{"id":4480,"date":"2026-07-29T16:56:13","date_gmt":"2026-07-29T14:56:13","guid":{"rendered":"https:\/\/ellistat.com\/?post_type=guide-dutilisateur&#038;p=4480"},"modified":"2026-07-30T10:31:31","modified_gmt":"2026-07-30T08:31:31","slug":"analisis-de-componentes-principales-acp","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/es\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/","title":{"rendered":"An\u00e1lisis de componentes principales (ACP)"},"content":{"rendered":"<p class=\"wp-block-paragraph\">El ACP resume varias variables cuantitativas correlacionadas en un peque\u00f1o n\u00famero de ejes denominados&nbsp;<strong>componentes principales<\/strong>, denominados CP1, CP2 y CP3. Cada eje explica una parte de la variabilidad total; los primeros explican la mayor parte.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.1 La pesta\u00f1a \u00abResumen\u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Zona 1<\/strong>&nbsp;: los ajustes de visualizaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Mostrar personas<\/strong>&nbsp;: superpone la nube de puntos de los individuos sobre el c\u00edrculo de correlaciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Mostrar las etiquetas<\/strong>&nbsp;: escribe el nombre de cada persona junto a su punto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Clasificaci\u00f3n no supervisada (K-Means)<\/strong>&nbsp;: colorea los individuos por familia y marca los centros de cada familia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>N\u00famero de agrupaciones<\/strong>&nbsp;: el n\u00famero de familias que se buscan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Tipo de gr\u00e1fico<\/strong>&nbsp;: 2D o 3D. En 3D, se a\u00f1ade el eje CP3.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Posici\u00f3n de las marcas<\/strong>&nbsp;: solo aparece despu\u00e9s de haber movido una etiqueta y permite volver a colocarlo todo en su sitio.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Zona 2<\/strong>&nbsp;: el gr\u00e1fico. El c\u00edrculo de radio 1 es el&nbsp;<strong>c\u00edrculo de correlaciones<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Zona 3<\/strong>&nbsp;: debajo del gr\u00e1fico, la tabla de vectores propios indica las coordenadas de cada variable en los ejes.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"644\" height=\"480\" src=\"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png\" alt=\"\" class=\"wp-image-4481\" srcset=\"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png 644w, https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1-300x224.png 300w, https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1-16x12.png 16w\" sizes=\"auto, (max-width: 644px) 100vw, 644px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">\ud83d\udca1&nbsp;<strong>Las etiquetas se pueden mover.<\/strong>&nbsp;En 2D, selecciona con el rat\u00f3n el nombre de una variable o de una modalidad y arr\u00e1stralo: es la forma m\u00e1s sencilla de separar etiquetas que se solapan. Las posiciones se conservan y se guardan junto con el gr\u00e1fico si lo guardas.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.2 Interpretar el c\u00edrculo de correlaciones<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Cada variable es una flecha que parte del origen. Su posici\u00f3n se determina en funci\u00f3n de dos criterios.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>La longitud<\/strong>&nbsp;mide la calidad de la representaci\u00f3n. Una flecha que casi toca el c\u00edrculo est\u00e1 bien representada en el plano mostrado: se puede interpretar. Una flecha corta, cercana al centro, est\u00e1 mal representada en este plano \u2014&nbsp;<strong>No debe interpretarse as\u00ed en este contexto<\/strong>, hay que tener en cuenta los siguientes aspectos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>El \u00e1ngulo entre dos flechas<\/strong>&nbsp;mide su correlaci\u00f3n, siempre que ambas sean largas:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2 dos flechas una al lado de la otra: variables correlacionadas positivamente; ;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2 dos flechas opuestas: variables negativamente correlacionadas; ;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2 dos flechas a 90\u00b0: variables independientes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La coordenada de una variable en un eje&nbsp;<strong>es<\/strong>&nbsp;su correlaci\u00f3n con ese eje. Por lo tanto, siempre est\u00e1 comprendida entre \u22121 y 1, lo que explica la forma circular.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.3 Interpretar la nube de individuos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dos individuos cercanos en el gr\u00e1fico se parecen en las variables analizadas. El centro de la nube es el punto de referencia: un individuo alejado del centro es at\u00edpico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u26a0\ufe0f La nube es&nbsp;<strong>adaptado a la escala del c\u00edrculo<\/strong>&nbsp;para que sea superponible. Las distancias entre los individuos y sus direcciones son fieles, pero su escala no es la de las correlaciones: se observa una&nbsp;<strong>direcci\u00f3n<\/strong>&nbsp;(\u00abesa persona va en la direcci\u00f3n de la presi\u00f3n\u00bb), no un valor.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.4 La pesta\u00f1a \u00abPareto\u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Para cada eje, indica la&nbsp;<strong>valor propio<\/strong>, la&nbsp;<strong>varianza explicada<\/strong>&nbsp;y la&nbsp;<strong>varianza acumulada<\/strong>, con el pedregal correspondiente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Aqu\u00ed es donde se decide cu\u00e1ntos ejes seleccionar. La varianza acumulada se muestra en rojo mientras sea inferior a 80 %, y en verde cuando sea superior: hay que seleccionar suficientes ejes para que el indicador pase a verde.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\ud83d\udca1 Otra pauta cl\u00e1sica: conservar \u00fanicamente los ejes con un valor propio superior a 1, ya que un eje que explique menos que una sola variable no aporta informaci\u00f3n resumida.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.5 La pesta\u00f1a \u00abVariables\u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Una l\u00ednea por variable y, para cada eje, cuatro columnas:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>C1, C2, C3<\/strong>&nbsp;: la correlaci\u00f3n de la variable con el eje; ;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Contribuci\u00f3n<\/strong>&nbsp;: el peso de la variable en la construcci\u00f3n del eje, expresado en porcentaje. La suma de las contribuciones de un eje es igual a 100; ;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>Cos\u00b2<\/strong>&nbsp;: la calidad de la representaci\u00f3n de la variable en el eje; ;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2&nbsp;<strong>p<\/strong>&nbsp;: la probabilidad de que la correlaci\u00f3n observada se deba al azar. El valor se muestra en diferentes colores, desde \u00abmuy significativo\u00bb hasta \u00abno significativo\u00bb.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\ud83d\udca1 Para nombrar un eje, identifica las variables cuya&nbsp;<strong>contribuci\u00f3n<\/strong>&nbsp;es claramente superior a la media (100 \/ n\u00famero de variables) y cuyo&nbsp;<strong>Cos\u00b2<\/strong>&nbsp;es elevado. Son ellas las que dan sentido al eje.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.6 La pesta\u00f1a \u00abPersonas\u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La misma l\u00f3gica, una l\u00ednea por persona: la distancia al centro, las coordenadas, las contribuciones y los Cos\u00b2.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una persona cuya contribuci\u00f3n es muy superior a la de los dem\u00e1s&nbsp;<strong>tira del eje \u00e9l solo<\/strong>&nbsp;: comprueba que no se trate de un error de introducci\u00f3n de datos antes de sacar conclusiones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los valores de Cos\u00b2 de un individuo suman 1 en el conjunto de los ejes. Por lo tanto, en los ejes mostrados, su suma indica qu\u00e9 parte de su posici\u00f3n es realmente visible.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3.7 Variables adicionales y etiqueta<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Zona 2<\/strong>&nbsp;La parte superior de la pantalla (encima de las pesta\u00f1as) cuenta con dos selectores.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Variables adicionales<\/strong>&nbsp;\u2014 tambi\u00e9n llamadas ilustrativas. Son&nbsp;<strong>proyectadas<\/strong>&nbsp;en los ejes, pero no intervienen en su construcci\u00f3n. Es la forma adecuada de comparar un resultado con una variable externa sin que esta influya en el an\u00e1lisis.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2 Una variable adicional&nbsp;<strong>cuantitativa<\/strong>&nbsp;aparece como una flecha adicional en el c\u00edrculo y en la pesta\u00f1a \u00abVariables cuantitativas adicionales\u00bb, junto con su correlaci\u00f3n con cada eje.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u21d2 Una variable adicional&nbsp;<strong>cualitativa<\/strong>&nbsp;coloca el&nbsp;<strong>baricentro<\/strong>&nbsp;de cada modalidad en el plano: el punto medio de las personas que la representan. El tama\u00f1o del s\u00edmbolo es proporcional al n\u00famero de personas que la representan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La pesta\u00f1a \u00abVariables cualitativas adicionales\u00bb muestra, para cada modalidad, su distancia al centro, sus coordenadas, sus Cos\u00b2 y un&nbsp;<strong>valor p por eje<\/strong>. Este valor p responde a la pregunta: \u00bfesta variable separa a los individuos a lo largo de este eje? Un valor p bajo significa que las modalidades ocupan posiciones claramente diferentes en el eje.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Etiqueta<\/strong>&nbsp;Identifica a las personas: su punto adquiere el color de la modalidad elegida y se muestra su nombre si la opci\u00f3n \u00abMostrar etiquetas\u00bb est\u00e1 marcada. Es la forma m\u00e1s directa de ver si se est\u00e1 perfilando una familia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\ud83d\udca1 No marques una variable como \u00abactiva\u00bb y \u00abadicional\u00bb: se crear\u00eda el eje y luego se evaluar\u00eda en ese eje, lo cual no demuestra nada.<\/p>","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":true},"menu-guide-dutilisateur":[40],"class_list":["post-4480","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-6-statistiques-multivariees"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Analyse en composantes principales (ACP) - Ellistat<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez comment le module Data Analysis d&#039;Ellistat identifie l&#039;origine des d\u00e9rives qualit\u00e9 gr\u00e2ce \u00e0 l&#039;analyse statistique multivari\u00e9e.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/analisis-de-componentes-principales-acp\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Analyse en composantes principales (ACP) - Ellistat\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez comment le module Data Analysis d&#039;Ellistat identifie l&#039;origine des d\u00e9rives qualit\u00e9 gr\u00e2ce \u00e0 l&#039;analyse statistique multivari\u00e9e.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/analisis-de-componentes-principales-acp\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-30T08:31:31+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"644\" \/>\n\t<meta property=\"og:image:height\" content=\"480\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data1\" content=\"5 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/\",\"name\":\"Analyse en composantes principales (ACP) - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/userguide3-1.png\",\"datePublished\":\"2026-07-29T14:56:13+00:00\",\"dateModified\":\"2026-07-30T08:31:31+00:00\",\"description\":\"D\u00e9couvrez comment le module Data Analysis d'Ellistat identifie l'origine des d\u00e9rives qualit\u00e9 gr\u00e2ce \u00e0 l'analyse statistique multivari\u00e9e.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/userguide3-1.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/userguide3-1.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/analyse-en-composantes-principales-acp\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Analyse en composantes principales (ACP)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l&#039;industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"An\u00e1lisis de componentes principales (ACP) - Ellistat","description":"Descubre c\u00f3mo el m\u00f3dulo Data Analysis de Ellistat identifica el origen de las desviaciones de calidad gracias al an\u00e1lisis estad\u00edstico multivariante.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/es\/guia-del-usuario\/analisis-de-componentes-principales-acp\/","og_locale":"es_ES","og_type":"article","og_title":"Analyse en composantes principales (ACP) - Ellistat","og_description":"D\u00e9couvrez comment le module Data Analysis d'Ellistat identifie l'origine des d\u00e9rives qualit\u00e9 gr\u00e2ce \u00e0 l'analyse statistique multivari\u00e9e.","og_url":"https:\/\/ellistat.com\/es\/guia-del-usuario\/analisis-de-componentes-principales-acp\/","og_site_name":"Ellistat","article_modified_time":"2026-07-30T08:31:31+00:00","og_image":[{"width":644,"height":480,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Tiempo de lectura":"5 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/","url":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/","name":"An\u00e1lisis de componentes principales (ACP) - Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png","datePublished":"2026-07-29T14:56:13+00:00","dateModified":"2026-07-30T08:31:31+00:00","description":"Descubre c\u00f3mo el m\u00f3dulo Data Analysis de Ellistat identifica el origen de las desviaciones de calidad gracias al an\u00e1lisis estad\u00edstico multivariante.","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/userguide3-1.png"},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/analyse-en-composantes-principales-acp\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Analyse en composantes principales (ACP)"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"La suite de calidad para la industria de la ingenier\u00eda mec\u00e1nica","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur\/4480","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/media?parent=4480"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4480"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}