统计百科 ·
主成分分析PCA的APA报告怎么写？KMO/Bartlett+成分载荷矩阵+方差解释格式全解
统计百科：专攻PCA主成分分析APA 7th报告格式——KMO值与Bartlett球形检验的报告句式、成分载荷矩阵三线表标准、累计方差解释率写法，给出可直接套用进论文的完整报告模板，并盘点审稿人最常挑的PCA报告格式错误。
跑完PCA最难的不是统计本身，而是格式细节：KMO值和Bartlett检验怎么合并报告、成分载荷矩阵三线表哪几列必须有、"累计解释方差62.4%"该放正文还是表注、载荷截止值0.30还是0.40……这篇文章专攻"PCA结果怎么规范写进论文"这一具体格式点，给出APA 7th所有PCA报告场景的完整模板，并逐一盘点审稿人最常挑的格式错误。
你的PCA报告有这些问题吗？
审稿人或导师关于PCA报告最常见的反馈：
- "KMO值要报告到三位小数，缺少Bartlett球形检验的chi-square和df"
- "成分载荷矩阵缺少方差解释率行，读者无法判断各成分重要性"
- "只给了旋转后的载荷，原始成分矩阵呢？或者至少说明旋转方法"
- "累计方差解释率应放在方法章节或表注中说明，而非只出现在正文"
- "主成分数量的保留依据写得不清楚，是特征根>1？还是碎石图？"
- "载荷系数未说明截止值标准，0.30还是0.40？"
这些错误集中在APA Publication Manual第七版关于多变量统计报告的规范，以及心理测量学期刊对因子分析类报告的约定俗成标准。本文只讲一件事：PCA主成分分析结果到底怎么规范写进论文的每个环节。
如果你的研究目的是量表验证而非降维，应使用探索性因子分析（EFA）或验证性因子分析（CFA），而非PCA。两者在APA报告上有实质区别。本文聚焦于降维目的的PCA场景。
一、PCA是什么，报告逻辑从哪里开始
PCA的核心目标
主成分分析（Principal Component Analysis, PCA）回答的问题是：能否用更少的综合变量（主成分）来代表原始多个变量，同时尽量保留原始信息？
PCA通过线性变换，将原始 $p$ 个相关变量转换为 $k$ 个互不相关的主成分（$k < p$），每个主成分是原始变量的线性组合，且第一主成分解释最多方差，后续成分依次递减。
$PC_j = a_{j1}X_1 + a_{j2}X_2 + \cdots + a_{jp}X_p$
其中 $a_{ji}$ 为第 $j$ 个主成分对第 $i$ 个变量的载荷（loading）。
APA报告需要覆盖的五个层次
| 层次 | 报告内容 | 放在哪里 |
|---|---|---|
| 适用性检验 | KMO值 + Bartlett球形检验 | 方法章节或结果章节开头 |
| 主成分数量确定 | 特征根>1准则 / 碎石图 / 累计方差标准 | 方法章节（说明依据） |
| 成分载荷矩阵 | 各变量在各主成分上的载荷，含旋转方法 | 结果章节，配三线表 |
| 方差解释率 | 各成分特征根、方差% 和累计方差% | 结果章节，通常在表中 |
| 主成分得分应用（如有） | 综合得分公式或排名 | 结果章节末尾 |
二、适用性检验报告：KMO与Bartlett球形检验
为什么需要适用性检验
PCA要求变量之间存在足够的相关性——若变量彼此完全独立，降维毫无意义。KMO和Bartlett检验是判断数据是否适合做PCA的标准前提检验。
KMO取样适切性量数
Kaiser-Meyer-Olkin (KMO) 取样适切性量数衡量变量间的偏相关程度，值域为[0, 1]，越接近1说明变量间的公共因子结构越强，越适合做PCA。
APA报告中的KMO判断标准（Kaiser, 1974）：
| KMO值 | 适切性评价 |
|---|---|
| .90以上 | 非常好（Marvelous） |
| .80 - .89 | 良好（Meritorious） |
| .70 - .79 | 尚可（Middling） |
| .60 - .69 | 勉强（Mediocre） |
| .50 - .59 | 不佳（Miserable） |
| .50以下 | 不可接受（Unacceptable） |
APA 7th要求报告KMO精确到两到三位小数，并给出适切性评价（可引用Kaiser, 1974）。
Bartlett球形检验
Bartlett球形检验（Bartlett's Test of Sphericity）检验相关矩阵是否为单位矩阵（即所有变量完全不相关），$H_0$: 相关矩阵 = 单位矩阵。若检验显著（$p < .05$），说明变量间存在相关性，适合进行PCA。
报告格式要素：
| 要素 | 格式 | 示例 |
|---|---|---|
| 卡方值 | $\chi^2(df) = X.XX$ | $\chi^2(45) = 1523.84$ |
| p值 | $p < .001$ 或 $p = .XXX$ | $p < .001$ |
| 自由度 | $df = p(p-1)/2$ | $p$为变量数 |
自由度计算：$df = \frac{p(p-1)}{2}$，其中 $p$ 为纳入分析的变量个数。例如10个变量：$df = \frac{10 \times 9}{2} = 45$。
APA格式：KMO+Bartlett联合报告句式
KMO取样适切性量数 = .XX，[评价]（Kaiser, 1974），
Bartlett球形检验显著，chi^2([df]) = XXXX.XX, p < .001，
表明数据适合进行主成分分析。
填入数值的示例：
KMO取样适切性量数 = .863，取样适切性良好（Kaiser, 1974），Bartlett球形检验显著，$\chi^2(45) = 1523.84$，$p < .001$，表明10个观测变量之间具有足够的共同方差，数据适合进行主成分分析。
三、主成分数量确定：三种标准的APA报告方式
方法一：特征根大于1准则（Kaiser准则）
最常用的保留标准：保留特征根（Eigenvalue） > 1 的主成分。
APA报告句式：
依据Kaiser（1960）特征根大于1准则，共提取[N]个主成分，
特征根分别为[值1]、[值2]……[值N]。
示例：
依据Kaiser（1960）特征根大于1准则，共提取3个主成分，特征根分别为4.12、2.07和1.34，共解释原始变量总方差的75.3%。
方法二：碎石图（Scree Plot）
观察特征根折线图，选取"肘部"（明显弯折点）之前的成分数量。
APA报告句式：
碎石图（见图[X]）显示，特征根在第[N]个成分后出现明显折弯，
据此保留[N]个主成分。
方法三：累计方差解释率标准
社会科学通常要求累计解释方差达60%以上（部分理工科要求80%以上）。
APA报告句式：
为使累计解释方差达到[XX]%以上，依据方差最大化原则保留[N]个主成分。
前[N]个主成分累计解释方差为[XX.X]%，满足分析要求。
四、成分载荷矩阵：三线表格式与旋转方法报告
旋转方法的选择与报告
PCA通常在提取后进行成分旋转，以增强可解释性。旋转不改变总方差解释量，只重新分配各成分的方差。
常见旋转方法：
| 旋转类型 | 方法名 | 假设 | 适用情形 |
|---|---|---|---|
| 正交旋转 | Varimax（方差最大化） | 成分间不相关 | 构建彼此独立的综合指标 |
| 正交旋转 | Quartimax | 成分间不相关 | 少数变量高度饱和时 |
| 斜交旋转 | Oblimin / Promax | 成分间可以相关 | 研究构念本身可能相关时 |
报告旋转方法的句式：
采用[旋转方法]对成分矩阵进行旋转，
以[正交旋转/斜交旋转]方式提升成分的可解释性。
载荷系数绝对值低于.40（[或.30]）的项目不在表中显示。
成分载荷矩阵三线表标准格式
APA 7th要求统计表格使用三线表（顶线、标题线、底线，无竖线），成分载荷矩阵三线表的标准列构成如下：
表X. 主成分分析成分载荷矩阵（Varimax旋转后）
| 变量 | 成分1 | 成分2 | 成分3 | 共同度h² |
|---|---|---|---|---|
| 变量名称1 | .82 | .12 | .08 | .69 |
| 变量名称2 | .79 | .18 | .11 | .67 |
| 变量名称3 | .74 | .23 | .15 | .63 |
| 变量名称4 | .09 | .86 | .14 | .77 |
| 变量名称5 | .15 | .81 | .19 | .71 |
| 变量名称6 | .21 | .76 | .22 | .66 |
| 变量名称7 | .13 | .17 | .84 | .74 |
| 变量名称8 | .08 | .22 | .79 | .68 |
| 变量名称9 | .17 | .25 | .73 | .63 |
| 特征根 | 4.12 | 2.07 | 1.34 | — |
| 方差解释率% | 41.2 | 20.7 | 13.4 | — |
| 累计方差% | 41.2 | 61.9 | 75.3 | — |
注. 采用Varimax正交旋转。载荷绝对值< .40已省略。h² = 共同度。
表格要素说明：
- 列名：变量名（通常为题项或指标名）+ 各主成分（成分1、成分2……）+ 共同度（h²）
- 最后三行：特征根、方差解释率%、累计方差%（这三行必须有）
- 表注：注明旋转方法、载荷截止值、缩写释义
- 加粗惯例：部分期刊要求将每个变量最高载荷值加粗，以标示其归属成分，但APA 7th本身不强制要求
- 共同度h²：表示每个变量被所有提取成分共同解释的方差比例，是评估变量拟合质量的重要指标
五、方差解释率报告：正文与表格如何配合
正文中的方差解释率句式
正文需要点明各成分解释率和累计解释率，不能只靠表格，需要叙述性句子呼应：
[旋转方法]旋转后，第一主成分解释总方差的[XX.X]%（特征根 = X.XX），
第二主成分解释[XX.X]%（特征根 = X.XX），
第三主成分解释[XX.X]%（特征根 = X.XX），
三个主成分共累计解释总方差的[XX.X]%。
填入数值的示例：
Varimax旋转后，第一主成分解释总方差的41.2%（特征根 = 4.12），反映城市的经济规模与产业实力；第二主成分解释20.7%（特征根 = 2.07），反映基础设施与公共服务水平；第三主成分解释13.4%（特征根 = 1.34），反映科技创新能力。三个主成分共累计解释总方差的75.3%，符合社会科学研究中累计解释率60%以上的一般要求。
未旋转vs.旋转后方差解释率
注意：进行正交旋转（如Varimax）后，各成分的方差解释率会发生变化，但总累计解释率不变。斜交旋转后由于成分间存在相关，各成分方差解释率相加会超过总累计解释率，此时需在表注中说明。
六、完整APA结果段落模板
场景一：三成分PCA降维（城市综合竞争力评价）
完整报告段落模板：
首先检验数据对主成分分析的适用性。KMO取样适切性量数 = .XXX，
取样适切性[评价]（Kaiser, 1974），Bartlett球形检验显著，
chi^2([df]) = XXXX.XX, p < .001，表明变量间具有足够共同方差，
适合进行主成分分析。
依据Kaiser（1960）特征根大于1准则，共提取[N]个主成分
（见表[X]）。采用Varimax正交旋转提升成分可解释性，
旋转后各主成分特征根分别为[值]，累计解释总方差[XX.X]%。
成分载荷矩阵（见表[X]）显示：
第一主成分在[变量组A]上载荷较高（.XX至.XX），命名为"[标签]"；
第二主成分在[变量组B]上载荷较高（.XX至.XX），命名为"[标签]"；
第三主成分在[变量组C]上载荷较高（.XX至.XX），命名为"[标签]"。
各变量共同度h²介于.XX至.XX之间，表明提取的主成分对原始变量的
拟合质量[评价]。
填入数值的完整示例：
首先检验数据对主成分分析的适用性。KMO取样适切性量数 = .863，取样适切性良好（Kaiser, 1974），Bartlett球形检验显著，$\chi^2(45)$ = 1523.84，$p$ < .001，表明10个城市指标之间具有足够共同方差，适合进行主成分分析。
依据Kaiser（1960）特征根大于1准则，共提取3个主成分（见表1）。采用Varimax正交旋转提升成分可解释性，旋转后三个主成分特征根分别为4.12、2.07和1.34，累计解释总方差75.3%。
成分载荷矩阵（见表1）显示：第一主成分在GDP总量、规模以上工业产值、社会消费品零售总额等经济规模指标上载荷较高（.74至.82），命名为"经济规模因子"；第二主成分在公路密度、医疗床位数、绿化覆盖率等基础设施指标上载荷较高（.76至.86），命名为"基础设施因子"；第三主成分在R&D支出比、专利申请量、高新技术企业数上载荷较高（.73至.84），命名为"创新驱动因子"。各变量共同度h²介于.63至.77之间，表明三个主成分对原始指标的解释效果良好。
场景二：问卷量表PCA降维（5个维度）
完整报告段落模板：
对量表[N]个题项进行主成分分析。KMO = .XXX（[评价]），
Bartlett球形检验，chi^2([df]) = XXXX.XX, p < .001，
数据适合主成分分析。
碎石图显示，在第[N]个成分后特征根出现明显折弯，
结合特征根大于1准则，共提取[N]个主成分。
采用[旋转方法]旋转，旋转前后累计解释方差保持为[XX.X]%。
所有题项在其归属成分上的载荷均高于.50，
且跨载荷（cross-loadings）均低于.30，
表明各题项的结构归属清晰，分类效度良好。
七、在ChatSRS一句话获得规范PCA报告
打开 chatsrs.com，上传数据后输入：
"对这10个城市竞争力指标做主成分分析：先报告KMO值和Bartlett球形检验（含chi-square和df）；用特征根>1准则确定主成分数量；采用Varimax旋转，输出旋转后的成分载荷矩阵（含特征根、方差解释率%、累计方差%三行，共同度h²一列）；给出可直接套用进论文的APA 7th完整报告段落，说明各成分的可解释命名，载荷绝对值<0.40的不显示。"
ChatSRS会自动输出符合上文格式的完整报告段落和三线表，数值直接填入，可复制进论文。
如果你需要斜交旋转（如Oblimin），在指令中改说"采用Oblimin斜交旋转"，ChatSRS会同时输出模式矩阵（Pattern Matrix）和结构矩阵（Structure Matrix），并说明斜交旋转报告规范。
八、方法章节怎么描述PCA分析过程
标准方法章节描述（研究目的为综合评价降维）
采用主成分分析（Principal Component Analysis, PCA）对[N]个[变量类型]
进行降维处理，以提取综合性评价指标。分析前以KMO取样适切性量数
和Bartlett球形检验评估数据适用性，要求KMO > .60且Bartlett检验显著（p < .05）。
主成分数量以Kaiser（1960）特征根大于1准则和碎石图共同确定。
采用Varimax正交旋转法提升成分可解释性；载荷系数绝对值低于.40的
变量不计入主成分命名依据。
显著性水平设为alpha = .05。
<!-- 注：请在此处填写您所使用的统计软件（如SPSS、R、Python等）。 -->
标准方法章节描述（研究目的为量表维度探索）
为探索[量表名称]的潜在维度结构，对[N]个题项进行主成分分析。
数据适用性通过KMO取样适切性量数（> .70）和Bartlett球形检验（p < .001）
评估。主成分数量参照特征根大于1准则与碎石图共同确定，
采用Varimax正交旋转以保证各主成分的独立性，
并参照载荷系数≥.40作为题项归属判断标准。
注：主成分分析属于变量简化方法，若研究目的为潜在结构验证，
建议进一步采用CFA确认。
九、PCA报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规范 |
|---|---|---|
| 只写KMO，不写Bartlett | KMO = .XXX，Bartlett chi^2(df) = XX.XX, p < .001 | 两项检验均须报告 |
| Bartlett只写p不写chi^2 | chi^2([df]) = XXXX.XX, p < .001 | 须完整报告统计量 |
| 自由度算错 | df = p(p-1)/2，p为变量数 | 常见于变量数填错 |
| 载荷矩阵缺方差解释率行 | 末三行：特征根、方差%、累计方差% | 这三行是必报要素 |
| 共同度h²缺失 | 表格右列加h²列 | APA因子分析表格惯例 |
| 未说明旋转方法 | 明确写"采用Varimax正交旋转" | 方法可重复性要求 |
| 未说明载荷截止值 | 方法章节或表注写明".40以下不显示" | 可重复性与透明度 |
| 主成分数量依据不清 | 明确写"依据特征根>1准则" | 方法章节透明度要求 |
| 斜交旋转只报告一个矩阵 | 斜交旋转需同时报告模式矩阵和结构矩阵 | 斜交旋转特有要求 |
| 方差% 超过100% | 斜交旋转各成分%之和可超100%，需表注说明 | 斜交旋转的数学特性 |
FAQ
Q：PCA和EFA（探索性因子分析）有什么区别？APA报告格式一样吗？
A：两者的目的和统计假设不同。PCA是数学降维方法，目标是最大化解释总方差，没有潜在因子的假设；EFA假设存在潜在因子（latent factors）驱动观测变量，提取的是共同方差。在APA报告上，两者的KMO/Bartlett报告格式相同，但EFA还需报告共同度提取方法（如主轴因子法PAF）、以及因子载荷矩阵（Factor Loading Matrix）中的独特性（Uniqueness = 1 - h²）。如果你的研究目的是量表结构探索，APA建议使用EFA（或进一步CFA），而非PCA。
Q：载荷截止值是0.30还是0.40？哪个更合适？
A：两者均有文献支持。Comrey & Lee（1992）提出的标准：.71以上为优秀，.63为非常好，.55为好，.45为尚可，.32为差。实际操作中：社会科学、教育学研究多用.40作为截止值（相当于一个变量有16%的方差由该成分解释）；心理学测量研究有时用.30。重要的是在方法章节或表注中明确说明你用的截止值，不同截止值本身不是错误，缺乏说明才是问题。ChatSRS默认输出.40截止，可在指令中修改。
Q：Varimax旋转和Oblimin斜交旋转哪个更好？
A：取决于理论假设。若你的研究理论上认为提取的主成分（或因子）彼此独立，用Varimax正交旋转，报告更简单（只需一个载荷矩阵）。若理论上允许成分/因子相互关联（如各人格维度可能相关），用Oblimin或Promax斜交旋转，需同时报告模式矩阵（Pattern Matrix，用于命名）和结构矩阵（Structure Matrix，用于了解成分与变量的相关），并报告成分间的相关矩阵。APA 7th对两种方法都不排斥，关键是交代清楚旋转类型及选择依据。
Q：主成分分析结果报告中需要报告主成分得分（Component Score）吗？
A：如果主成分得分是后续分析的输入变量（如用作回归预测变量、综合排名权重），则需在结果章节报告主成分得分的计算方式，并在表格或附录中呈现各主成分的得分系数矩阵（Score Coefficient Matrix）。如果PCA只用于降维可视化或变量筛选，不涉及得分应用，则不必单独报告得分。APA 7th关于这一点没有强制规定，按研究目的决定。
快速参考：PCA报告格式速查卡
[适用性检验]
KMO = .XXX（[评价]，Kaiser, 1974）
Bartlett chi^2([p*(p-1)/2]) = XXXX.XX, p < .001
[成分数量确定]
依据特征根>1准则（Kaiser, 1960），提取[N]个主成分
—— 或 —— 碎石图显示第[N]个成分后明显折弯
[成分载荷矩阵表格必备行]
倒数三行：特征根 / 方差解释率% / 累计方差%
最右列：共同度 h²
表注：旋转方法 + 载荷截止值说明
[正文方差解释率句式]
第一主成分解释总方差的XX.X%（特征根 = X.XX），……
[N]个主成分共累计解释总方差的XX.X%
[旋转方法表注]
正交旋转：注. 采用Varimax正交旋转。载荷绝对值< .40已省略。
斜交旋转：注. 采用Oblimin斜交旋转，呈现模式矩阵。成分间相关见表[Y]。
相关阅读
- 方差分析ANOVA的APA报告怎么写？F值+偏η²+事后比较格式全解
- 相关分析APA报告怎么写？r、p、CI、显著性标记完整指南
- 回归分析APA表格怎么做 — B/β/SE/t/p/R²标准格式与三线表模板全解
- 信度分析的APA报告怎么写 — Cronbach α、McDonald ω与组合信度CR格式全解
- 主成分分析（PCA）用AI一句话完成 — 从降维到综合排名全攻略
- Harman单因子检验是什么？共同方法偏差怎么检验
本文首发于ChatSRS官方博客。如有问题或反馈，欢迎在ChatSRS站内 [用户中心 -> 帮助与反馈] 联系我们。