数据

输入数据中是否没有分类变量？

pca 只分析连续变量，因此输入数据时会直接忽略分类变量。如果您的数据表中包含分类变量，那么在生成主成分的过程中将不会包含它们。不过，它们可以用于自定义分析的图形输出（pc 分数图）。这有助于在 pc 分数图上直观地识别特异性群体。

选择

如果您选择将数据居中（而不是标准化），您是否有充分的理由？

数据标准化后，每个变量（每列）的均值为 0.0，标准偏差 (sd) 为 1.0。数据居中后，每个变量的均值都是 0.0，但 sd 不会相同（每个 sd 都会与被分析变量的 sd 相同）。只有当所有变量的单位都相同，并且您知道总体上各变量具有相同的标差（标差之间的任何差异都是随机抽样造成的）时，单独居中才有意义。这种情况很少见，因此如果您选择居中而非标准化，请确保您能证明这一选择是合理的。在选择居中而非标准化时，标差较大的变量对分析的影响会更大，对pc 的特异性贡献更大。然而，这可能仅仅是由于测量尺度（英寸与英里）造成的，因此可能会破坏 pca 的全部意义。

如果您选择了平行分析以外的方法来选择成分，您是否有充分的理由？

统计学家似乎都同意，平行分析是比 Prism 提供的其他方法更好的主成分选择方法。

PCA 结果所选主成分能解释多少变

如果没有充分的理由，请不要使用这些方法。

如果原始数据中的变量几乎或完全不相关（正交），则每个主成分解释的变异性大致相同。无法用来降维，因此很可能不需要。使用分析生成的方差比例图也可以观察到这一点。

关于 PCA 的其他问题？

主成分问答》页面为您解答有关 PCA 的其他常见问题