主成分分數計算 - 需要幫助大家好，
教授對 PCA 分數計算的澄清要求之一。
JMP 文檔指南指出，主成分的計算取決於您選擇哪個矩陣來提取主成分：–對於相關性選項，第 i 個主成分是使用第 i 個條目的居中和縮放觀察值的線性組合特徵向量作為係數。– 對於 on Covariances 選項，第 i 個主成分是中心觀測值的線性組合，使用第 i 個特徵向量的條目作為係數。
– 對於未縮放和未居中選項，第 i 個主成分是使用第 i 個特徵向量的條目作為係數的原始觀測值的線性組合。
教授正在使用溶解度。 跳躍數據集並創建保存的一個主成分，
我附上了屏幕截圖。 他試圖在課堂上展示如何使用特徵向量值手動計算主成分分數。 當我們將主成分保存為公式時，它會顯示一個公式和一個常數。 並且公式中的係數與特徵向量不匹配。（他之前用的是 R，現在轉向 JMP）
有人可以幫助我如何從特徵向量中導出 PCA 分數並與 JMP 輸出匹配。 JMP 還給出了一個公式和一個常數。
感謝您在這方面的幫助。
謝謝
穆拉利
回复：主成分分數計算 - 需要幫助當對相關性執行 PCA 時，JMP 使用標準化變量計算得分，然後重新排列表達式。 所以，
PC1=0.37441*[ 1-Octanol -Mean(1-Octanol)]/Std (1-Octanol)+0.34834* [Ether -Mean(Ether)]/Std (Ether)+…..
=0.37441*[ 1-辛醇 - 1.2665)/ 0.8219] +……
=0.45544*1-辛醇 – 0.57695+……
常數 -1.13263 是 – 0.57695 和其他平均值/標準值的總和。
回复：主成分分數計算 - 需要幫助嗨穆拉利，
出於教學時的演示目的，他可能會使用“未縮放和未居中”。 特徵向量將是已保存公式中的係數，因為沒有發生任何轉換來解釋變量之間的比例和中心差異。 在介紹該轉換的價值並向他們展示計算之前，這對學生來說是一個有益的開端@劍草假如。
@朱利安
回复：主成分分數計算 - 需要幫助非常感謝建草回复：主成分分數計算 - 需要幫助非常感謝朱利安
