pca主成分分析结果解释_主成分分析(PCA)原理及SPSS实操

主成分分析(principal components analysis，简称PCA)是一种降维分析，将多个指标转换为少数几个综合指标，由霍特林于1933年首先提出。

主成分分析方法之所以能够降维，本质是因为原始变量之间存在着较强的相关性，如果原始变量之间的相关性较弱，则主成分分析不能起到很好的降维效果，所以进行主成分分析前最好先进行相关性分析。

一个例子

中心城市的综合发展是带动周边地区经济发展的重要动力。因而，分析评价全国35个中心城市的综合发展水平，无论是对城市自身的发展，还是对周边地区的进步，都具有十分重要的意义。

原始数据及指标解释。我们选取了反映城市综合发展水平的12个指标，其中包括8个社会经济指标，分别为：—非农业人口数(万人)；—工业总产值(万元)；—货运总量(万吨)；—批发零售住宿餐饮业从业人数(万人)；—地方政府预算内收入(万元)；—城乡居民年底储蓄余额(万元)；—在岗职工人数(万人)；—在岗职工工资总额(万元)。

4个城市公共设施水平的指标：—人均居住面积(平方米)；—每万人拥有公共汽车数(辆)；—人均拥有铺装道路面积(平方米)；—人均公共绿地面积(平方米)。

问题：请使用主成分分析，将这12个指标综合为少出几个综合指标。

在开始解决这个问题之前，有必要先了解一下主成分分析的基本原理及其求解方法。

主成分分析基本原理

1、几何意义

如下图所示，平面上散落着N个点，无论是沿x1轴方向，还是沿x2轴方向，均有较大的离散性，即这些点所代表