SPSS数据的主成分分析资料
spss学习系列30.主成份分析
S P S S学习系列30.主成份分析-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN30. 主成份分析一、基本原理主成份分析，是数学上对数据降维的一种方法，是将多个变量转化为少数综合变量（集中了原始变量的大部分信息）的一种多元统计方法。
其主要目的是将变量减少，并使其改变为少数几个相互独立的线性组合形成的新变量（主成份，其方差最大），使得原始资料在这些成份上显示最大的个别差异来。
在所有的线性组合中所选取的F1应该是方差最大的，称为第一主成分。
如果第一主成分不足以代表原来所有指标的信息，再考虑选取第二个线性组合F2, 称为第二主成分。
为了有效地反映原有信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1，F2)＝0. 依此类推可以构造出第三、第四、…、第p个主成分。
主成份分析，可以用来综合变量之间的关系，也可用来减少回归分析或聚类分析中的变量数目。
设有n个样品（多元观测值），每个样品观测p项指标（变量）：X1，…，X p，得到原始数据资料阵：其中，X i = (x1i，x2i，…，x ni)T，i = 1, …, p.用数据矩阵X的p个列向量（即p个指标向量）X1，…，X p作线性组合，得到综合指标向量：简写成：F i = a1i X1 + a2i X2+…+a pi X p i = 1, …, p限制系数a i = (a1i，a2i，…，a pi)T为单位向量，即且由下列原则决定：（1）F i与F j互不相关，即COV(F i, F j)= a i T∑a i=0，其中∑为X 的协方差矩阵；（2）F1是X1，X2，…，X p的所有满足上述要求的线性组合中方差最大的，即F2是与F1不相关的X1，…，X p所有线性组合中方差最大的，…，F p 是与F1，…，F p-1都不相关的X1，…，X p所有线性组合中方差最大的。
满足上述要求的综合指标向量F1，F2，…，F p就是主成分，这p个主成分从原始指标所提供的信息总量中所提取的信息量依次递减，每一个主成分所提取的信息量用方差来度量，主成分方差的贡献就等于原指标相关系数矩阵相应的特征值λi，每一个主成分的组合系数a i = (a1i，a2i，…，a pi)T就是特征值λi所对应的单位特征向量。
spss主成分分析法
spss主成分分析法SPSS主成分分析法（PrincipalComponentAnalysis，简称PCA）是一种常用的资料处理方法，通常被用于多种实际应用中，有助于分析资料的降维和发掘隐藏的资料特征。
SPSS是一种统计软件，它可以帮助用户处理收集的数据，例如对数据进行分析、估计、回归分析等等。
SPSS可以用来快速分析大量数据，以提取隐藏的趋势和关系，从而更充分地利用资料。
基本原理SPSS主成分分析是一种数据分析方法，它可以使研究者更有效地发掘资料中的内在规律，以获得有意义的信息。
PCA假定资料中有关变量之间存在某种相关性，并且可以根据这些变量彼此之间的相关性，利用变量之间的协方差矩阵系统地分解出新的特征变量，称为主成分。
主成分是由原有的变量的组合得到的新的变量，它是原有变量的最佳线性组合，它不含有任何原有变量的信息，而且它们的系数都是正值。
PCA的一般步骤1.据预处理：首先，用户需要整理和准备资料，其中包括检查数据中的缺失值，识别异常点，检查是否存在多重共线性（Multicollinearity）等。
2. 主成分的提取：从资料中提取主成分，这一步骤需要计算协方差矩阵，利用特征值分解对协方差矩阵进行分解，从而获得主成分的系数和权重。
3.主成分投影到新的变量空间中：通过将原始变量与主成分系数进行线性组合，将原始变量投影到新的主成分变量空间中，得到新空间上的变量。
4. 主成分变量的解释：识别主成分变量之间的关系，找到主要资料趋势，并尝试为主成分变量作出解释或提供有意义的标签。
应用SPSS主成分分析法可以用于多种应用，例如为统计预测模型提供非线性变量、降低回归模型中的自变量数、为数据可视化提供支持、帮助识别数据中的明显趋势、帮助发现隐藏的数据模式和改善数据的可读性等。
基于PCA的方法可以更好地发掘资料中的潜在规律，从而更有效地分析数据，改善数据的可读性。
结论SPSS主成分分析法是一种常用的数据分析方法，以及一种常用的资料处理技术，可以帮助用户发掘潜在的资料特征，改善数据的可读性，找到关键趋势，从而更有效地利用数据，为研究和决策获取有效的支持。
用SPSS进行主成分分析
用SPSS进行主成分分析首先，我们需要准备输入变量数据。
打开SPSS软件，在工作区中新建一个数据文件，并输入你所需分析的变量数据。
这些变量应该是数值型的，并且具有一定的相关性。
你可以在SPSS的数据视图中输入数据，也可以通过导入外部文件的方式将数据导入SPSS。
接下来，我们需要执行主成分分析。
在SPSS的菜单栏中，选择“分析（Analyze）”-“数据降维（Dimension Reduction）”-“因子（Factor）”，弹出因子分析对话框。
在因子分析对话框中，选择输入变量。
将你所需分析的变量从左边的变量列表中选中，并点击右箭头将其添加到右边的变量列表中。
可以按住Ctrl键，同时选择多个变量。
在选项卡中，选择主成分分析方法。
主成分分析有两种方法可选，即主轴法和最大方差法。
默认情况下，SPSS使用主轴法。
如果你不太了解这两种方法的区别，可以保持默认设置。
在提取方法选项卡中，选择提取的主成分数目。
SPSS会给出每个主成分的特征值大小，你可以根据特征值的大小选择提取的主成分数目。
通常情况下，我们选择特征值大于1的主成分，因为特征值小于1的主成分往往解释的方差较少。
在旋转选项卡中，选择是否进行因子旋转。
因子旋转是为了使每个主成分具有更强的解释力，并且使得主成分之间更容易解释。
SPSS提供了多种旋转方法，包括方差最大旋转（Varimax）、等方差旋转（Equimax）等。
你可以根据具体需求选择合适的旋转方法。
在结果选项卡中，选择输出结果的格式。
SPSS提供了多种结果输出格式，包括表格和图形。
你可以选择你所需的格式并点击确定。
执行完以上步骤后，SPSS会生成主成分分析的结果。
结果包括每个主成分的特征值、解释的方差比例、因子载荷矩阵等。
你可以根据自己的需求来解释这些结果。
最后，我们需要对主成分进行解释和旋转。
根据主成分的因子载荷矩阵，我们可以判断每个主成分与原始变量之间的关系。
载荷值（Factor Loading）表示每个变量对于主成分的贡献程度，绝对值越大，贡献程度越大。
《2024年如何用SPSS软件进行主成分分析》范文
《如何用SPSS软件进行主成分分析》篇一一、引言主成分分析（Principal Component Analysis，PCA）是一种常用的多元统计分析方法，它通过降维技术将多个原始变量转化为少数几个主成分，这些主成分能够反映原始数据的大部分信息。
在社会科学、经济管理、生物医学等多个领域，主成分分析都有广泛的应用。
本文将详细介绍如何使用SPSS软件进行主成分分析。
二、数据准备在进行主成分分析之前，需要准备好相应的数据。
数据应该包括多个变量，这些变量之间应该存在一定的相关性。
同时，还需要对数据进行预处理，如缺失值处理、异常值处理等，以保证数据的准确性和可靠性。
三、SPSS软件操作步骤1. 打开SPSS软件，导入数据。
在SPSS中，选择“文件”菜单中的“打开”选项，然后选择要分析的数据文件。
2. 进行数据预处理。
在SPSS中，可以使用“数据”菜单中的相关选项对数据进行预处理，如缺失值处理、异常值处理等。
3. 进行主成分分析。
在SPSS中，选择“分析”菜单中的“降维”选项，然后选择“主成分分析”。
在主成分分析的对话框中，选择要进行主成分分析的变量。
4. 设置主成分个数。
根据实际情况，设置要提取的主成分个数。
可以通过查看特征值、解释的方差比例等指标来确定主成分个数。
5. 进行主成分分析计算。
点击“确定”按钮，SPSS将进行主成分分析计算，并输出相应的结果。
四、结果解读1. 解释总方差。
总方差表中列出了每个主成分的特征值、方差贡献率和累计方差贡献率等信息。
通过这些信息，可以了解每个主成分对原始数据的贡献程度。
2. 旋转成分矩阵。
旋转成分矩阵列出了每个主成分与原始变量之间的相关性系数。
通过观察旋转成分矩阵，可以了解每个主成分与哪些原始变量关系密切，从而对主成分进行解释。
3. 主成分得分。
SPSS还会输出每个样本在各个主成分上的得分，这些得分可以用于进一步的分析和预测。
五、结论与讨论通过本文详细介绍了如何使用SPSS软件进行主成分分析的步骤和结果解读。
spss主成分分析
spss主成分分析主成分分析（Principal Component Analysis，简称PCA）是一种常用的多变量分析方法，被广泛应用于数据降维和特征提取等领域。
本文将介绍主成分分析的基本原理、步骤及应用，并对其优缺点进行探讨。
首先，我们来了解一下主成分分析的基本原理。
主成分分析是通过线性变换将原始变量转化为一组无关的新变量，这些新变量被称为主成分。
通过选择主成分，可以尽量保留原始数据的大部分方差信息。
主成分分析的目标是使得新变量之间相关性最小，即第一主成分包含的方差最大，在此基础上，第二主成分包含的方差次之，以此类推。
主成分分析的步骤如下：1. 数据标准化：首先对原始数据做标准化处理，将各个变量的均值调整为0，方差调整为1。
这是因为原始数据可能存在量纲不同或者变量之间的尺度差异，标准化可以消除这些差异，使得各个变量的影响程度一致。
2. 计算协方差矩阵：将标准化后的数据计算协方差矩阵。
协方差矩阵描述了不同变量之间的线性关系，可以反映出变量之间的相关性。
3. 计算特征值和特征向量：对协方差矩阵进行特征值分解，得到一组特征值和对应的特征向量。
特征值表示了每个主成分包含的方差大小，而特征向量则是主成分的方向。
4. 选择主成分：按照特征值的大小，选择最大的k个特征值对应的特征向量作为主成分。
这些主成分将原始数据映射到一个新的空间中。
5. 数据转换：将原始数据通过特征向量的变换，转化为新的主成分变量。
主成分分析在许多领域中都有广泛的应用。
例如，在社会科学研究中，可以利用主成分分析对众多观测指标进行降维处理，从而提取出反映整体相关性的综合指标；在生物信息学中，可以利用主成分分析对基因表达数据进行降维，发现与特定生物过程相关的基因集合；在金融领域，可以利用主成分分析对不同股票的价格波动进行分析，提取出影响股票市场最主要的因素。
尽管主成分分析在实际应用中有许多优点，例如可以提供数据集的简化和特征提取等功能，但也存在一些缺点。
SPSS数据的主成分分析
zf
18
协方差矩阵求解中主成分的性质
❖ 1、主成分的协方差阵为对角矩阵；
❖ 2、 i V(F a i),1 r23 p
❖ 3、 1 2 3 p V ( X 1 ) V a ( X 2 ) r V a ( X 3 ) r a V ( X r p ) a t ( x r )r
zf
31
主成分分析步骤及框图
➢ 主成分分析步骤：
• 1.根据研究问题选取初始分析变量； • 2.根据初始变量特性判断由协方差阵求主成分还是由相关阵求
主成分； • 3.求协差阵或相关阵的特征根与相应标准特征向量； • 4.判断是否存在明显的多重共线性,若存在,则回到第一步； • 5.得到主成分的表达式并确定主成分个数,选取主成分； • 6.结合主成分对研究问题进行分析并深入研究.
对角线外的元素不为0
zf
17
意味着：原始变量之
间有相关关系
➢ 如何运用主成分分析将这些具有相关关系的变量转化 为没有相关关系的新变量主成分呢
➢ 新变量即主成分之间没有相关关系,其协方差阵为对角
矩阵：
1
0
0 p
主成分表达式的系数项即 是λ1、λ2···λp的特征向量
对角线上的元素λ1、 λ2···λp分别为第一、 二···第p个主成分方 差；同时也是原始变 量协方差阵的特征根
➢ 2、如何确定主成分个数
➢ 3、如何解释主成分所包含的经济意义
zf
15
如何求解主成分 － 1基于协方差矩阵求解主成分
❖ 假设有n个样本,每个样本有 p 个观测变量.运用主成分 分析构造以下 p 个主成分关于原始变量的线性组合模 型:
F1 a11x1 a12x2 a1p xp F2 a21x1 a22x2 a2 p xp
统计分析软件应用SPSS-主成分分析实验报告
统计分析软件应用SPSS-主成分分析实验报告本实验采用SPSS软件搭配PCA算法，运用主成分分析（Principal Component Analysis）对数据建模，从而对原始数据进行数据挖掘，挖掘出其内在关联性及约束条件。
1.实验介绍主成分分析分析的数据主要是离散（或连续）的变量矩阵，它是将一组变量转换成一组新的变量，称为主成分，这些新变量有不同程度的解释能力，可以代表输入变量的内在趋势。
2.实验方法以SPSS软件中的主成分分析为例，具体进行主成分分析如下：（1）通过点击“分析”菜单栏的“统计方法”按钮打开对话框；（2）在统计方法中选择“主成分分析”；（3）选择变量；（4）设置相关的参数，其中的设置包括是否对输入变量进行标准化或是与原来输入变量一样不标准化等；（5）然后点击“OK”运行。
3.实验结果运行之后，SPSS软件就会给出主成分分析的结果，其主要内容有：载荷矩阵、方差表、方差序列图、因子得分表。
4.载荷矩阵载荷矩阵主要是列出每个原始变量与主成分的相关性，矩阵中的值代表相关系数，是两个变量之间的变化关系，相关系数的大小代表其相关性。
5.方差表方差表包括每个主成分的方差以及其贡献率，贡献率表示每个成分在总方差中所占的比重，通过该表可以较好地分析出因子各自所占方差比重。
6.方差序列图方差序列图是指把所有主成分的方差按从高到低的顺序排列，从而构成的图形，它可以清晰地展示每个成分的贡献率。
7.因子得分表因子得分表主要是列出每个观测值在每个主成分上的因子得分，利用因子得分可以更精确地表征观测值的差异，从而更好地挖掘出内在的数据关联。
5.结论本实验使用SPSS软件中的主成分分析对数据进行建模，分析出数据内在的关联关系。
通过矩阵载荷分析、方差表、方差序列图以及因子得分表等计算出来的数值，可以观察出原始变量间的内在关联，从而发现其内在的趋势，从而实现数据挖掘。
SPSS进行主成分分析报告
实验七、利用SPSS进行主成分分析【例子】以全国31个省市的8项经济指标为例，进行主成分分析。
第一步：录入或调入数据（图1）。
图1 原始数据（未经标准化）第二步：打开“因子分析”对话框。
沿着主菜单的“Analyze→Data Reduction→Factor ”的路径（图2）打开因子分析选项框（图3）。
图2 打开因子分析对话框的路径图3 因子分析选项框第三步：选项设置。
首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调入变量（Variables）栏中（图3）。
在本例中，全部8个变量都要用上，故全部调入（图4）。
因无特殊需要，故不必理会“Value ”栏。
下面逐项设置。
图4 将变量移到变量栏以后⒈设置Descriptives描述选项。
单击Descriptives按钮（图4），弹出Descriptives对话框（图5）。
图5 描述选项框在Statistics 统计 栏中选中Univariate descriptives 复选项，则输出结果中将会给出原始数据的抽样均值、方差和样本数目（这一栏结果可供检验参考）；选中Initial solution 复选项，则会给出主成分载荷的公因子方差（这一栏数据分析时有用）。
在Correlation Matrix 栏中，选中Coefficients 复选项，则会给出原始变量的相关系数矩阵（分析时可参考）；选中Determinant 复选项，则会给出相关系数矩阵的行列式，如果希望在Excel 中对某些计算过程进行了解，可选此项，否则用途不大。
其它复选项一般不用，但在特殊情况下可以用到（本例不选）。
设置完成以后，单击Continue 按钮完成设置（图5）。
⒉ 设置Extraction 选项。
打开Extraction 对话框（图6）。
因子提取方法主要有7种，在Method 栏中可以看到，系统默认的提取方法是主成分（Principal Components ），因此对此栏不作变动，就是认可了主成分分析方法。
主成分分析-SPSS教程
主成分分析-SPSS教程一、问题与数据某公司经理拟招聘一名员工，要求其具有较高的工作积极性、自主性、热情和责任感。
为此，该经理专门设计了一个测试问卷，配有25项相关问题，拟从300位应聘者中寻找出最合适的候选人。
在这25项相关问题中，Q3-Q8、Q12、Q13测量的是工作积极性，Q2、Q14-Q19测量的是工作自主性，Q20-Q25测量的是工作热情，Q1、Q9-Q11测量的是工作责任感，每一个问题都有1-非常同意“Strongly Agree”、2-同意“Agree”、3-部分同意“Agree Some”、4-不确定“Undecided”、5-部分不同意“Disagree Somewhat”、6-不同意“Disagree”和7-非常不同意“Strongly Disagree”七个等级。
该经理想根据这25项问题判断应聘者在这四个方面的能力，现收集了应聘者的问卷信息，经汇总整理后部分数据如图1。
图1 部分数据二、对问题分析研究者拟将多个变量归纳为某几项信息进行分析，即降低数据结果的维度。
针对这种情况，我们可以进行主成分分析，但需要先满足2项假设：假设1：观测变量是连续变量或有序分类变量，如本研究中的测量变量都是有序分类变量。
假设2：变量之间存在线性相关关系。
经分析，本研究数据符合假设1，那么应该如何检验假设2，并进行主成分分析呢？三、SPSS操作3.1 SPSS操作在主界面点击Analyze→Dimension Reduction→Factor，将变量Q1-Q25放入Variables栏。
如图2。
图2 Factor Analysis点击Descriptive，点选Statistics栏的Initial solution选项，并点选Correlation Matrix栏的Coefficients、KMO and Bartlett’s test of sphericity、Reproduced和Anti-image选项。
用SPSS进行详细的主成分分析步骤
用SPSS进行详细的主成分分析步骤1.打开SPSS软件，并导入需要进行主成分分析的数据集。
选择“文件”-“打开”-“数据”，然后选择相应的数据文件。
2.在菜单栏上选择“分析”-“数据降维”-“主成分”，然后点击“主成分”。
3. 在主成分分析对话框中，将需要进行主成分分析的变量移动到“自变量”框中。
可以使用Shift键或Ctrl键进行多个变量的选择。
此外，还可以选择“统计量”以及“标准化”选项，根据实际需求进行配置。
4.点击“提取”选项卡，有两种提取方案可供选择：基于特征值和基于方差。
基于特征值的提取方案可根据特定的特征值进行选择，基于方差的提取方案则是根据解释的方差比例进行选择。
在这里，我们选择“基于方差”。
5.在“基于方差”选项中，可以通过观察累积解释方差贡献的曲线，选择合适的主成分数量。
通常选择解释方差贡献超过80%或90%的主成分。
6.点击“提取”按钮，将所选的主成分提取到右侧的框中。
7.在“得分”选项卡中，选择是否计算主成分得分。
得分即将原始变量映射到主成分空间中的值。
如果需要得分，可以选择“格式”以及“保存”选项。
选择“格式”可确定得分的输出格式，选择“保存”可将得分保存在结果中。
8.在“选项”选项卡中，可以选择是否进行标准化，以及其他附加选项。
9.点击“确定”按钮开始运行主成分分析。
SPSS将根据所选择的参数进行计算，并在输出窗口中显示结果。
10.在输出窗口中，可以查看主成分的方差解释比例、累积解释比例、特征向量（各个主成分的系数）等统计信息。
此外，还可以查看每个主成分的得分和载荷。
11.可以根据需要，导出主成分得分、载荷、特征值等结果，以供后续分析使用。
选择“文件”-“另存为”-“数据”或“导出”即可将结果保存为特定格式的文件。
以上就是使用SPSS进行主成分分析的详细步骤。
在进行主成分分析时，应根据研究目的和数据特点选择适当的参数，并结合统计结果进行解释和分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
i
Δi
0.995
-0.056
-0.041
0.948
0.057
-0.124
l
-0.102 l
t
2017/9/28
-0.369
-0.282 -0.836
7 zf
-0.414
-0.112
1
主成分分析：将原来具有相关关系的多个指标简化为少数几个 新的综合指标的多元统计方法。 主成分：由原始指标综合形成的几个新指标。依据主成分所含 信息量的大小成为第一主成分，第二主成分等等。
主成分与原始变量之间的关系： （1）主成分保留了原始变量绝大多数信息。 （2）主成分的个数大大少于原始变量的数目。 （3）各个主成分之间互不相关。 （4）每个主成分都是原始变量的线性组合。
2017/9/28 8 zf
数学模型－主成分表达式
主成分分析通常的做法：寻求原指标的线性组合Fi。
F1 u11 X 1 u12 X 2 u1 p X p F2 u21 X 1 u 22 X 2 u2 p X p Fp u p1 X 1 u p 2 X 2 u pp X p
如果我们将xl 轴和x2轴先平移，再同时按逆时针方向旋 转角度，得到新坐标轴Fl和F2。Fl和F2是两个新变量。
Fl轴方向上的离散程度7/9/28 13 数据的绝大部分信息，即使不考虑变量 F2也无损大局。 zf
旋转变换的目的：将原始数据的大部分信息集中到Fl轴上，对 数据中包含的信息起到了浓缩作用。
在进行主成分分析后，竟以97.4％的精度，用三新变量就取代了 原17个变量。根据经济学知识，斯通给这三个新变量分别命名为 总收入F1、总收入变化率F2和经济发展或衰退的趋势F3。
2017/9/28
6 zf
更有意思的是，这三个变量其实都是可以直接测量的。 斯通将他得到的主成分与实际测量的总收入I、总收入变 化率I以及时间t因素做相关分析，得到下表： F1 F1 F2 F3 1 0 0 1 0 1 F2 F3 i i t
F2
••
x2
2017/9/28
• • • • • • •• • • • • • 10
zf
•• • • • • •
• • •• • • • • • •• • • • •
F1
x1
平移、旋转坐标轴
平移、旋转坐标轴
F2
x2
• •• • • • • •••• • • • • •• • • • •• • • • •• • • • •• •• • ••
了解了主成分分析的基本思想、数学和几何意 义后，问题的关键：
1、如何求解主成分？ 2、如何确定主成分个数？ 3、如何解释主成分所包含的经济意义？
2017/9/28 15 zf
如何求解主成分？？－ （1）基于协方差矩阵求解主成分
假设有n个样本，每个样本有 p 个观测变量。运用主成 分分析构造以下 p 个主成分关于原始变量的线性组合 模型:
2017/9/28
4 zf
多个指标的问题:
1、指标与指标可能存在相关关系 信息重叠，分析偏误 2、指标太多，增加问题的复杂性和分析难度
如何避免？
2017/9/28 5 zf
主成分分析的基本思想
一项十分著名的工作是美国的统计学家斯通(stone)在 1947年关于国民经济的研究。他曾利用美国1929一1938 年各年的数据，得到了17个反映国民收入与支出的变量 要素，例如雇主补贴、消费资料和生产资料、纯公共支 出、净增库存、股息、利息外贸平衡等等。
u11 u12 u1 p X 1 u 21 u 22 u 2 p X 2 F AX u X u u P p 1 p 2 pp
2017/9/28
9 zf
几何解释－坐标旋转变换
假设有n个样品，每个样品有两个观测变量xl和x2，在由 变量xl和x2 所确定的二维平面中，n个样本点所散布的情 况如椭圆状。如图所示：
主成分分析
知识点
(Principal Components Analysis)
什么是主成分和主成分分析？ 理解主成分分析的基本思想和几何意义？ 理解并掌握基于协方差矩阵或相关系数矩阵求解主成分？
如何确定主成分个数？
如何解释主成分？ 掌握运用SPSS软件求解主成分
对软件输出结果进行正确分析
F1
x1
•
2017/9/28
11 zf
平移、旋转坐标轴
F2
x2
• • • • • • • • • • • • •• • • • • •
•
F1
• • • • • • • • • • • •• • •
x1
2017/9/28
12 zf
由图可以看出这n个样本点无论是沿着xl 轴方向或x2轴 方向都具有较大的离散性，其离散的程度可以分别用观 测变量xl 的方差和x2 的方差定量地表示。显然，如果只 考虑xl和x2 中的任何一个，那么包含在原始数据中的经 济信息将会有较大的损失。
其优点：（1）可达到简化数据结构的目的。（2）新产生的综合变量 Fl，F2具有不相关的性质，从而避免了信息重叠所带来的虚假性。
主成分分析的几何意义：主成分分析的过程也就是坐标旋转的 过程，各主成分表达式就是新坐标系与原坐标系的转换关系， 新坐标系中各坐标轴的方向就是原始数据方差最大的方向。
2017/9/28 14 zf
2017/9/28 2 zf
主成分用于成因分析：
陈耀辉，景睿《沪深股市市场收益率成因的主成份分 析》，《南京航空航天大学学报》，2000年2期。
2017/9/28
3 zf
主成分回归分析：
王冬：《我国外汇储备增长因素主成分分析》，《北 京工商大学学报( 社会科学版)》， 2006年4期。
主成分用于判别分析等统计方法中……
zf
主成分分析在综合评价中的应用：
蒋亮，罗汉《我国东西部城市经济实力比较的主成分 分析》，《经济数学》，2003年3期 田波平等《主成分分析在中国上市公司综合评价中的 作用》，《数学的实践与认识》，2004年4期 江冬明《主成份分析在证券市场个股评析中的应用》， 《数理统计与管理》，2001 年3期