主成分分析（PCA）

主成分分析（PCA）是一种数据简化技术，其将大量的相关变量转换为一组小很多的不相关变量，即主成分。

1. 功能

从平行分析估计成分数
获得相关矩阵并绘制图
获得主成分和载荷结果表
获得2D和3D主成分和载荷分布图

2. 关于数据

所有的分析数据都是数值数据
样本量大于自变量数，即行数大于列数

请按照步骤建模，然后单击输出获取分析结果。

Output 1. 数据确认

数据（一部分）

请在“数据”选项卡中编辑修改数据

Output 2. 模型的结果

说明

此图描绘了两个成分的成分关系，可使用得分图来评估数据结构并检测群集、离群值和趋势。
图上的数据分组可表示数据中的两个或多个单独分布。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布。

2. 当A >= 2时，选择2个成分显示成分和载荷2D图

2.1. x轴成分

2.2. y轴成分

在PC1和PC2（无组圈）图中，我们能够找到一些离群值，例如11和23。如果选择饮食，并在欧几里得距离上添加一个组圆，则将看到饮食类型的圆与其他圆分开。

说明

此图显示变量对主成分的影响（选择左面板中的主成分）。
红色表示负面影响，蓝色表示正面影响。
使用方差累积比例（在方差表中）测定因子解释的方差量。
出于描述的目的，可能只需要解释80%（0.8）的差异。
如果想对数据执行其他分析，可能至少要有90%的方差通过因子解释。

Loadings

Variance table

说明

此图叠加了主成分和载荷量（选择左面板中的主成分）。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布.
载荷测定哪些成分对每个成分的影响最大。
载荷范围从-1到1。接近-1或1的载荷表示变量对成分的影响很大。接近0的载荷表示变量对成分的影响很小。

• 当A >= 2时，选择2个成分显示成分和载荷2D图

2.1. x轴成分

2.2. y轴成分

PC1和PC2图显示，ACAT2对PC1具有相对较强的负面影响，而PKD4对PC1具有较强的正面影响。对于PC2，THIOL具有很强的积极作用，而VDR具有很强的消极作用。结果与载荷图相对应。

说明

这是2D图的扩展。此图覆盖了3个主成分和载荷（在左面板中选择主成分和线段长度）。
可找到图中的离群值。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布。
载荷测定哪些成分对每个成分的影响最大。
载荷范围从-1到1。接近-1或1的载荷表示变量对成分的影响很大。接近0的载荷表示变量对成分的影响很小。

本图首次加载需要一些时间

当A >= 3时，选择3个成分显示成分和载荷3D图

默认情况下，在3D绘图中显示前3个PC

1. x轴成分

2. y轴成分

3. z轴成分

4. （可选）变更线段（line scale）长度

跟踪图例

探索性因子分析（EFA）

探索性因子分析（EFA）是一种统计方法，用于根据潜在少数未观察到的变量描述观察到的、相关的变量之间的变异性，即称为因子。

1. 功能

从平行分析估计成分数
获得相关矩阵和绘图
获得因子和载荷结果表和载荷结果表
获得2D和3D的因子和载荷分布图

2. 关于数据

所有的分析数据都是数值数据
样本量大于自变量数，即行数大于列数

请按照步骤建模，然后单击输出获取分析结果。

Output 1. 数据确认

数据（一部分）

请在“数据”选项卡中编辑修改数据

Output 2. 模型的结果

说明

该图显示了因子与变量之间的关系。
窗口中的结果显示对因子充分性的统计检验。

说明

该图描绘了两个因子之间的关系，可使用得分图评估数据结构并检测群集、离群值和趋势。
图上的数据分组可表示数据中的两个或多个单独分布。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布。

2. 当A >= 2时，选择2个因子显示成分和载荷2D图

2.1. x轴因子

2.2. y轴因子

在ML1和ML2图中，我们可以找到169和208等异常值。这些点可以在“数据”选项卡上删除。当我选择类型并在欧几里得距离上加上一个圆组时，我发现B组稍有不同。并非所有组都有圈子，因为积分太少。

说明

此图显示变量对因子的影响（选择左面板中的因子）。
红色表示负面影响，蓝色表示正面影响。
使用方差比例（在方差表中）测定因子解释的方差量。
出于描述的目的，可能只需要解释80%（0.8）的差异。
如果想对数据执行其他分析，可能至少要有90%的方差通过因子解释。

Loadings

Variance table

说明

此图（双线图）覆盖因子和载荷（选择左面板中的因子）。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布。
载荷测定哪些成分对每个成分的影响最大。。
载荷范围从-1到1。接近-1或1的载荷表示变量对成分的影响很大。接近0的载荷表示变量对成分的影响很小。

当A >= 2时，选择2个成分显示成分和载荷2D图

1. x轴因子

2. y轴因子

在删除点169和208之后，发现chem2与ML2有着相对较强的关系。

説明

这是2D图的扩展。此图覆盖了3个因子和载荷（在左面板中选择因子和线段长度）。
可找到图中的离群值。
如果数据遵循正态分布并且不存在离群值，则点在零附近随机分布。
载荷测定哪些成分对每个成分的影响最大。
载荷范围从-1到1。接近-1或1的载荷表示变量对成分的影响很大。接近0的载荷表示变量对成分的影响很小。

本图首次加载需要一些时间。

当A >= 3时，选择3个成分显示成分和载荷3D图

默认情况下，在3D绘图中显示前3个因子。

1. x轴因子

2. y轴因子

3. z轴因子

4. （可选）变更线段（line scale）长度

跟踪图例

准备数据

1. 功能

2. 关于数据

示例1: 小鼠基因表达数据

示例2: 化学数据

请按照以下步骤，输出实时分析结果。准备好数据后，请在接下来的选项卡中找出模型。

准备数据

更改某些变量的类型？

Output 1. 数据确认

Output 2. 描述性结果

主成分分析（PCA）

1. 功能

2. 关于数据

请按照步骤建模，然后单击输出获取分析结果。

模型构建

第1步选择参数建立模型

第2步如果数据和模型准备就绪，单击蓝色按钮生成模型结果。

Output 1. 数据确认

Output 2. 模型的结果

探索性因子分析（EFA）

1. 功能

2. 关于数据

请按照步骤建模，然后单击输出获取分析结果。

模型构建

第1步选择参数建立模型

第2步如果数据和模型准备就绪，单击蓝色按钮生成模型结果。

Output 1. 数据确认

Output 2. 模型的结果

准备数据

1. 功能

2. 关于数据

示例1: 小鼠基因表达数据

示例2: 化学数据

请按照以下步骤，输出实时分析结果。准备好数据后，请在接下来的选项卡中找出模型。

准备数据

更改某些变量的类型？

Output 1. 数据确认

Output 2. 描述性结果

主成分分析（PCA）

1. 功能

2. 关于数据

请按照步骤建模，然后单击输出获取分析结果。

模型构建

第1步 选择参数建立模型

第2步 如果数据和模型准备就绪，单击蓝色按钮生成模型结果。

Output 1. 数据确认

Output 2. 模型的结果

探索性因子分析（EFA）

1. 功能

2. 关于数据

请按照步骤建模，然后单击输出获取分析结果。

模型构建

第1步 选择参数建立模型

第2步 如果数据和模型准备就绪，单击蓝色按钮生成模型结果。

Output 1. 数据确认

Output 2. 模型的结果

第1步选择参数建立模型

第2步如果数据和模型准备就绪，单击蓝色按钮生成模型结果。

第1步选择参数建立模型

第2步如果数据和模型准备就绪，单击蓝色按钮生成模型结果。