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，比如家公司每家公司10年，那么就会有*10=0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.，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(p0.05)，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.%,8.%，累积方差解释率为64.%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./64.=87.30%；8./64.=12.70%；
3.载荷系数表格
载荷系数表格，主要展示主成分对于研究项的信息提取情况，以及主成分和研究项对应关系。
共同度代表某题项可被提取的信息量，共同度越高说明指标能被主成分解释的程度越高，被提取的信息量越多。一般以0.4作为标准。
上表格展示主成分对于研究项的信息提取情况，以及主成分和研究项对应关系，从上表可知：所有研究项对应的共同度值均高于0.4，意味着研究项和主成分之间有着较强的关联性，主成分可以有效的提取出信息。确保主成分可以提取出研究项大部分的信息量之后，接着分析主成分和研究项的对应关系情况（载荷系数绝对值大于0.4时即说明该项和主成分有对应关系）。
补充说明：如果主成分分析结果不佳，可考虑使用因子分析，在主成分分析的基础上，因子分析多出旋转功能，更容易找出因子和分析项对应关系。
4.成份得分系数矩阵
使用主成分分析目的在于信息浓缩，则忽略“成份得分系数矩阵”表格。如果使用主成分分析法进行权重计算，则需要使用“成份得分系数矩阵”建立主成分和研究项之间的关系等式（基于标准化后数据建立关系表达式），如下：成分得分1（成分1）=
0.*X1+0.*X2+0.*X3+0.*X4+0.*X5+0.*X6+0.*X7+0.*X8+0.*X9；成分得分2（成分2）=
-0.*X1-0.*X2-0.*X3-0.*X4-0.*X5-0.*X6+0.*X7+0.*X8+0.*X9；
5.碎石图
可结合碎石图辅助判断主成分提取个数。当折线由陡峭突然变得平稳时，陡峭到平稳对应的主成分个数即为参考提取主成分个数。实际研究中更多以专业知识，结合主成分与研究项对应关系情况，综合权衡判断得出主成分个数。图中可以看出当横坐标为2时，折线突然变得比较平稳。
6.载荷图
载荷图是针对成分与旋转后载荷值关系的图形化展示，使用较少，通常需要手工加‘圆圈’把挨在一起的因子圈起来，更直观展示成分与分析项的隶属对应关系情况。由于可读性和解释性问题，一般只