使用 PCA 白化相關性你好，
我有一個簡單的 Y 與 X 的關係，具有一些線性相關性。我喜歡去相關（白化）Y 與 X。
我很感激你的幫忙。
謝謝
亞當
進階統計建模消費者與市場研究資料混合與清理品質和工藝工程回复：使用 PCA 美白相關性嗨，DS，
感謝您的回复，很抱歉造成混淆。 我的目標是您的第一個場景，我喜歡從體重中消除身高的影響，並在沒有身高影響的情況下查看體重分佈。 謝謝您的幫助。
問候，
亞當
回复：使用 PCA 美白相關性你好@在,
我對你的目標有點困惑。以下是我認為您可能正在嘗試做的兩件事。是否接近？
在考慮到與體重相對應的身高變化後，什麼其他有高度的變化嗎？
為此，您可以使用身高和體重進行 PCA 並保存預測值（PCA 平台 > 紅色三角形 > 保存列 > 預測），然後使用數據表中的其他列從實際值中減去預測值。這會給你剩餘的這是與體重無關的身高變化。這些變量的單位與原始變量相同，但它們的值將以零為中心。
或者你可能的意思是：
生成一組變量來表示身高和體重，這樣新的變量彼此不相關，並且將用於其他分析。
在這種情況下，您不會將變量轉換回原始空間，而是將它們用作潛在變量。為此，請保存主成分值（PCA 平台 > 紅色三角形 > 保存列 > 主成分）。 這些潛在變量沒有單位，在任何其他分析中檢查它們時，您需要考慮它們的載荷，以了解它們如何影響身高和體重。
回复：使用 PCA 美白相關性嗨，DS，
感謝您的快速回复。 在 PCA 之後，根據 X 和 Y（兩個變量）給出 P1 和 P2。 我知道我原來的 X 和 Y，但我喜歡讓 Y 與 X 去相關。 例如，從高度相關的體重與身高，我喜歡在去除相關效應後得到去相關的未縮放體重與身高。
再次感謝。
問候，
亞當
回复：使用 PCA 美白相關性你好@在,
如果我了解您的目標，您想知道如何從主要組件回到 X 和 Y，對嗎？
例如，如果您有一個三組件系統：X1、X2、X3，並且您執行 PCA，則您有 Prin1、Prin2 和 Prin3。 這些 PC 將是 X1、X2 和 X3 的線性組合，其係數是特徵值。 您可以從報告頂部 PC 旁邊的熱按鈕獲取特徵值和特徵向量。
特徵向量矩陣向您顯示係數是什麼，以獲得 X1 根據 Prin1、Prin2 和 Prin3（表中的行）的線性組合，或者您可以根據 X1、X2、X3 找到 Prin1 的線性組合（表中的列）。 請參閱下面的示例屏幕截圖。
特徵值表應該給你想要的。
希望這可以幫助！，
DS
