主成分分析用相关系数矩阵和协方差矩阵有什么区别？

在统计学与概率论中，相关矩阵与协方差矩阵，互相关矩阵与互协方差矩阵可以通过计算随机向量（自相关或自协方差时为x，互相关或互协方差时为x,y）其第 i 个与第 j 个随机向量（即随机变量构成的向量）之间的自、互相关系数以及自、互协方差来计算。这是从标量随机变量到高维度随机向量的自然推广。

相关矩阵：也叫相关系数矩阵，其是由矩阵各列间的相关系数构成的。也就是说，相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。

协方差矩阵：在统计学与概率论中，协方差矩阵的每个元素是各个向量元素之间的协方差，是从标量随机变量到高维度随机向量的自然推广。

相关系数矩阵和协方差矩阵主要用于描述矩阵各行，列向量之间的相关程度。

最大方差旋转只是其中的一种旋转方法，因为该方法旋转后的结果很清楚，所以一般默认选择都是这种方法 至于做主成分分析，是需要看原始数据情况的，如果原始数据变量就很少，不超过三五个这样的，就没必要做主成分分析。

扩展资料：

SPSS之方差分析总结

1，从自变量和因变量的数目上看，如果只有一个自变量和一个因变量，那我们采用“单因素方差分析”；如果有多个自变量和一个因变量，那我们采用“多因素方差分析”；如果有一个自变量和多个因变量，采用“单因素多元方差分析”；如果有多个自变量和多个因变量，则采用“多因素多元方差分析”。

2，其中，“单因素多元方差分析”和“多因素多元方差分析”统称为“多元方差分析，在SPSS上的实现步骤完全一致。

3，另外，对于“协方差分析”法，大家可以将其理解为“控制变量法”，即控制一个因素不变，研究其他因素对试验结果的影响。其中，需要控制的变量就是“协方差分析”中的协变量。而“重复测量方差分析”和字面意义一样，当我们需要对观测结果进行多次取值时，该方法即是最好的选择。

4，从数据结构方面来看，细心的朋友可能已经从前面的几章中发现，方差分析的数据都要求“数值型”，变量类型可以为“分类变量”，也可为数值变量。之所以补充此处，是因为在SPSS软件中，如果不事先设置好相关数据结构，可能在SPSS操作时你会发现有些按钮是灰色的，点不了。

SPSS的因子分析过程本身只自带了计算各因子得分的功能

Analyze——Data Reduction——Factor analyze

放入变量之后，其中有一项scores选项菜单，选上。

SPSS会在数据窗口中生成FAC1_1 之类的新数据。