数据

输入数据中是否不含分类变量？

PCA 仅分析连续变量，因此输入数据中的分类变量将被直接忽略。 如果您的数据表包含分类变量，它们将不会被纳入主成分生成过程。不过，这些变量可用于自定义分析的图形输出（主成分得分图）。这有助于在主成分得分图上直观地识别特定的目标群体。

选项

如果您选择对数据进行中心化处理（而非标准化处理），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。 对数据进行中心化处理后，每个变量的均值为 0.0，但标准差（SD）将不相同（每个标准差将等于所分析变量的标准差）。 仅进行中心化处理只有在所有变量单位一致，且您知道——总体而言——这些变量的标准差相同时（标准差之间的任何差异均由随机抽样引起）才有意义。这种情况很少见，因此如果您选择了中心化而非标准化，请确保您能为这一选择提供合理的依据。 当选择中心化而非标准化时，标准差较大的变量将对分析产生更大影响，对主成分（PCs）的确定贡献更大。然而，这可能仅仅是由于测量尺度不同（例如英寸与英里），从而可能破坏PCA的全部意义。

如果您选择了平行分析以外的成分选择方法，是否有充分的理由？

统计学家似乎都一致认为，与Prism提供的其他方法相比，平行分析是选择主成分的更佳方法。虽然还提供了其他较旧的方法，但这些方法大多已过时，仅作为验证先前报告结果的手段而存在。除非有充分理由，否则请勿使用它们。

PCA 结果

所选的主成分解释了多少变异量？

建议查看表格结果页中报告的方差解释比例。PCA 的目标是在尽可能保留原始数据变异性的同时，减少描述数据所需的变量数量。 请观察各主成分所解释的方差比例是否存在规律。如果原始数据中存在相关性（趋势），那么前几个主成分应解释大部分方差，而最后几个主成分解释的方差则较少。 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方差量大致相同。在这种情况下，PCA无法用于降维，因此可能没有必要进行该分析。这也可以通过分析生成的方差解释比例图来观察。

还有其他关于PCA的问题吗？

“主成分分析问答”页面提供了关于PCA的其他常见问题的解答