主成分

主成分是基於試圖解釋在一組特定的變量方差的最大電平，並定向為在相關矩陣的對角元素。 還有另一種方法，基於因子分析，旨在執行使用特定數量的因素（小於變量的預定數量）的相關矩陣的近似，但通過所述方法逼近大大從第一提出的方法不同。

因此，因子分析的方法可以解釋變量本身，以及面向上的相關矩陣型的外她對角元素之間的相關性。

根據實際使用，試著去了解一個特定的方法的應用的必要性。 因子分析 是用來當有感興趣的研究人員在研究變量之間的關係，主成分分析時使用需要降低數據維度，並在較小程度上需要他們的解釋。

根據我們的經驗，我們可以看到，使用足夠大的若干意見因子分析的方法。 這個量應該是數量級比的確定因素的數量高出一個數量級。

主成分是在市場研究非常流行，因為它可以在多重源數據的存在下使用。 在市場調查問卷的過程中包含類似的問題，而他們的答案，並會遵守多重的原則。

主成分最好考慮一組指標必須是研究者引導部件或因子的預選擇。 最重要的這些表達變量的分散程度這一因素解釋的特徵值。 有拇指的一個重要的規則，這是用於估計的因素的數量是非常有用的（因素應該是只要有特徵值超過一個）。 這條規則可以解釋稍微容易一些 - 特徵值表達正常化變量變化解釋的因素中所佔的份額，並且在超過其單位就應該表達含有多個變量那些分散的情況。

有必要再次強調“個體特徵值”的規則澄清 - 經驗，以及需要為它的使用只能由研究者決定。 例如，特徵值具有小於1的值，但由於傳播，變量之間分配。 技術人員在營銷領域是非常重要的分割確定因素是實質性的意義。 而這些因素，包含特徵值不止一個，但沒有一個有意義的解釋，他們沒有考慮到。 它可能是一種情況正好相反。

旋轉的問題 - 有關的因子分析方法的實際應用的另一個重要問題。 可以考慮這樣的選擇轉動。 最流行的人 - 最大方差法。 它是基於變量分散對每一個人因素的最高水平。 該方法有助於找到一個旋轉，其中有些變量是高值，而另一些 - 足夠低到每一個人的因素。

旋轉的另一種方法 - kvartimaks，它有助於找到一定的旋轉，其中每個單獨的可變因素有低和高負載。

ekvimaks旋轉法是上面討論的兩種方法之間的折衷。

所有這些方法是正交的相互垂直的軸，在其使用可以被追踪的個別因素之間沒有相關性。