本指南提供有关执行主成分分析 (PCA) 的说明。这种分析方法通常用于降低数据集的维度（即减少变量数量），其原理是通过创建一组新的变量，这些新变量是原始变量的线性组合，彼此统计独立，并且能够最大程度地捕捉原始变量中包含的信息（即变异性和相关性）。
主成分
- 从打开的 JMP ®数据表中，选择“分析”>“多元方法”>“主成分” 。
- 从“选择列”中选择连续变量，然后单击“Y，列” （连续变量带有蓝色三角形）。
- 点击确定。
默认情况下，JMP 显示特征值和三个汇总图。
- 特征值帕累托图：百分比和
每个主成分所解释的变异的累计总百分比。
- 得分图（中间）：前两个主成分的散点图。使用底部的选项选择要显示的任意两个主成分。
- 载荷图：原始变量与两个选定主成分之间的相关性。（注：因子载荷未经旋转。）
尖端：
- 默认情况下，PCA 是基于相关性进行的。
- 点击顶部的红色三角形，即可更改计算方法、查看更多结果、将主成分保存到数据表中，或查看与特征值相关的详细信息。
- 也可以通过Scatterplot 3D平台或Multivariate平台访问主成分分析。
Socioeconomic.jmp (Help > Sample Data Folder)Socioeconomic.jmp（帮助 > 示例数据文件夹）
解释：
前两个主成分解释了数据总变异的 93.4%（57.5 + 35.9 = 93.4）（参见帕累托图）。这些数值显示在得分图和载荷图的坐标轴上。
• 所有原始变量均与第一主成分呈正相关（见载荷图）。总人口和总就业人数与第二主成分呈正相关，而其他变量与第二主成分呈负相关。
访问JMP 帮助中的“多元方法 > 主成分分析”了解更多信息。
