主成分

主成分是基于试图解释在一组特定的变量方差的最大电平，并定向为在相关矩阵的对角元素。 还有另一种方法，基于因子分析，旨在执行使用特定数量的因素（小于变量的预定数量）的相关矩阵的近似，但通过所述方法逼近大大从第一提出的方法不同。

因此，因子分析的方法可以解释变量本身，以及面向上的相关矩阵型的外她对角元素之间的相关性。

根据实际使用，试着去了解一个特定的方法的应用的必要性。 因子分析 是用来当有感兴趣的研究人员在研究变量之间的关系，主成分分析时使用需要降低数据维度，并在较小程度上需要他们的解释。

根据我们的经验，我们可以看到，使用足够大的若干意见因子分析的方法。 这个量应该是数量级比的确定因素的数量高出一个数量级。

主成分是在市场研究非常流行，因为它可以在多重源数据的存在下使用。 在市场调查问卷的过程中包含类似的问题，而他们的答案，并会遵守多重的原则。

主成分最好考虑一组指标必须是研究者引导部件或因子的预选择。 最重要的这些表达变量的分散程度这一因素解释的特征值。 有拇指的一个重要的规则，这是用于估计的因素的数量是非常有用的（因素应该是只要有特征值超过一个）。 这条规则可以解释稍微容易一些 - 特征值表达正常化变量变化解释的因素中所占的份额，并且在超过其单位就应该表达含有多个变量那些分散的情况。

有必要再次强调“个体特征值”的规则澄清 - 经验，以及需要为它的使用只能由研究者决定。 例如，特征值具有小于1的值，但由于传播，变量之间分配。 技术人员在营销领域是非常重要的分割确定因素是实质性的意义。 而这些因素，包含特征值不止一个，但没有一个有意义的解释，他们没有考虑到。 它可能是一种情况正好相反。

旋转的问题 - 有关的因子分析方法的实际应用的另一个重要问题。 可以考虑这样的选择转动。 最流行的人 - 最大方差法。 它是基于变量分散对每一个人因素的最高水平。 该方法有助于找到一个旋转，其中有些变量是高值，而另一些 - 足够低到每一个人的因素。

旋转的另一种方法 - kvartimaks，它有助于找到一定的旋转，其中每个单独的可变因素有低和高负载。

ekvimaks旋转法是上面讨论的两种方法之间的折衷。

所有这些方法是正交的相互垂直的轴，在其使用可以被追踪的个别因素之间没有相关性。