PCA (analiza głównych składowych)

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza PCA (analiza głównych składowych)?

PCA przekształca zestaw skorelowanych zmiennych w uporządkowane, wzajemnie ortogonalne składowe będące liniowymi kombinacjami zmiennych wejściowych; pierwsza składowa wyjaśnia możliwie największą część całkowitej wariancji.

Zastosowanie, warunki i dobre praktyki

PCA tworzy nieskorelowane kombinacje liniowe uporządkowane według części całkowitej wariancji danych, którą odtwarzają. Składowe zależą od skalowania, dlatego użycie macierzy korelacji jest zwykle właściwe, gdy zmienne mają różne jednostki. Liczbę składowych warto wybierać przez analizę równoległą i walidację, a nie wyłącznie regułę wartości własnej większej od 1.

Najważniejsze zastosowanie: Stosuj do redukcji wymiaru, wizualizacji, konstrukcji syntetycznych cech i ograniczania współliniowości, gdy celem nie jest modelowanie wspólnej przyczyny ani błędu pomiaru.

Jak to się oblicza i co oznaczają symbole?

PC₁ = a₁₁z₁ + a₁₂z₂ + … + a₁pzₚ

z₁,…,zₚ są zwykle standaryzowanymi zmiennymi wejściowymi, a a₁₁,…,a₁p współczynnikami pierwszego wektora własnego macierzy korelacji. Wagi dobiera się tak, aby pierwsza składowa miała największą możliwą wariancję przy ograniczeniu długości wektora; kolejne składowe maksymalizują pozostałą wariancję i są ortogonalne do wcześniejszych. Składowa jest kombinacją obserwowanych zmiennych, a nie automatycznie czynnikiem latentnym.

Jak poprawnie stosować i interpretować hasło „PCA (analiza głównych składowych)”?

Przy ocenie pojęcia „PCA (analiza głównych składowych)” trzeba odróżnić redukcję danych od modelowania wspólnych przyczyn odpowiedzi. W analizie dotyczącej hasła „PCA (analiza głównych składowych)” następnie ustala się skalę wskaźników, macierz poddaną analizie, metodę ekstrakcji, sposób wyboru liczby wymiarów i rotację. Dla interpretacji hasła „PCA (analiza głównych składowych)” interpretacja powinna wynikać z całego wzorca ładunków oraz treści pozycji, a nie tylko z najwyższej liczby w każdym wierszu.

Ocena pojęcia „PCA (analiza głównych składowych)” obejmuje stabilność rozwiązania, ładunki krzyżowe, wspólności, korelacje czynników i zgodność z przewidywaną strukturą. W odniesieniu do hasła „PCA (analiza głównych składowych)” reguła Kaisera lub sam wykres osypiska rzadko wystarczają; lepiej połączyć analizę równoległą, teorię i sprawdzenie modeli alternatywnych. Przy ocenie hasła „PCA (analiza głównych składowych)” usuwanie pozycji powinno zachowywać zakres treści konstruktu.

Co trzeba opisać w raporcie?

W opisie „PCA (analiza głównych składowych)” należy podać rodzaj analizy, macierz wejściową, ekstrakcję, rotację, kryterium liczby wymiarów i liczebność próby. W analizie dotyczącej hasła „PCA (analiza głównych składowych)” tabela powinna zawierać właściwe ładunki, informację o ładunkach krzyżowych i wspólnościach, a tekst — uzasadnienie nazw czynników oraz każdej zmiany modelu.

Zakres raportowania dla hasła „PCA (analiza głównych składowych)”: Podaj sposób standaryzacji, macierz korelacji lub kowariancji, kryterium liczby składowych, procent wariancji, ładunki i procedurę walidacji.

Przykład praktyczny i gotowa interpretacja

Sytuacja: W badaniu sześciu silnie skorelowanych wskaźników aktywności pierwsza składowa może reprezentować ogólny poziom aktywności i zastąpić sześć kolumn w modelu predykcyjnym.

Jak ją zinterpretować: Pierwsze składowe zachowują największą część całkowitej wariancji przy mniejszej liczbie wymiarów. Są kombinacjami obserwowanych zmiennych, nie automatycznie latentnymi cechami; stabilność i walidacja decydują o użyteczności redukcji.

Najczęstsza pułapka i granica interpretacji

PCA nie jest automatycznie analizą czynnikową: składowa wykorzystuje całkowitą wariancję i nie oddziela wariancji wspólnej od swoistej oraz błędu.

Rozwiązanie uzyskane dla „PCA (analiza głównych składowych)” jest zależne od próby, zestawu pozycji i decyzji analitycznych. W odniesieniu do hasła „PCA (analiza głównych składowych)” nadanie czynnikowi nazwy nie dowodzi jego trafności ani nie zastępuje replikacji struktury.

Przykład reprodukowalny dla tego hasła

Analiza głównych składowych (PCA)

Kod wykonuje PCA po standaryzacji i raportuje udział wariancji składowych; nie interpretuje ich automatycznie jako czynników latentnych.

Dane wejściowe: x1–x5 są zmiennymi liczbowymi. Standaryzacja jest potrzebna, gdy jednostki lub wariancje są różne.

Co sprawdzić w wyniku: Odczytaj wariancję wyjaśnianą, ładunki składowych i wyniki obiektów. PCA nie jest modelem czynnika latentnego.

dane <- na.omit(read.csv("dane.csv")[paste0("x", 1:5)])
pca <- prcomp(dane, center = TRUE, scale. = TRUE)
summary(pca)
pca$rotation
head(pca$x)
screeplot(pca, type = "lines")

Python

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

X = pd.read_csv("dane.csv")[[f"x{i}" for i in range(1, 6)]].dropna()
Z = StandardScaler().fit_transform(X)
pca = PCA().fit(Z)
print("wariancja wyjasniana:", pca.explained_variance_ratio_)
print("ladunki/skladowe:\n", pca.components_.T)
scores = pca.transform(Z)

IBM SPSS Statistics — Syntax

FACTOR
 /VARIABLES=x1 x2 x3 x4 x5
 /MISSING=LISTWISE
 /ANALYSIS=x1 x2 x3 x4 x5
 /PRINT=INITIAL EXTRACTION
 /PLOT=EIGEN
 /CRITERIA=FACTORS(2) ITERATE(50)
 /EXTRACTION=PC
 /ROTATION=VARIMAX
 /SAVE=REG(ALL)
 /METHOD=CORRELATION.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, scikit-learn. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
scikit-learn: Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., VanderPlas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{pedregosa2011scikitlearn,
  author = {Pedregosa, Fabian and Varoquaux, Gaël and Gramfort, Alexandre and Michel, Vincent and Thirion, Bertrand and Grisel, Olivier and others},
  title = {Scikit-learn: Machine Learning in Python},
  journal = {Journal of Machine Learning Research},
  year = {2011},
  volume = {12},
  pages = {2825--2830}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Fabrigar et al., 1999).

Powiązane hasła

Metoda głównych składowych (analiza czynnikowa)Metoda osi głównych Zasoby zmienności wspólnej (analiza EFA)K-M-O i test sferyczności Bartletta Ładunek czynnikowy Macierz modelowa

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675
McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{fabrigar1999efa, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={Evaluating the use of exploratory factor analysis in psychological research}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989X.4.3.272}}

@article{hayton2004parallel, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={Factor retention decisions in exploratory factor analysis: a tutorial on parallel analysis}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}

@article{jolliffe2016pca, author={Jolliffe, Ian T. and Cadima, Jorge}, title={Principal Component Analysis: A Review and Recent Developments}, journal={Philosophical Transactions of the Royal Society A}, year={2016}, volume={374}, number={2065}, pages={20150202}, doi={10.1098/rsta.2015.0202}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}