首先打开spss软件，在菜单栏"文件"中导入相关数据文件
导入的数据如下所示：
我们先对数据进行标准化处理，在菜单栏中点击"分析"，选中"描述统计"，点击"描述"，将需要进行标准化处理的数据选入右侧框中，勾选下方复选框，点击确定，得到标准化处理后的数据：
接下来对数据进行主成分分析。
我们按照上图选中“因子”，弹出对话框，将需要进行主成分分析的标准化处理后的数据导入右侧框中：
先点击“描述”按钮，弹出的对话框中选中需要显示的对主成分分析的描述信息，一般情况下选中以下描述信息即可。
之后我们再点击“提取”按钮，弹出的对话框中，“方法”选中“主成分”，“分析”既可以选中“相关性矩阵”也可以选中“协方差矩阵”，“提取”的方法有两种，一种基于特征值提取，该方法事先我们并不确定需要将数据降维成几维的，而是让spss自己通过我们预设的特征值判断，使得特征值大于1(默认情况)的成分为主成分而得以保留；另外一种方法是因子的固定数目，该方法需要我们提前设定好降维至低维的维数，一旦设定好spss就通过我们设定的值取主成分。
至于“旋转”按钮，如果不需要进行因子分析就无需点开。
下面我们点击“得分”按钮，勾选相应复选框，得到各成分的评价指标。
最后点击“选项”按钮，在缺失值处理中，一般情况下都是将缺失值替换为平均值，如果数据中不含有缺失值，那么该选项可以忽略掉。点击“因子分析”对话框下方的确定按钮，在输出文档中可以查看主成分分析的最终结果。
上图显示出4个变量的平均值、标准偏差，以及样本数和缺失样本数。由于数据已经通过标准化处理，所以数据的平均值均为0，标准偏差为1。
在相关性矩阵中，我们可以看到任意两个变量之间的相关性和显著性，相关性大于0为正相关，小于0为负相关，为1则表示存在严格的线性关系，显然任意变量相对自身而言相关性必定等于1。
KMO（Kaiser-Meyer-Olkin)检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。主要应用于多元统计的因子分析。KMO统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值越接近于1，意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。
显著性，也叫做Significance(简写为Sig)，一般我们认为KMO值大于0.5，显著性(也称为P值)小于0.05时，各变量才有意义做主成分分析。上图显示KMO的值等于0.536，P等于0，显然满足条件，适合做主成分分析
在总方差解释中，只有第一主成分的特征值为2.911大于1，方差百分比为72.77%，剩余成分的特征值均小于1，前两个主成分方差累计占到95.801%，显然包含了数据中的绝大多数信息。(在统计学中，方差百分比即为贡献率，即有用信息占总信息量的比例)
碎石图显示出各个成分的特征值以及特征值的递减趋势。除此之外，还得到成分矩阵、成分得分系数矩阵和成分得分协方差矩阵。
以上三个矩阵还有待研究，望高人指点迷津！
