研究背景
某班 15 名学生的语文、英语、数学、物理、化学五科成绩。研究者怀疑五个科目背后由少数几个共同能力因子驱动（例如"语言能力"与"数理能力"），希望用主成分分析把五维成绩压缩为更少的综合成分，同时尽量保留原始信息。
研究问题
五科成绩能否用少数几个主成分概括？每个主成分解释多少方差，又代表什么能力维度？
数据说明
15 名学生 × 5 科成绩，每行为一名学生、每列为一个科目。PCA 基于相关矩阵提取主成分，给出各成分特征值、解释方差比例、累计比例与载荷矩阵，并按 Kaiser 准则（λ>1）和累计阈值建议保留成分数。
示例数据
语文,英语,数学,物理,化学 82,78,65,88,70 90,85,60,92,68 75,80,85,72,88 88,82,70,90,72 70,75,90,68,92 95,90,55,95,60 68,72,88,65,90 85,88,62,85,66 78,74,92,76,95 92,88,58,94,62 72,76,87,70,85 80,84,68,82,74 65,70,94,62,96 87,83,64,89,69 76,79,82,74,84
分析步骤
步骤 1：标准化并计算相关矩阵
PCA 基于相关矩阵（各变量先标准化为均值 0、标准差 1），避免量纲不同带来的偏倚。五科成绩同为百分制，标准化后仍保证各变量权重相等。
步骤 2：看特征值与碎石图确定成分数
特征值表示每个主成分解释的方差量。Kaiser 准则保留 λ>1 的成分，同时结合累计解释方差（常取 70%-80%）和碎石图拐点决定保留几个主成分。
步骤 3：解读载荷矩阵
载荷是原始变量与主成分的相关，绝对值越大表示该变量对该成分贡献越大。通过载荷的正负与大小给主成分命名（如"数理能力"vs"语言能力"）。
结果解读
结论
第一个主成分特征值 λ=4.713，解释 94.26% 的总方差，其余四个成分特征值均小于 1（0.158、0.114、0.010、0.005）。按 Kaiser 准则（λ>1）和累计阈值（80%）均建议保留 1 个主成分。PC1 载荷：语文 -0.973、英语 -0.945、物理 -0.974 为负，数学 +0.982、化学 +0.980 为正，符号相反表明 PC1 刻画的是"语言类科目 vs 数理类科目"的对比维度。
为什么这样解读？
一个主成分就概括了五科成绩的绝大部分变异，说明这五科高度相关、可用一个综合维度近似。载荷的正负号进一步揭示了内部结构：文科类与理科类科目呈反向关系，这正是"能力取向分化"的信号。降维后既简化了后续分析，又保留了主要信息。
如何在论文中报告
对 15 名学生的五科成绩进行主成分分析（基于相关矩阵，α 不适用）。首个主成分特征值 λ=4.71，解释总方差的 94.26%，按 Kaiser 准则（λ>1）保留 1 个成分即可。PC1 上语文（-0.97）、英语（-0.95）、物理（-0.97）载荷为负，数学（0.98）、化学（0.98）为正，提示该成分反映语言类与数理类科目的对比。
常见错误
不做标准化直接用协方差矩阵
当变量量纲或数量级差异较大时，方差大的变量会主导主成分。基于相关矩阵（即先标准化）可让各变量权重相等，本例五科同量纲，但标准化仍是稳妥默认。
机械按 λ>1 保留成分而不看实际含义
Kaiser 准则只是参考，应结合碎石图拐点、累计方差比例和成分的可解释性综合判断。若为解释结构，保留能清晰命名的成分比死守 λ>1 更重要。
把主成分载荷当作因果或原始变量
主成分只是原始变量的线性组合，用于降维与结构探索，不代表因果机制，也不能直接当作测量目标本身。解读时应基于载荷大小与符号给成分命名，而非过度推断。