MDS 绘图轴如何与 S:N 比率相关？
How does MDS plot axes relate to S:N ratio?
假设我有如下所示的 MDS 图：
现在，假设 MDS 图中的所有内容看起来都完全一样（彩色点的位置没有改变）。但只有一件事发生了变化：x 轴 ("first dimension"):
1) 如果 x 轴范围从 -200 变为 100（而不是目前的 -100 到 50），并且所有点之间的距离都相同，我们可以说 S:N 比率更好（即组更好地分开）因为 x 轴限制更大？
2) 如果在一种情况下 x 轴解释了 25% 的变化，但在另一种情况下 x 轴解释了 75% 的变化，如果两个点之间的距离都相同情况下，我们可以说 S:N 比率在第二种情况下更好，因为点（样本）之间的那些距离可以用更多的变化来解释吗？
感谢您对这些问题提出您的想法！
我认为您不能那样解释坐标轴。 MDS 只是一种将 3 维 space 中分离的点扭曲为 2 维的方法。与其他约束方法（PCA 等）不同，您无法确定每个轴在 MDS 中解释的比例。相反，您会得到一个 R 统计量，当该 R 统计量超过 0.20 时，这意味着您的 MDS 不能很好地代表点.
抱歉，我无法提供更多 'mathematical' 答案。
假设我有如下所示的 MDS 图：
现在，假设 MDS 图中的所有内容看起来都完全一样（彩色点的位置没有改变）。但只有一件事发生了变化：x 轴 ("first dimension"):
1) 如果 x 轴范围从 -200 变为 100（而不是目前的 -100 到 50），并且所有点之间的距离都相同，我们可以说 S:N 比率更好（即组更好地分开）因为 x 轴限制更大？
2) 如果在一种情况下 x 轴解释了 25% 的变化，但在另一种情况下 x 轴解释了 75% 的变化，如果两个点之间的距离都相同情况下，我们可以说 S:N 比率在第二种情况下更好，因为点（样本）之间的那些距离可以用更多的变化来解释吗？
感谢您对这些问题提出您的想法！
我认为您不能那样解释坐标轴。 MDS 只是一种将 3 维 space 中分离的点扭曲为 2 维的方法。与其他约束方法（PCA 等）不同，您无法确定每个轴在 MDS 中解释的比例。相反，您会得到一个 R 统计量，当该 R 统计量超过 0.20 时，这意味着您的 MDS 不能很好地代表点.
抱歉，我无法提供更多 'mathematical' 答案。