我目前已经计算了调查应答者之间的成对相关性，并将其存储在一个数据框中。它的样子如下：
person_1 person_2 person_3 person_1. 0 1.5 1.8 person_2. 1.5 0 2.2 person_3. 1.8 2.2. 0现在我想运行PCA分析来找出每个响应的载荷。我有两个问题：
- 我应该使用哪个函数直接使用相关矩阵计算主成分？
- 顺便提一下。我想然后对每个应答者的载荷进行回归，基于原始数据框中的人员调查评分。有什么方法可以将“score”列合并回函数中来运行回归吗？或者有其他方法来进行回归/预测吗？
原始数据框是一个文本数据框，看起来像这样。我然后运行句子之间的词移动距离来得出相关矩阵。
text. scoreperson_1. I like working at Apple 2person_2 the culture is great -2person_3. pandemic hits 5谢谢！
回答：
由于你有一个矩阵，有时R语言中用于PCA的大多数已知算法在容忍度上会有问题，因此会返回错误。我建议使用eigen()函数，它复制了PCA的本质。以下是代码：
#Data#Matrixmm <- structure(c(0, 1.5, 1.8, 1.5, 0, 2.2, 1.8, 2.2, 0), .Dim = c(3L, 3L), .Dimnames = list(c("person_1", "person_2", "person_3"), c("person_1", "person_2", "person_3")))#Scoresdf1 <- structure(list(text. = c("I like working at Apple", "the culture is great", "pandemic hits"), score = c(2L, -2L, 5L)), row.names = c(NA, -3L), class = "data.frame")PCA的代码如下：
#PCAmyPCA <- eigen(mm)#Squares of sd computed by princompmyPCA$values输出：
[1] 3.681925 -1.437762 -2.244163为了获取载荷，我们使用这个：
#LoadingsmyPCA$vectors输出：
[,1] [,2] [,3][1,] -0.5360029 0.8195308 -0.2026578[2,] -0.5831254 -0.5329938 -0.6130925[3,] -0.6104635 -0.2104444 0.7635754利用前面的输出，我们创建一个用于回归的数据框：
#Format loadings Vectors <- data.frame(myPCA$vectors)names(Vectors) <- colnames(mm)#Prepare to regression#Create datamydf <- cbind(df1[,c('score'),drop=F],Vectors)输出：
score person_1 person_2 person_31 2 -0.5360029 0.8195308 -0.20265782 -2 -0.5831254 -0.5329938 -0.61309253 5 -0.6104635 -0.2104444 0.7635754最后，回归的代码如下：
#Build modelslm(score~person_1,data=mydf)lm(score~person_2,data=mydf)lm(score~person_3,data=mydf)最后的模型可以保存到新对象中，如果你想的话。一个例子是：
m1 <- lm(score~person_1,data=mydf)summary(m1)输出：
Call:lm(formula = score ~ person_1, data = mydf)Residuals: 1 2 3 1.411 -3.842 2.431 Coefficients: Estimate Std. Error t value Pr(>|t|)(Intercept) -13.66 51.60 -0.265 0.835person_1 -26.58 89.37 -0.297 0.816Residual standard error: 4.76 on 1 degrees of freedomMultiple R-squared: 0.08127, Adjusted R-squared: -0.8375 F-statistic: 0.08846 on 1 and 1 DF, p-value: 0.816