『壹』 主成分分析的指标选择
指标太多了，也可能是存在共线性的变量导致的。我用的stata
还是先给原始数据做一下相关性分析，删一些高度相关的变量，避免共线性。
然后给变量标准化后做主成分分析，这一步spss自动就标准化了，如果也是stata的话要记得标准化。我自己这边试的结果是变量多于15类就算不出KMO了，控制在10个左右KMO能算出来，不过最好才0.6，最差0.4了都。。
没办法我的数据太少了，我做的是关于贪官的，数据少很坑……你经济类的应该能到0.7，加油额
『贰』 主成分分析法怎么知道哪个指标对样本的影响比较大
matlab使用主成分分析的话，主要考虑特征值占比近85的几个特征值，它们对应的也就是前几列得分系数
『叁』 主成分分析法和因子分析法哪个用起来简单
两个方法基本相同，只是因子分析是在主成分基础上，多出一步旋转步骤，为了让提取的成分更容易命名。两种方法都可以在网页版spssau中使用，配合智能文字建议和帮助手册可以能快理解。
如果说研究目的完全在于信息浓缩，并且找出因子与分析项对应关系，建议用因子分析。主成分分析更多用于权重计算，以及综合得分计算。
因子分析-SPSSAU
主成分分析-SPSSAU
『肆』 主成分分析法怎么指标数据筛选方法
人为划分等级，归一化处理，检验合理性，确定主要因素。
『伍』 主成分分析法的高手请进。
先看看你的前三个主成分累积贡献率有多少，只要贡献率够大就可以删去。事实上选取多少个主成分都是人为定的，只要包括尽可能多的信息并且满足题目的误差要求的就可以了。
『陆』 主成分分析法（PCA）
3.2.2.1 技术原理
主成分分析方法（PCA）是常用的数据降维方法，应用于多变量大样本的统计分析当中，大量的统计数据能够提供丰富的信息，利于进行规律探索，但同时增加了其他非主要因素的干扰和问题分析的复杂性，增加了工作量，影响分析结果的精确程度，因此利用主成分分析的降维方法，对所收集的资料作全面的分析，减少分析指标的同时，尽量减少原指标包含信息的损失，把多个变量（指标）化为少数几个可以反映原来多个变量的大部分信息的综合指标。
主成分分析法的建立，假设xi1，xi2，…，xim是i个样品的m个原有变量，是均值为零、标准差为1的标准化变量，概化为p个综合指标F1，F2，…，Fp，则主成分可由原始变量线性表示：
地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例
计算主成分模型中的各个成分载荷。通过对主成分和成分载荷的数据处理产生主成分分析结论。
3.2.2.2 方法流程
1）首先对数据进行标准化，消除不同量纲对数据的影响，标准化可采用极值法
图3.3 方法流程图
2）根据标准化数据求出方差矩阵；
3）求出共变量矩阵的特征根和特征变量，根据特征根，确定主成分；
4）结合专业知识和各主成分所蕴藏的信息给予恰当的解释，并充分运用其来判断样品的特性。
3.2.2.3 适用范围
主成分分析不能作为一个模型来描述，它只是通常的变量变换，主成分分析中主成分的个数和变量个数p相同，是将主成分表示为原始变量的线性组合，它是将一组具有相关关系的变量变换为一组互不相关的变量。适用于对具有相关性的多指标进行降维，寻求主要影响因素的统计问题。
『柒』 计算一个时点一个地区的指标权重，那种方法好熵值法还是主成分分析法
你想要的是确定权重的方法。可以推荐你去知网上下载一些综合评价方面的书籍。
1、郭亚军提出的g1法可以确定指标权重，而且排除了ahp方法中还需要确定一致性的劣势
2、群决策理论亦可以应用到确定指标权重中去。即有群的ahp分析法。
3、还有组合评价，即多种方法确定权重的集结结果。
推荐你cnki上以关键字搜索 综合评价；权重确定等关键词进行检索