数据

输入数据是否无分类变量？

PCA只会分析连续变量，因此在数据输入时直接忽略分类变量。如果您的数据表包含分类变量，则在生成主成分的过程中将不会包括这些分类变量。但这些分类变量可用于定制分析的图表输出（PC得分图）。这有助于直观识别PC得分图上的特定相关组。

选择

如果您选择居中（而非标准化）数据，您是否有充分理由？

标准化数据后，每个变量（每列）的平均值为0.0，标准差（SD）为1.0。居中数据后，每个变量的平均值为0.0，但SD不会相同（每个SD与分析变量的SD相同）。仅当所有变量均采用相同单位时，单独居中才有意义，且您知道变量总体上具有相同SD（SD之间的任何差异均由随机抽样导致）。这种情况非常罕见，因此，如果您选择居中，而非标准化，则确保可证明这种选择合理。选择居中（而非标准化）时，SD较大的变量将对分析产生更大影响，对PC规格的要求也更高。但这可能仅归因于测量尺度（英寸 vs. 英里），因此可能会破坏PCA的真正意义。

如果您选择除平行分析之外的成分选择方法，有无足够充分的理由？

统计学家似乎都同意，与Prism提供的其他方法相比，平行分析是更优的主成分选择方法。提供有其他较旧的方法，但这些方法大多已过时，仅作为确认先前报告结果的手段。如无足够充分的理由，不得使用这些方法。

PCA结果

选定的主成分在多大程度上解释了方差？

我们建议查看表格式结果表上报告的方差比例。PCA旨在减少描述数据所需的变量数量，同时尽可能多地保留与原始数据的方差。寻找由成分解释的方差比例的趋势。如果原始数据中存在相关性（趋势），则前几个成分应解释大部分方差，最后几个成分解释的方差很少。如果原始数据中的变量几乎或完全不相关（互不相关），则每个主成分将解释大致相同的变量数量。在此情况下，PCA不能用于降维，因此很可能不需要。这也可以通过分析产生的变异比例图进行观察。

关于PCA的其他问题？

主成分问答页面提供了关于PCA的其他常见问题的答案