SPSS只能完成主成分分析的一部分环节，主成分得分等计算尚需结合其他工具(如Excel)来完成，这对SPSS用户来说，是极不方便的。
小兵建议大家直接采用R语言实现主成分分析，今天先送上一枚案例。
使用R语言自带USJudgeRatings法官综合素质评分数据，每位法官均有12项维度打分，我们觉得用12个指标评价一位法官过于复杂了，现在请对12个维度打分变量进行降维处理，造几个主成分来用于综合评价。
数据如下：
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
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
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。
更多R统计文章
R语言单一样本t检验案例实现 20个R语言小课堂视频教程送给你 R语言的正态密度曲线很美 R自带pairs函数矩阵散点图 car包spm函数矩阵散点图 用R语言pie函数做饼图 ggplot2统计图形：常见的4种箱线图 ggplot2统计图形：常见的4种直方图 按列索引按列名称删除指定的列数据 R语言Levene方差齐次检验 谁说菜鸟不会数据分析(R语言篇) table函数：分类数据的频数与频率统计 jiebaR包中文分词及词云制作 R语言带文字标签的散点图 如何获取R自带数据集与R包数据集说明文档？ 如何修改R数据框的列名称？ 二元正态分布及双变量相关分析简单案例演示 R语言相关系数、显著性检验及可视化的尝试 用散点图法判断变量之间是否存在线性关系 ggplot2统计图形：常见的4种散点图 R语言scale()函数实现数据标准化 用R语言做单因素方差分析及多重比较 用R语言自动智能化创建时间序列ARIMA模型
