- 1，案例
数据集为R语言自数据集USJudgeRatings包含了律师对美国高等法院法官的分。数据框包含43个观测，12个变量。在《R语言实战》这本书里也有介绍，但是我的分享要更详尽。
我们的目标是简化数据，尽量用较少的变量来总结这12个变量评估的信息！
（1）如果可以，需要多少个变量？主成分分析解释。
（2）如何对它们进行定义？联系业务解释验证。
- 2，主成分分析准备
解读：需要加载Hmisc包，首次需要安install.packages(“Hmisc”) 。数据集包含12个变量，43个观测记录。数值型CONT变量是0个缺失值，24个唯一值，均值、各个主要分位数，5个最小值及5个最大值，其他变量类似。因为数据集比较规范，不用做数据处理（缺失值处理，数据标准化等），可以直接进行主成分分析。
- 3，主成分分析操作-判断主成分分个数
fa=“pc”: 主成分分析（PCA）;n.iter=100：数据模拟100次；legend：图例；
可以看到：主成分个数为1。
基于特征值的碎石图检验（折线-山上滚落的石块，重量越大，滚落的坡度月陡峭）；根据100次数据模拟的平行分析导出的特征值均值（红色虚线）；大于1的特征值准则（y=1的水平黑色线）
- 4，主成分分析操作-提取主成分以及获取主成分得分
得出：PC1=ORAL+WRIT+RTEN+PREP+FAMI+DILG+CFMG+DECI+0.9*INTG+0.9*DMNR+PHYS
- 5，主成分分析操作-后记
因为案例选取的原因，关于主成分分析的操作，有遗漏的地方，下面予以补充：
principal(数据集，nfactor= ,rotate= ,scores= ,)
rotate：指定旋转的方法,默认最大方差旋转（varimax）。使得成分载荷更容易理解。因为他尽可能对成分进行清晰呈现（去噪） ；
主成分分析隶属于因子分析，因子分析是需要旋转的；所以现在很多文献都是进行旋转分析，其实主成分分析初步分析是不旋转的，深入分析才需要旋转。
scores：设定是否需要计算主成分得分（主要用于排序）
综合得分= ∑（各得分*所在主成分的方差贡献率）
发现：主成分分析除了分类的作用外，还有排名的作用。
