研究背景
主成分分析用于对数据信息进行浓缩，比如总共有20个指标值，是否可以将此20项浓缩成4个概括性指标。除此之外，主成分分析可用于权重计算和综合竞争力研究。即主成分分共有三个实际应用场景：
数据格式
主成分分析时，一列标识1个指标，一行为1个样本；如果为面板数据，比如100家公司每家公司10年，那么就会有100*10=1000个样本，可能需要单独两列分别是公司名和年份来标识面板格式而已，但主成分分析并不区分是否面板数据，只针对指标进行分析即可，另一般分析样本量需要超出分析项（指标）的5倍，类似数据格式如下图：
SPSSAU操作
1.上传数据
登录账号后进入SPSSAU页面，点击右上角“上传数据”，将处理好的数据进行“点击上传文件”上传即可。
2.拖拽分析项
可以勾选“成分得分”以及“综合得分”点击开始分析后，左侧分析框就会出现，成分得分与综合得分：
SPSSAU分析
背景：当前有一份数据,共涉及9个指标，希望将此9个指标使用主成分分析进行降维，并计算综合得分。
1.KMO 和 Bartlett 的检验
使用主成分分析进行信息浓缩研究，首先分析研究数据是否适合进行主成分分析，从上表可以看出：KMO为0.913，大于0.6，满足主成分分析的前提要求，意味着数据可用于主成分分析研究。以及数据通过Bartlett 球形度检验(p<0.05)，说明研究数据适合进行主成分分析。
2.方差解释率表格
上表格针对主成分提取情况，以及主成分提取信息量情况进行分析，从上表可知：主成分分析一共提取出2个主成分，此2个主成分方差解释率分别是55.907%,8.133%，累积方差解释率为64.040%另外，本次分析共提取出2个主成分，它们对应的加权后方差解释率即权重依次为：55.907/64.040=87.30%；8.133/64.040=12.70%；
3.载荷系数表格
载荷系数表格
共同度
补充说明：
4.成份得分系数矩阵
使用主成分分析目的在于信息浓缩权重
0.151*X1+0.142*X2+0.150*X3+0.162*X4+0.152*X5+0.147*X6+0.134*X7+0.142*X8+0.154*X9；
成分得分2（成分2）=
-0.076*X1-0.205*X2-0.097*X3-0.090*X4-0.387*X5-0.498*X6+0.101*X7+0.823*X8+0.463*X9；
5.碎石图
碎石图
6.载荷图
载荷图
7.线性组合系数及权重结果
SPSSAU的主成分分析结果中默认提供“线性组合系数及权重结果表”包括上述的过程值及结果，包括线性组合系数、综合得分系数、以及指标各自的权重。
6.综合得分排名
根据之前勾选的“综合得分”，即可自动得到综合得分结果。
SPSSAU默认命名为CompScore_XXXX。使用【数据处理】→【标题处理】功能可以对题目重命名。
【数据处理】→【生成变量】里的排名功能。点击“综合得分”，再选择“排名（Rank）”，点击确认处理。
右上角“我的数据”也可以将数据进行下载。
其它说明
1. 提示出现奇异矩阵？
2010
2. ‘分析之前是否需要对数据进行标准化处理’？
SPSSAU默认就已经进行过标准化处理，因此不需要再对数据处理。当然标准化后的数据再次标准化依旧还是自身没有任何变化，结果永远均一致。
3.综合得分如何使用？
SPSSAU默认可保存综合得分（以及因子得分等）；一般该值越大表示越有竞争力等；研究者通常需要把综合得分的具体数据下载后使用，并且在EXCEL进行排序（也可使用SPSSAU生成变量里面的排序功能）。 通过右上角我的数据可下载具体综合得分的具体数据等。
4.特征根值没有大于1可以吗？
主成分分析时通常需要综合自己的专业知识，以及软件结果进行综合判断，即使是特征根值小于1，也一样可以提取主成分。
5.主成分回归是什么意思？
进行主成分时，选择保存‘成分得分’，然后利用系统生成的‘成分得分’数据进行线性回归，即为主成分回归。
6.累积方差解释率出现100%以上如何办？
正常情况下，累积方差解释率会小于100%，但如果数据的共线性问题太严重，有可能出现方差解释率值大于100%，此时建议进行相关分析，找出相关性太强（比如相关系数大于0.8）的项，然后从分析框中移出后再次分析。与此同时，如果样本量太少也可能出现此问题建议加大样本量即可。
7. KMO值过低？
一般需要KMO值大于0.6即可，如果是两个分析项，KMO值一定是0.5；因而建议删除掉共同度(公因子方差)值较低项，这样可以提升KMO值。
如果不输出KMO值，意味着数据质量过差，建议可使用相关分析看下相关关系，如果相关系数值基本均小于0.3（或者没有呈现出显著性），则说明题项间关联性弱，则KMO值一定会较低，建议先移除相关系数值较低项后再次分析。
提示：
总结
主成分分析的原理在于信息浓缩，对于信息浓缩的帮助越大，指标权重可越大，正是利用此原理，可进行指标权重的计算。主成分分析的作用更多侧重于计算权重、计算综合竞争力。不会过多关注主成分与分析项对应关系，不要求每个主成分有明确的含义。