标准化主成分回归方换算为一般多元线性回归

成分矩阵各列除以相应的特征值可以得出特征向量，将特征向量对应乘以原始数据的变量，就可以得到目标变量。再用目标变量重新做回归，一定不能直接将系数乘以特征向量，因为扰动项已经变了。

如果不懂，hi我

所谓主成分回归的意思是先把众多的自变量指标进行主成分分析，然后用提取出来的几个主成分作为自变量进行多元线性回归，主要是解决自变量之间共线性的问题

所谓主成分回归还是多元线性回归而已

降低共线性和维度，提高回归模型的稳定性和解释能力。

1、通过对原始变量进行主成分分析，将高度相关的变量合并为几个不相关的主成分，从而解决了多重共线性的问题。

2、通过减少变量数量，降低了模型的维度，使得模型更简单和易于解释。

主成分分析和回归分析是两个不同的概念。

前者在数学上称为'降维'，即把原来的多个变量换成较少的变量来研究，而较少变量是原来变量的线性组合，模型是否显著应该是看相关系数矩阵特征值的累计贡献率（不低于85%）考虑的；线性回归则是研究某个变量与其他几个变量是否存在线性关系，如研究CPI与商品的关系，通常可用于预测。

做多元线性回归分析的时候，有可能存在多重共线性的情况，为了消除多重共线性对回归模型的影响，通常可以采用主成分回归和偏最小二乘法来提高估计量的稳定性。主成分回归是对数据做一个正交旋转变换，变换后的变量都是正交的。（有时候为了去除量纲的影响，会先做中心化处理）。偏最小二乘回归相当于包含了主成分分析、典型相关分析的思想，分别从自变量与因变量中提取成分T,U（偏最小二乘因子），保证T,U能尽可能多的提取所在变量组的变异信息，同时还得保证两者之间的相关性最大。偏最小二乘回归较主成分回归的优点在于，偏最小二乘回归可以较好的解决样本个数少于变量个数的问题，并且除了考虑自变量矩阵外，还考虑了响应矩阵。

在主成分回归中对主成分的约束原则是正交变换。主成分回归就是把去除常数项的设计矩阵做了一个正交变换，也就是说新的自变量就是原来自变量的线性组合。是对普通最小二乘法估计的一种改进，其参数有偏估计。

是的，主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p

个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。既然这样，你需要用主成分回归分析解决回归模型中复共线性问题。这情况下也可以猜ReCPI和分支预测行分支预测是x86指令集的程序中大概有15%～20%的指令是分支架构分支预测器能够预测直接和间接的跳转分支和条件分支也不合理，再次主成分线性回归模型