A. 主成分分析只提取一個主成分可以嗎
主成分分析只提取一個主成分是不可以的。應保留多少個主成分要視具體情況，很難一概而論，最終還得依賴於主觀判斷。當取一個和二個主成分都可行時，取一個的優點是可以對各樣品進行綜合排序（如果這種排序是有實際意義的）。
如果只提取了一個主成分，可能是數據存在問題，也有可能是這些變數之間本身就存在很強的相關性，所以主成分分析只能提取一個主成分。
(1)主成分分析股票擴展閱讀：
主成分分析，是考察多個變數間相關性一種多元統計方法，研究如何通過少數幾個主成分來揭示多個變數間的內部結構，即從原始變數中導出少數幾個主成分，使它們盡可能多地保留原始變數的信息，且彼此間互不相關.通常數學上的處理就是將原來P個指標作線性組合，作為新的綜合指標。
最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。
如果第一主成分不足以代表原來P個指標的信息，再考慮選取F2即選第二個線性組合，為了有效地反映原來信息，F1已有的信息就不需要再出現在F2中，用數學語言表達就是要求Cov(F1, F2)=0，則稱F2為第二主成分，依此類推可以構造出第三、第四，……，第P個主成分。
B. 在主成分分析里，如何提取主成分
因子分析---選項中有一項是特徵根植大於1 或者說是指定主成分個數，默認是提取的特徵根植為1， 你改成 下面的指定主成分個數那一項就可以了 你想指定幾項都可以 不過要小於所有變數個數
Fp = a1i*ZX1 + a2i*ZX2 + …… + api*ZXp
其中a1i, a2i, ……,api(i=1,……,m)為X的協方差陣Σ的特徵值所對應的特徵向量，ZX1, ZX2, ……, ZXp是原始變數經過標准化處理的值，因為在實際應用中，往往存在指標的量綱不同，所以在計算之前須先消除量綱的影響，而將原始數據標准化，本文所採用的數據就存在量綱影響[註：本文指的數據標准化是指Z標准化。
A = (aij)p×m = (a1,a2,…am,)，
Rai = λiai，
R為相關系數矩陣，λi、ai是相應的特徵值和單位特徵向量, λ1 ≥ λ2 ≥ …≥ λp ≥ 0 。
進行主成分分析主要步驟如下：
1. 指標數據標准化（SPSS軟體自動執行）；
2. 指標之間的相關性判定；
3. 確定主成分個數m；
4. 主成分Fi表達式；
5. 主成分Fi命名；
主成分分析法的計算步驟
C. 主成分分析法（PCA）
3.2.2.1 技術原理
主成分分析方法（PCA）是常用的數據降維方法，應用於多變數大樣本的統計分析當中，大量的統計數據能夠提供豐富的信息，利於進行規律探索，但同時增加了其他非主要因素的干擾和問題分析的復雜性，增加了工作量，影響分析結果的精確程度，因此利用主成分分析的降維方法，對所收集的資料作全面的分析，減少分析指標的同時，盡量減少原指標包含信息的損失，把多個變數（指標）化為少數幾個可以反映原來多個變數的大部分信息的綜合指標。
主成分分析法的建立，假設xi1，xi2，…，xim是i個樣品的m個原有變數，是均值為零、標准差為1的標准化變數，概化為p個綜合指標F1，F2，…，Fp，則主成分可由原始變數線性表示：
地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例
計算主成分模型中的各個成分載荷。通過對主成分和成分載荷的數據處理產生主成分分析結論。
3.2.2.2 方法流程
1）首先對數據進行標准化，消除不同量綱對數據的影響，標准化可採用極值法
圖3.3 方法流程圖
2）根據標准化數據求出方差矩陣；
3）求出共變數矩陣的特徵根和特徵變數，根據特徵根，確定主成分；
4）結合專業知識和各主成分所蘊藏的信息給予恰當的解釋，並充分運用其來判斷樣品的特性。
3.2.2.3 適用范圍
主成分分析不能作為一個模型來描述，它只是通常的變數變換，主成分分析中主成分的個數和變數個數p相同，是將主成分表示為原始變數的線性組合，它是將一組具有相關關系的變數變換為一組互不相關的變數。適用於對具有相關性的多指標進行降維，尋求主要影響因素的統計問題。
D. 請問做完主成分分析後怎麼看各個波段的成分以及特徵值貢獻率
做完分析後會有貢獻率的文檔，打開一看就知道每個主成分對應各個波段的貢獻率是多少了。
主成分不是用來分析相關性的，要分析提取主成分後再進行相關分析。
total就是特徵值，%0f variance 方差貢獻率，Cumulative累積方差貢獻率
E. 什麼是主成分分析主成分分析的步驟有哪些
主成分分析是指通過將一組可能存在相關性的變數轉換城一組線性不相關的變數，轉換後的這組變數叫主成分。
主成分分析步驟：1、對原始數據標准化，2、計算相關系數，3、計算特徵，4、確定主成分，5、合成主成分。
主成分分析的原理是設法將原來變數重新組合成一組新的相互無關的幾個綜合變數，同時根據實際需要從中可以取出幾個較少的總和變數盡可能多地反映原來變數的信息的統計方法叫做主成分分析或稱主分量分析，也是數學上處理降維的一種方法。
(5)主成分分析股票擴展閱讀
主成分分析的主要作用
1．主成分分析能降低所研究的數據空間的維數。
2．有時可通過因子負荷aij的結論，弄清X變數間的某些關系。
3．多維數據的一種圖形表示方法。
4．由主成分分析法構造回歸模型。即把各主成分作為新自變數代替原來自變數x做回歸分析。
5．用主成分分析篩選回歸變數。
最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Va（rF1）越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。
F. 如何分析我國股票市場的影響因素，通過因子分析或主成分分析方法構建一個我國股票市場的預警指數
不容易呀！想法不錯，期待高人。
G. 什麼是主成分分析方法
主成分分析也稱主分量分析，旨在利用降維的思想，把多指標轉化為少數幾個綜合指標。 在統計學中，主成分分析（principal components analysis,PCA）是一種簡化數據集的技術。它是一個線性變換。這個變換把數據變換到一個新的坐標系統中，使得任何數據投影的第一大方差在第一個坐標(稱為第一主成分)上，第二大方差在第二個坐標(第二主成分)上，依次類推。主成分分析經常用減少數據集的維數，同時保持數據集的對方差貢獻最大的特徵.這是通過保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠保留住數據的最重要方面.但是，這也不是一定的，要視具體應用而定.
H. 主成分分析詳解
一、主成分分析
1、簡介
在用統計分析方法研究這個多變數的課題時，變數個數太多就會增加課題的復雜性。人們自然希望變數個數較少而得到的信息較多。在很多情形，變數之間是有一定的相關關系的，當兩個變數之間有一定相關關系時，可以解釋為這兩個變數反映此課題的信息有一定的重疊。主成分分析是對於原先提出的所有變數，建立盡可能少的新變數，使得這些新變數是兩兩不相關的，而且這些新變數在反映課題的信息方面盡可能保持原有的信息。
2、原理
設法將原來變數重新組合成一組新的互相無關的幾個綜合變數，同時根據實際需要從中可以取出幾個較少的綜合變數盡可能多地反映原來變數的信息的統計方法叫做主成分分析或稱主分量分析，也是數學上處理降維的一種方法。
二、主成分分析的基本思想及步驟
1、基本思想
主成分分析是設法將原來眾多具有一定相關性（比如P個指標），重新組合成一組新的互相無關的綜合指標來代替原來的指標。通常數學上的處理就是將原來P個指標作線性組合，作為新的綜合指標。最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。如果第一主成分不足以代表原來P個指標的信息，再考慮選取F2即選第二個線性組合，為了有效地反映原來信息，F1已有的信息就不需要再出現在F2中，用數學語言表達就是要求Cov(F1, F2)=0，則稱F2為第二主成分，依此類推可以構造出第三、第四，……，第P個主成分。
2、步驟
Fp=a1iZX1+a2iZX2+……+apiZXp 其中a1i, a2i, ……,api(i=1,……,m)為X的協方差陣Σ的特徵值所對應的特徵向量，ZX1, ZX2, ……, ZXp是原始變數經過標准化處理的值，因為在實際應用中，往往存在指標的量綱不同，所以在計算之前須先消除量綱的影響，而將原始數據標准化，本文所採用的數據就存在量綱影響[註：本文指的數據標准化是指Z標准化]。 A=(aij)p×m=(a1,a2,…am,)，Rai=λiai，R為相關系數矩陣，λi、ai是相應的特徵值和單位特徵向量,λ1≥λ2≥…≥λp≥0 。 進行主成分分析主要步驟如下： 1. 指標數據標准化（SPSS軟體自動執行）； 2. 指標之間的相關性判定； 3. 確定主成分個數m； 4. 主成分Fi表達式； 5. 主成分Fi命名；