SPSS完不成主成分分析，那就换R语言实现全过程吧

加载包：library(psych)

画出含平行分析的碎石图：

fa.parallel(USJudgeRatings, fa = "pc", n.iter = 100, show.legend = TRUE, main = "Scree plot with parallel analysis")

此图告诉我们似乎是提取1个主成分。判断主成分个数的经验和方法不只是这一个，我觉得只提取1个主成分的话有些偏执，可以考虑多提1个，共提取2个主成分进行考察。

接下来开始主成分分析，暂不旋转：

USJ.pc<-principal(USJudgeRatings,nfactors=2,rotate = "none")

提取到两个主成分PC1、PC2，特征值分别为10.13、1.10，均大于1，以特征值为参考的话，提取前2个主成分尚可。方差贡献比例分别为84%、9%，累积方差贡献比例94%，一般认为大于80%，即可认为主成分有较大代表性。 从累积方差贡献，特征值的表现来看，提取2个主成分没问题。 12个指标和PC1、PC2交叉的数字即为载荷，从载荷的分布来看，可以比较轻松的划分各指标与主成分的归属，比如PC2在指标"CONT"上的载荷明显大于其他，所以"CONT"是PC2的主要代表变量，而其他变量在PC1的载荷均较大，所以PC1是一个一般性的综合成分。鉴于此，不做旋转处理是可以的，不影响对主成分核心含义的提炼。 和SPSS主成分的结果对比一下，主成分特征值、方差贡献比例完全一致。

再对比一下SPSS输出的载荷矩阵，也是一致。

如果觉得我表述不清的话，那我们绘制指标变量与主成分载荷图，直观看一下效果。

fa.diagram(USJ.pc,simple=TRUE)

效果很直观，就不用文字多说了。 执行到此处，我们已经确认12个维度指标变量，提取前2个成分作为主成分是可以的。

接下来，我们需要计算每个主成分的得分了。

USJ.spc<-principal(USJudgeRatings,nfactors=2,rotate = "none",scores = TRUE)

head(USJ.spc$scores)

对主成分得分变量的使用，通常是直接用于从高到底排序，排名靠前的法官则在该主成分维度上表现突出。或者综合2个主成分得分变量，构造一个综合得分进行评价。

End.作者：数据小兵来源：博客本文均已和作者授权，如转载请与作者联系。