在主成分分析（PCA）的学习与实践中，“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分析的重要输出结果，却承载着不同的数学内涵与应用价值——载荷矩阵聚焦原始变量与主成分的关联强度，成分矩阵则体现原始变量向主成分的转化系数。不少学习者因混淆两者，导致对主成分分析结果的解读出现偏差。本文将从定义、数学本质、核心作用、计算逻辑、应用场景五个核心维度，系统拆解两者的区别，结合实例说明其应用方法，帮助读者精准把握两者的核心差异与使用边界。

一、先明确：两个矩阵的核心定义与内涵

要区分两者，首先需明确其核心定义——两者的本质差异源于“描述对象”的不同：一个描述“关联程度”，一个描述“转化关系”。

1. 主成分载荷矩阵（Loading Matrix）

主成分载荷矩阵的核心是“载荷”，即原始变量与主成分之间的相关系数。矩阵中第i行第j列的元素，代表第i个原始变量与第j个主成分的线性相关系数，反映了原始变量对该主成分的“贡献程度”或“关联强度”。

通俗理解：载荷矩阵就像一份“关联清单”，清晰告知我们每个原始变量与各个主成分的紧密程度——载荷系数的绝对值越接近1，说明该原始变量与对应主成分的关联越强，该主成分越能反映这个原始变量的信息；绝对值越接近0，则关联越弱。

2. 成分矩阵（Component Matrix）

成分矩阵的核心是“系数”，即原始变量向主成分转化的线性组合系数（也常被称为“主成分得分系数”）。矩阵中第i行第j列的元素，是第i个原始变量在第j个主成分表达式中的系数，用于将标准化后的原始变量线性组合，得到主成分得分。

通俗理解：成分矩阵就像一套“转化公式”，指导我们如何将多个标准化后的原始变量，通过加权求和的方式，计算出每个样本的主成分得分——每个系数代表对应原始变量在该主成分中的“权重”，系数的正负则反映原始变量对主成分的影响方向。

关键前提：无论是载荷矩阵还是成分矩阵，均基于标准化后的原始变量计算。因为主成分分析对变量的量纲敏感，通常需先将原始变量标准化（均值为0、方差为1），再进行后续分析，两者的计算均依赖标准化后的变量。

二、核心区别：五个维度的全面对比

为更清晰地呈现两者的差异，以下从数学本质、核心作用、计算逻辑、数值范围、解读方式五个维度进行对比，形成完整的区别框架：

三、数学逻辑拆解：从计算过程看差异

要深刻理解两者的区别，需从主成分分析的核心数学逻辑入手——两者均源于“协方差矩阵的特征分解”，但计算过程中的“取舍”不同，最终导致内涵差异。

1. 主成分分析的核心数学基础

主成分分析的核心是对标准化后的原始变量协方差矩阵Σ（因变量已标准化，协方差矩阵等价于相关矩阵）进行特征分解，得到：

Σ = PΛPᵀ

其中：

• P：特征向量矩阵，每一列是Σ的一个单位特征向量（长度为1），对应一个主成分的方向；

• Λ：对角矩阵，对角线上的元素是Σ的特征值，特征值的大小代表对应主成分的方差贡献（特征值越大，主成分包含的原始信息越多）。

2. 成分矩阵的计算：直接取特征向量

成分矩阵的每一列就是特征向量矩阵P的对应列，即成分系数 = 特征向量p_j（第j列特征向量）。

主成分的表达式为：Z_j = p₁ⱼX₁ + p₂ⱼX₂ + ... + pₙⱼXₙ（其中Z_j为第j个主成分得分，X₁~Xₙ为标准化后的原始变量，pᵢⱼ为成分矩阵第i行第j列的系数）。

可见，成分矩阵的核心是“特征向量”，直接用于原始变量到主成分的线性转化。

3. 载荷矩阵的计算：特征向量×主成分标准差

主成分的标准差等于对应特征值的平方根（因主成分的方差为特征值，标准差=√特征值）。结合相关系数的定义，载荷系数的计算为：

载荷系数λᵢⱼ = Cov(Xᵢ, Z_j) / (σ_Xᵢ × σ_Z_j)

因Xᵢ已标准化（σ_Xᵢ=1），且Cov(Xᵢ, Z_j) = pᵢⱼ×σ_Z_j（由主成分的方差性质推导），因此：

λᵢⱼ = pᵢⱼ×σ_Z_j = pᵢⱼ×√λ_j（其中λ_j为第j个主成分的特征值）

可见，载荷矩阵是“特征向量”与“主成分标准差”的乘积，本质是将特征向量缩放后得到的相关系数矩阵。

关键结论

成分矩阵是“原始的特征向量矩阵”，载荷矩阵是“特征向量矩阵经过主成分标准差缩放后的矩阵”；两者的核心关联是：载荷矩阵 = 成分矩阵 × 特征值平方根矩阵（对角矩阵，对角元素为各主成分特征值的平方根）。

四、实例演示：用具体数据看差异

以下通过一个简单的实例，直观展示载荷矩阵与成分矩阵的数值差异及解读方式。假设我们对3个标准化后的原始变量X₁、X₂、X₃进行主成分分析，得到以下核心结果：

1. 协方差矩阵的特征值：λ₁=2.1，λ₂=0.8，λ₃=0.1（特征值越大，主成分的信息含量越多）；

2. 特征向量矩阵（即成分矩阵）：

成分矩阵 P = [
  [0.58,  0.72, -0.32],  # X₁对应的系数（第1行）
  [0.56, -0.68,  0.48],  # X₂对应的系数（第2行）
  [0.59,  0.10,  0.80]   # X₃对应的系数（第3行）
]
# 列1：第1主成分Z₁的系数；列2：第2主成分Z₂的系数；列3：第3主成分Z₃的系数

1. 计算载荷矩阵

根据载荷矩阵的计算逻辑，先计算各主成分的标准差（√特征值）：

√λ₁=√2.1≈1.449，√λ₂=√0.8≈0.894，√λ₃=√0.1≈0.316

载荷矩阵 = 成分矩阵 × 特征值平方根矩阵（对角矩阵），计算得：

载荷矩阵 L = [
  [0.58×1.449≈0.84,  0.72×0.894≈0.64, -0.32×0.316≈-0.10],  # X₁与各主成分的相关系数
  [0.56×1.449≈0.81, -0.68×0.894≈-0.61,  0.48×0.316≈0.15],  # X₂与各主成分的相关系数
  [0.59×1.449≈0.85,  0.10×0.894≈0.09,  0.80×0.316≈0.25]   # X₃与各主成分的相关系数
]

2. 差异解读

• 成分矩阵解读：第1主成分Z₁的表达式为Z₁=0.58X₁+0.56X₂+0.59X₃，三个原始变量的系数均为正且接近，说明Z₁是三个变量的“综合反映”；X₁在Z₂中的系数最大（0.72），且为正，说明X₁对Z₂的正向影响最强。

• 载荷矩阵解读：X₃与Z₁的载荷系数最大（0.85），说明X₃与第1主成分的关联最强，对Z₁的解释力最强；X₂与Z₂的载荷系数为-0.61（绝对值较大），说明X₂与第2主成分呈中等强度的负相关；X₁、X₂、X₃与Z₃的载荷系数绝对值均较小（<0.3），说明三个变量与第3主成分的关联较弱，Z₃包含的原始信息较少（与特征值λ₃=0.1较小一致）。

五、应用场景：什么时候用载荷矩阵？什么时候用成分矩阵？

两者的应用场景严格对应其核心作用，实际分析中需根据需求选择：

1. 用载荷矩阵的场景

• 主成分含义解释：当需要明确“每个主成分代表什么”时，需通过载荷矩阵判断——哪个原始变量与该主成分的载荷系数最大，该主成分就主要反映这个变量的信息。例如，在学生成绩分析中，若“数学”“物理”“化学”与第1主成分的载荷系数均较大，可将第1主成分命名为“理科综合能力”。

• 原始变量筛选：若需从多个原始变量中筛选核心变量，可通过载荷矩阵选择——与前几个主要主成分（特征值>1的主成分）载荷系数较大的原始变量，即为核心变量（包含的信息更丰富）。

• 主成分有效性验证：若某主成分与所有原始变量的载荷系数均较小，说明该主成分包含的有效信息少，可考虑舍弃（无需纳入后续分析）。

2. 用成分矩阵的场景

• 计算主成分得分：当需要得到每个样本的主成分得分（如用主成分得分排名、比较样本差异）时，需用成分矩阵的系数构建线性表达式，代入标准化后的原始变量值计算。例如，根据上述实例的成分矩阵，某样本标准化后的X₁=1.2、X₂=0.8、X₃=1.0，则其第1主成分得分Z₁=0.58×1.2+0.56×0.8+0.59×1.0≈1.75。

• 后续建模分析：当需要用主成分替代原始变量进行后续建模（如回归分析、聚类分析）时，需先通过成分矩阵计算主成分得分，再用得分作为新的自变量/样本特征。

• 数据降维转化：主成分分析的核心目标是降维，成分矩阵是实现“原始高维数据→主成分低维数据”转化的核心工具，通过保留前几个主要主成分的得分，实现数据维度的压缩。

六、常见误区：避开3个易混淆点

在实际应用中，以下3个误区最易导致两者混淆，需重点规避：

误区1：将载荷系数等同于成分系数

错误认知：认为载荷矩阵和成分矩阵的数值可以直接混用。

纠正：两者的数值的含义完全不同——载荷系数是相关系数（[-1,1]），成分系数是组合权重（无固定范围）；仅当主成分的特征值为1时，两者数值才相等（因√1=1，载荷矩阵=成分矩阵×1），其他情况下均不相等。

误区2：用载荷矩阵计算主成分得分

错误认知：直接用载荷矩阵的系数构建主成分表达式，计算得分。

纠正：主成分得分的计算必须用成分矩阵（特征向量），若误用载荷矩阵，会因系数缩放导致得分结果偏差，进而影响后续分析。

误区3：忽视变量标准化的影响

错误认知：未标准化原始变量就直接计算载荷矩阵和成分矩阵。

纠正：两者的计算均基于标准化后的变量——若原始变量未标准化，协方差矩阵会受量纲影响，特征向量（成分矩阵）和载荷矩阵的结果均会失真，无法准确反映原始变量与主成分的关系。

七、总结：核心逻辑与记忆口诀

主成分载荷矩阵与成分矩阵的核心区别，可总结为“一个看关联，一个做转化”：

• 载荷矩阵：聚焦“关联强度”，回答“原始变量与主成分有多相关”，用于解释主成分含义、筛选变量；

• 成分矩阵：聚焦“转化权重”，回答“如何将原始变量变成主成分”，用于计算得分、降维建模。

记忆口诀：“载荷看相关，成分算得分；载荷定含义，成分做转化”。

掌握两者的区别，是正确解读主成分分析结果的关键。在实际分析中，需先明确自身需求——若需解释主成分、筛选变量，重点关注载荷矩阵；若需计算得分、后续建模，重点关注成分矩阵。结合本文的数学逻辑与实例，多动手实践，就能精准把握两者的使用边界，让主成分分析的结果真正为决策提供支撑。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0