten zien hoe ze met elkaar vergelijken, maar niet hoe snel ze daadwerkelijk zijn. Het artikel betoogt dat als je wetenschappelijke vraag gaat over de oorspronkelijke, ruwe snelheden (de covariantie), maar je een herformateerde kaart hebt gebruikt (de correlatie), je naar het verkeerde doel kijkt. De kaart is misschien wiskundig perfect voor de herformateerde data, maar het liegt tegen je over de echte auto's. De auteurs laten zien dat standaardisatie de "covariantie-geometrie" (de echte wereldafstanden) vervangt door "correlatie-geometrie" (de relatieve vormen). Als je vraag over de echte wereld gaat, maar je kaart gaat over de herformateerde wereld, dan past het verhaal niet.

2. De Spectral Identifiability Test (Wijst de kaart naar een echte plek?)
Soms is de data zo perfect in balans dat de kaartenmaker in de war raakt. Stel je een tol voor die perfect symmetrisch draait. Als je probeert aan te wijzen waar de "voorkant", "achterkant", "links" of "rechts" is, lukt dat niet, want hij ziet er vanuit elke hoek hetzelfde uit. In de wiskundige wereld gebeurt dit wanneer twee of meer "eigenwaarden" (die meten hoeveel informatie een bepaalde richting bevat) exact gelijk zijn. Wanneer dit gebeurt, zijn de specifieke lijnen (assen) op de kaart willekeurig. De kaart zou 45 graden kunnen draaien en zou nog steeds wiskundig correct zijn, maar de specifieke labels die je aan de lijnen geeft, zouden onzin zijn. Het artikel waarschuwt dat als je probeert een verhaal te vertellen over een specifieke lijn (zoals "PC2 wijst naar het noorden") terwijl de wiskunde zegt dat die lijn slechts een willekeurige keuze is, je verhaal ongeldig is. Je kunt alleen praten over de groep richtingen (de subspace), niet over de specifieke lijn.

3. De Projection Adequacy Test (Verbergt de schaduw de waarheid?)
Vergeet tot slot niet dat een biplot een platte schaduw is van een 3D-object. Als je naar de schaduw van een kubus kijkt, zie je misschien een vierkant. Maar als de kubus eigenlijk een complexe vorm is met een verborgen gat, zal de schaling de waarheid niet tonen. Het artikel introduceert een manier om te meten hoeveel "waarheid" er verloren gaat wanneer de data wordt platgedrukt naar twee dimensies. Ze gebruiken een wiskundig hulpmiddel genaamd een "residual-Gram bound" om te controleren of de hoeken en afstanden die je op de 2D-kaart ziet, dicht genoeg bij de echte 3D-relaties liggen. Als de kaart twee variabelen als zijnde perfect uitgelijnd laat zien (0 graden uit elkaar), maar de echte data zegt dat ze eigenlijk 60 graden uit elkaar staan, dan is de kaart misleidend. De auteurs laten zien dat een "goede" kaart (één die de meeste energie van de data behoudt) nog steeds de specifieke relatie die jij belangrijk vindt, volledig kan vervormen.

Het Bewijs: Zes Gecontroleerde Scenario's

Om hun punt te bewijzen, hebben de auteurs niet alleen geraden; ze hebben zes specifieke, gecontroleerde "werelden" (scenario's) gebouwd waarvan ze de exacte waarheid kenden voordat ze überhaupt begonnen.

• De "Geen Verbinding" Wereld: Ze creëerden een wereld waarin vier variabelen geen enkele connectie met elkaar hadden. In de ruwe data toonde de kaart hen als duidelijke, gescheiden lijnen. Maar toen ze standaardisatie toepasten, werd de kaart een perfecte cirkel van willekeur. Elke specifieke hoek getekend op deze cirkel was slechts een toevallig resultaat van de berekening van de computer, en geen echt patroon.
• De "Verborgen Hoek" Wereld: Ze creëerden een wereld waarin twee variabelen een duidelijke 60-graden relatie hadden in de echte wereld. Toen ze een standaard kaart maakten, zagen de twee variabelen eruit alsof ze precies in dezelfde richting wezen (0 graden). De kaart had de waarheid doen instorten. De 60-graden relatie was alleen zichtbaar als je naar een ander deel van de kaart keek dat de standaard analyse negeerde.
• De "Symmetrie" Wereld: Ze bouwden een wereld waarin de data perfect symmetrisch was. Hier liet de kaart zien dat geen enkele specifieke richting bijzonder was. Elk verhaal dat beweerde dat "Lijn A het belangrijkst is" werd als onwaar bewezen, omdat de wiskunde zei dat elke lijn in die groep even geldig was.

Het Verdict

Het artikel concludeert dat computationele correctheid niet genoeg is. Alleen omdat een computer een mooi plaatje uitspuugt met perfecte cijfers, betekent dat nog niet dat het verhaal dat je erover vertelt wetenschappelijk geldig is.

De auteurs bieden een formele checklist voor wetenschappers:

1. Verklaar je doel: Vraag je naar de ruwe wereld of de herformateerde wereld?
2. Controleer de kaart: Vertegenwoordigt de kaart dat doel daadwerkelijk?
3. Controleer de lijnen: Zijn de specifieke lijnen waarover je spreekt echt, of zijn het slechts willekeurige keuzes gemaakt door de wiskunde?
4. Controleer de schaduw: Behoudt het 2D-plaatje de specifieke hoeken en afstanden die je nodig hebt voor je verhaal?

Als je niet op alle punten "ja" kunt antwoorden, stelt het artikel dat je ofwel je verhaal moet veranderen, ofwel je kaart moet veranderen, ofwel moet toegeven dat het plaatje je conclusie niet kan ondersteunen. Het is een oproep aan wetenschappers om te stoppen met deze kleurrijke grafieken te behandelen als magische waarheidsprekers en ze te gaan behandelen als instrumenten die een zorgvuldige, specifieke kalibratie vereisen. Het doel is niet om PCA te stoppen met gebruiken, maar om te stoppen met het blindelings gebruiken ervan.