主成分分析中,主成分方差具有的特征是什么?

得到的方差百分比就是贡献率，累计百分比就是累计贡献率，成分矩阵用来判定主成分。

贡献率指有效或有用成果数量与资源消耗及占用量之比，即产出量与投入量之比，或所得量与所费量之比。计算公式：贡献率（%）=贡献量（产出量，所得量）/投入量（消耗量，占用量）×100%贡献率也用于分析经济增长中各因素作用大小的程度。

成分矩阵（component matrix）由主成分法得到的因素负荷矩阵。采用同一组被试进行比较时，必须保证两种实验处理之间没有相互影响，同时要平衡位置顺序。

应用

主成分分析作为基础的数学分析方法，其实际应用十分广泛，比如人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等学科中均有应用，是一种常用的多变量分析方法。 

主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。

主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。

用SPSS做主成分分析时，因为软件只有因子分析，所以对求出来的因子系数矩阵要进行计算得到相应的主成分系数。具体步骤是用每一列的因子除以相对应的特征值的开方（在spss下的transform—compute

variable进行计算就可以）。

求出主成分系数后，乘以标准化后的原始数据（spss中的描述性统计分析就可以做到），得到的就是主成分矩阵。至于你问的综合主成分计算，是最后一步了，用主成分矩阵乘以相应方差贡献率就是综合主成分值了。

你可能是把主成分分析和因子分析混淆了，因为只有因子分析才涉及到因子得分系数矩阵，不过其实很多人都会混了，因为两种方法实在是太像了，主成分可能用SPSS计算相对麻烦，因子分析还好。不过具体问题具体分析。如果你会SAS那就方便多了，编程自己需要的程序，但是需要一定基础。

在 SPSS 中进行因子分析时，旋转后的成分矩阵可能出现空行。这通常意味着在数据处理过程中出现了问题，或者分析的结果没有达到预期。

出现空行的可能原因有：

缺失值处理：在数据中存在大量缺失值，导致某些变量在分析过程中被排除。请检查数据集，确保缺失值得到适当处理。

常量变量：如果某个变量的所有观察值都是相同的，那么这个变量在因子分析中没有意义，因为它不包含任何有效的信息。在进行因子分析之前，请检查数据集并移除常量变量。

数据预处理：在进行因子分析之前，需要对数据进行适当的预处理，包括中心化和标准化。这些操作可以确保各变量的比例一致，从而避免在因子分析过程中产生错误。请确保已对数据执行这些预处理操作。

提取的因子数量：在因子分析中，你需要选择提取的因子数量。选择的因子数量过多或过少都可能导致空行出现。通常，可以使用特征值大于1的准则或其他方法（如 scree plot）来选择合适数量的因子。如果提取的因子数量有问题，尝试调整并重新运行分析。

旋转方法：在因子分析中，可以选择不同的旋转方法，如 Varimax、Quartimax 或 Direct Oblimin。旋转方法的选择可能会影响结果。如果当前旋转方法导致空行，尝试更换其他旋转方法并重新运行分析。

如果遇到空行问题，建议检查数据质量、预处理步骤和分析参数。确保数据质量良好，并根据需要调整参数。

成分矩阵中的负数很大说明负相关。负值就是说明负相关，应取绝对值较大的所属因子。题主做的因子旋转是正交，正交不便于解释，可尝试斜交补救。至于题主的问题，可以先看看变量之间相关如何，再考虑命名。各个变量间相关都很高，析出三个因子就有待考虑。

在因子分析时只需要在“抽取”中将“基于特征值大于1”改为抽取你维度的个数。即可。

因子分析时，提取主成份是默认特征值大于1提取的。因为你的主成份（因子）特征值只有一个大于1，因此仅提取了一个主成份（因子），提取一个主成份（因子）旋转成份矩阵是无法旋转的。如果你问卷设置多个维度，你可以在抽取中将基于特征值大于1改为抽取你维度的个数。这样旋转成份就可以旋转了。不过这个对数据要求是比较高的，一般你收集的问卷，旋转成份矩阵后，很难得到你事先划分好的维度，他所得到的不一定符合你的预期。除非你问卷设计的非常好。