概述
主成分分析是由Pearson于1901年提出，再由Hotelling于1933年推广的一种多变量统计方法。主成分分析的目的是用较少的变量解释原来资料中的大部分变异，将相关性很高的变量转化为彼此互不独立或者不相关的变量。选出比原始变量少，能解释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析是一种降维方法。
（图源百度）
成分的保留：Kaiser主张将特征值小于1的成分放弃，只保留特征值大于1的成分。
成功标准：能用不超过3~5个成分，解释变异的80%就算成功。
可以看到自变量x_2，x_3的方差为0，对于x_2而言，始终保持为0，没有变化程度，上述表达式完全可以用：y=ax_1+cx_3+d来替代，即x_2失去了变量存在的意义。而对于x_3而言，虽然其数值始终很大，但方差也为0，完全可以用一个常量¬d’’来替代。
这样的两个变量在对y进行表示的过程中其实并没发挥作用，只要使用y=ax_1+c即可表示上述式子。我们将x_2,x_3被淘汰的过程的原理认为是：方差淘汰变量。当然，方差为0这是一个极端的情况，在方差很小的情况下，即数据的整体变化很小，我们也可以认为这个变量没有存在的必要，将其淘汰。
设因变量和自变量存在函数关系：y=ax_1+bx_2+d，假如对应数据②如下：
引入变量z_1,z_2，我们进行这样的线性变换：z_1=x_1+x_2; z_2=x_1-x_2，得到下面的数据表：
我们上述的操作实际是对x_1和x_2进行了一组线性变换，对于变换后的结果z_2也可以被淘汰（原因不再重复，见上）。而假如我们的线性变换改变为：
那么上述的变换用矩阵表示则为：
则上述的线性变化本质上是进行了下面的图像变换：
原图：
变换后：
可以看到，变换之后的结果：z_2变化为0，主要的变化体现在横轴的z_1上。上述的两个例子说明了主成分分析的基本思想：将原先众多具有相关性的指标重新进行线性组合，以代替原先的指标。在图像上即体现为将图像进行一定的旋转变换。而为什么不进行上面的z_1=x_1+x_2; z_2=x_1-x_2？因为这种变换转换到x轴上后个点之间的距离发生了拉伸，具体的理由下面慢慢解释；
假设以x_1为横轴，以x_2为纵轴，有下面图像所示的图形：
可以发现数据点是以x_1方向分布的，在x_2的方向上数据变化并不明显，那么我们根据方差淘汰的思想即可将变量x_2淘汰，只保留x_1；
假如是下图所展示的情况：
椭圆中有一个长轴和一个短轴，称为主轴。在长轴方向，数据的变化明显较大，而短轴方向变化则较小
如果沿着长轴方向设定一个新的坐标系，则新产生的两个变量和原始变量间存在一定的数学换算关系，同时这两个新变量之间彼此不相关，而且长轴变量携带了大部分的数据变化信息，而短轴变量只携带了一小部分变化的信息(变异)
此时，只需要用长轴方向的变量就可以代表原来两个变量的信息，即将短轴方向上的数据抛弃。这样也就把原来的两个变量降维成了一个变量。长短轴相差越大，降维也就越合理。
（3） 在上述的分析中，我们反复提到“数据的变化”，那么如何衡量一组数据的变化大小？自然地，我们联想到了用方差来进行衡量。而主成分分析就是要通过不断的线性组合产生新的变量，使这组变量的方差达到最大。
数学原理分析
设有n个样本,p个指标，则可以构成大小为n×p的样本矩阵x:
假设我们想找一组新的变量：Y_1,Y_2,…,Y_m (m<p)来替代原来的p个指标，且他们满足：
系数u_ij的确定要满足
Y_i与Y_j相互线性无关（(i≠j),i=1,2,…,m,j=1,2,…,m）
Y_1是x_1,x_2,…,x_p的一切线性组合中的方差最大者
Y_2是与z_1不相关的x_1,x_2,…,x_p的所有线性组合中的方差最大者。
以此类推：Y_m是与Y_1,Y_2,…,Y_(m-1)不相关的x_1,x_2,…,x_p的所有线性组合中的方差最大者。
新变量Y_1,Y_2,…,Y_m分别称为原指标x_1,x_2,…,x_p的第一，第二，……，第m主成分。
主成分分析的基本问题
（1） 每一个主成分的系数如何确定
前提假设
第一主成分的系数满足：
要注意的是X是一个由p个向量组成的变量，所以均值E(X)也是一个n维列向量。cov(X)即对X求其协方差矩阵（这个矩阵是一个半正定阵，一定有n个特征值，即也有n个对应的特征向量）
第一主成分的系数满足：
由简单推理可以得出：
由上述分析可知，我们要求的系数u_i1,u_i2,…,u_ip使Y_i的方差达到最大，那么这样即是一个约束优化问题，
求
由线性代数的基本知识可对①式做下列变换：
由上式可知，求f即转化为求矩阵Σ的特征值，求系数u_i即求特征值对应的特征向量。
对于Y_i (i=1,2,3,…,m)的方差要求依次增大，则对应特征值依次增大，对应的特征向量依次排列形成相应的矩阵。
（2） 如何保留主成分
方法一：
① 贡献率:第i 个主成分的贡献率为
② 累积贡献率:前m个主成分的累积贡献率为
③ 选择法则:
保留m 个主成分
（3） 如何解释主成分
① 原始指标X_i对各个主成分的贡献
相关系数：
② 保留的m个主成分对每个X_i的贡献
③ 主成分与原指标之间的相关系数
④m个主成分对原始指标x的贡献：
对某一个主成分而言，指标前面的系数越大，代表该指标对该主成分的影响越大。
由相关阵求主成分
下列图片摘自清风PPT
6. 主成分分析例题分析
例一：
用主成分分析方法探讨城市工业主体结构。表1是某市工业部门13个行业8项指标的数据
试用主成分分析方法确定8项指标的样本主成分（综合变量）；若要求损失信息不超过15％，应取几个主成分？
解：我们将题目所给数据导入SPSS后，进行主成分分析主要表格如下：
（1）进行主成分分析要求变量之间具有相关性，首先输出的是相关性矩阵，可以直观的看到变量之间具有相关性：
（2）相关性检验结果：
根据KMO和巴特利特检验结果，综合两项指标，说明变量之间存在相关性，可以进行主成分分析。
（3）对主成分的解释：
由上图的总方差解释可以得知当选取3个成分时已经能够解释89.424%的方差，接着输出的是碎石图，展示所有的主成分的特征值情况：
由于SPSS默认选取的是对应特征值大于1的主成分，所以最后输出的成分矩阵只提取了2个主成分：
但是按照题目要求，需要解释85%以上的变异，由对主成分的解释表可知，我们需要选择3个主成分。
例二：
某市为了全面分析机械类各企业的经济效益，选择了8个不同的利润指标，14家企业关于这8个指标的统计数据如表3所示。试进行主成分分析，并对所选取的主成分作出解释。
解：将所给数据代入SPSS工具后，我们对数据进行主成分分析处理：
（1） 进行主成分分析要求变量之间存在相关性，所以首先输出的相关性矩阵，通过下表我们可以明显的看出变量之间存在相关性，适合做相关性检验：
下面输出的是KMO检验和巴特利特球形检验的结果：
可以看出KMO值在0.7~0.8之间，比较适合进行主成分分析。接下来的是巴特利特球形检验的结果：显著性小于0.05。两项指标结合，通过KMO和巴特利特检验。
（2） 主成分分析
通过输出的总方差解释图，我们可以直观的发现使用前两个特征值大于1的主成分即可解释89%以上的变异，基本把握住了主成分，达到舍去不必要成分的目的。
最后我们通过输出的成分矩阵写出函数表示：
