如何用R语言实现主成分分析

这期内容当中小编将会给大家带来有关如何用R语言实现主成分分析，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

成都创新互联是网站建设技术企业，为成都企业提供专业的网站设计、做网站，网站设计，网站制作，网站改版等技术服务。拥有10余年丰富建站经验和众多成功案例，为您定制适合企业的网站。10余年品质，值得信赖！

建议大家直接采用R语言实现主成分分析，今天先送上一枚案例。

使用R语言自带USJudgeRatings法官综合素质评分数据，每位法官均有12项维度打分，我们觉得用12个指标评价一位法官过于复杂了，现在请对12个维度打分变量进行降维处理，造几个主成分来用于综合评价。

数据如下：

加载包：

library(psych)

画出含平行分析的碎石图：

fa.parallel(USJudgeRatings, fa = "pc", n.iter = 100, show.legend = TRUE, main = 'Scree plot with parallel analysis')

此图告诉我们似乎是提取1个主成分。判断主成分个数的经验和方法不只是这一个，我觉得只提取1个主成分的话有些偏执，可以考虑多提1个，共提取2个主成分进行考察。

接下来开始主成分分析，暂不旋转：

USJ.pc<-principal(USJudgeRatings,nfactors=2,rotate = "none")

提取到两个主成分PC1、PC2，特征值分别为10.13、1.10，均大于1，以特征值为参考的话，提取前2个主成分尚可。方差贡献比例分别为84%、9%，累积方差贡献比例94%，一般认为大于80%，即可认为主成分有较大代表性。

从累积方差贡献，特征值的表现来看，提取2个主成分没问题。

12个指标和PC1、PC2交叉的数字即为载荷，从载荷的分布来看，可以比较轻松的划分各指标与主成分的归属，比如PC2在指标“CONT”上的载荷明显大于其他，所以"CONT"是PC2的主要代表变量，而其他变量在PC1的载荷均较大，所以PC1是一个一般性的综合成分。鉴于此，不做旋转处理是可以的，不影响对主成分核心含义的提炼。

和SPSS主成分的结果对比一下，主成分特征值、方差贡献比例完全一致。

再对比一下SPSS输出的载荷矩阵，也是一致。

如果觉得我表述不清的话，那我们绘制指标变量与主成分载荷图，直观看一下效果。

fa.diagram(USJ.pc,simple=TRUE)

效果很直观，就不用文字多说了。

执行到此处，我们已经确认12个维度指标变量，提取前2个成分作为主成分是可以的。

接下来，我们需要计算每个主成分的得分了。

USJ.spc<-principal(USJudgeRatings,nfactors=2,rotate = "none",scores = TRUE)

head(USJ.spc$scores)

对主成分得分变量的使用，通常是直接用于从高到底排序，排名靠前的法官则在该主成分维度上表现突出。或者综合2个主成分得分变量，构造一个综合得分进行评价。

上述就是小编为大家分享的如何用R语言实现主成分分析了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联行业资讯频道。