人人都在谈的“数据驱动”到底是什么？

同一样本数据，2种不同代码得出的主成分得分系数为什么不一样？下面的完整代码，求问，很困惑，不知道哪一种是对的？

法一：

shuju<-read.csv(file="shuju.csv",header=TRUE,sep=",")

library(psych)

library(GPArotation)

fa.parallel(shuju[,-1],fa="pc",n.iter=100,show.legend=FALSE)

pc<-principal(shuju[,-1],nfactors=4,score=T)

RC1 RC2 RC3 RC4 h2 u2

Open 0.95 0.11 0.21 0.16 0.98 0.0220

High 0.95 0.15 0.20 0.18 0.99 0.0074

Low 0.94 0.17 0.22 0.13 0.99 0.0147

Close 0.94 0.22 0.21 0.14 0.99 0.0094

Volume 0.67 0.26 0.14 0.59 0.88 0.1215

Chengjiaoe 0.72 0.27 0.12 0.56 0.91 0.0851

MA5 0.95 0.00 0.20 0.16 0.98 0.0228

AR26 0.14 0.23 0.92 0.17 0.96 0.0448

BR26 0.33 0.23 0.89 0.15 0.97 0.0329

BIAS12 0.19 0.89 0.30 0.16 0.93 0.0668

OBV 0.88 0.16 -0.02 0.29 0.88 0.1214

PSY 0.36 0.16 0.38 0.73 0.83 0.1656

K 0.19 0.79 0.29 0.29 0.83 0.1697

WR -0.10 -0.93 -0.0 0.02 0.88 0.1231

法二：

shuju.pr<-princomp(shuju[,-1],cor=TRUE)

summary(shuju.pr,loadings=TRUE)

Loadings:

Comp.1 Comp.2 Comp.3 Comp.4

Open -0.312 0.199 0.182

High -0.319 0.178 0.158

Low -0.316 0.165 0.233

Close -0.320 0.144 0.213

Volume -0.293 -0.411

Chengjiaoe -0.302 -0.365

MA5 -0.301 0.258 0.162

AR26 -0.186 -0.332 0.568 0.126

BR26 -0.230 -0.254 0.520 0.206

BIAS12 -0.203 -0.466 -0.239

OBV -0.288 0.209 -0.181

PSY -0.241 0.210 -0.628

K -0.207 -0.422 -0.186

WR 0.134 0.435 0.466 -0.209

解决办法：principaL做主成分默认是方差极大旋转，所以得到的PC1 PC2 并不是按照方差贡献率排序的（也就是不是让PC1解释最多方差，PC2其次…这种，而是让PC间尽量不相交） 想要得到真正的PC成分，rotate改成‘none’ 当然具体情况再看具体怎么选

而且 principal输出的RC1 RC2 RC3 是主成分与原始变量的相关系数，h2是联合解释率，u2是1-h2，所以你从princal的结果是看不出PC到底是什么

既然都看不出是什么，为什么你断定两种方法结果不同

用princomp输出的结果跟前者不一样，SS loading输出的把原始变量变成PC需要的系数，而不是成分