1樓：陳曦
傳統主成分分析PCA中，要求所有自變數都符合連續性。定序變數，例如李克特量表，你在一定意義上也可以認為是連續性。
如果實在嚴格要求自己，覺得定序變數不能這麼做；並且你的資料中存在分類變數，可以使用分類主成分分析（catPCA）來進行，比較簡單易懂，並且在SPSS內就可以完成。如果需要學習更高層次的，其他軟體的降維，那還可以使用專案反應理論IRT或者一些其他的方法來做。
2樓：劉一刀
這個理論上不建議的
並且還有這個界定，你的分類變數分幾類？
比如你分類變數就分01，那麼這個資料本來就是不適合做因子分析的，你可以把他們當做啞變數單獨處理
如果分很多類呢？比如你分了五類，然後你有很多分類變數，從資料上來講，你的連續性變數和分類變數應該資料不同型別或者方面的資料，然後主成分就是物以類聚人以群分嘛，所以你放一起聚類也是可以的
如果你的連續性變數和分類變數如果屬於不同資料型別，比如連續性變數是自變數，分類變數是因變數，那一般是要分開做因子分析的
PCA（主成分分析）和EOF（經驗正交函式分解）有什麼區別？
tina 我理解的PCA和EOF都是一回事，EOF本身就是多元統計分析中的主分量分析PCA在氣象場序列中的應用，多元正態變數X x1,x2,x3,xp 可理解為空間上網格點資料序列，也可理解為任何一組具有不同物理意義的多元正態變數。EOF著重是分解，對於任一網格點的原序列而言，X LY將氣象場要素X...
如何通俗易懂地講解什麼是 PCA 主成分分析？
白瞳西伯利亞騎士 橫看成嶺側成峰，遠近高低各不同。樣本的差異資訊分散在各個維度上，旋轉一下角度，原來分散的樣本資訊集中到了少數新維度上，捨棄其他維度，資訊損失很少，達到降維的目的。樣本差異資訊就是方差，新的維度就是主成分，是舊維度的線性組合。有多少個舊維度就能構建多少個新維度，彼此不相干，叫作正交。...
主成分分析PCA演算法 為什麼要對資料矩陣進行均值化？
我叫平沢唯 只有居中，才能使均方誤差最小 以下來自位維基百科 多維資料處理之主成分分析 PCA 我叫平沢唯 部落格園 劉理理 PCA可以從SVD演變過來，SVD其實就是在單位圓上找乙個向量，讓資料X在其上的投影的長度平方和最大化，非中心化時中心偏移了 0,0 這時候也可以找那個最大化投影，但不能準確...