主成分降维:
主成分分析法是一种数学变换的方法,它把给定的一组相关变量通过线性变换转成
另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。在数学变换
中保持变量的总方差不变，使第一变量具有最大的方差，称为第一主成分，第二
变量的方差次大，并且和第一变量不相关，称为第二主成分。依次类推，
个变量
就有
个主成分。
其中
为
维正交化向量（
），
之间互不相关且按照方差由大到小排列，
则称
为
的第
个主成分。设
的协方差矩阵为
，则
必为半正定对称矩阵，求特
征值
（按从大到小排序）及其特征向量，可以证明，
所对应的正交化特征向量，
即为第
个主成分
所对应的系数向量
，而的方差贡献率定义为
,通常要求
提取的主成分的数量
满足
。
基本思想
PCA的基本原理就是将一个矩阵中的样本数据投影到一个新的空间中去。对于一个矩
阵来说，将其对角化即产生特征根及特征向量的过程，也是将其在标准正交基上投影
的过程，而特征值对应的即为该特征向量方向上的投影长度，因此该方向上携带的原
有数据的信息越多
目的
希望用较少的变量去解释原来资料中的大部分变量，将我们手中许多相关性很高的变
量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部
分资料中变量的几个新变量，即所谓主成分，并用以解释资料的综合性指标。
分析步骤
将原始数据按行排列组成矩阵
对
进行数据标准化，使其均值变为零
求
的协方差矩阵C
将特征向量按特征值由大到小排列，取前
个按行组成矩阵
通过计算
，得到降维后数据
用下式计算每个特征根的贡献率
;
根据特征根及其特征向量解释主成分物理意义。
基于主成分分析的指标筛选原理
（1）因子载荷的原理
通过对剩余多个指标进行主成分分析，得到每个指标的因子载荷。因子载荷的绝
对值小于等于1，而绝对值越是趋向于1，指标对评价结果越重要。
（2）基于主成分分析的指标筛选原理
因子载荷反映指标对评价结果的影响程度，因子载荷绝对值越大表示
指标对评价结果越重要，越应该保留；反之，越应该删除。1通过对相关性分析
筛选后的指标进行主成分分析，得到每个指标的因子载荷，从而删除因子载荷小
的指标，保证筛选出重要的指标。