主成份分析

Principal component analysis

 「主成份分析」是由皮爾遜 (K. Pearson) 所創用而由
賀德臨 (Hotelling, 1993) 再加以發展的一種統計方法。

 在行為科學研究的試探階段中，我們常碰到必須處理
許多彼此可能有相關存在的變項之情境。如何將這許
多變項予以減少，並使其改變為較少數幾個互相獨立
的線性組合變項，亦即潛在變量或假定的成份，事件
迫切需要的工作。如果只利用少數的潛在變量或成份
便能有效代表許多彼此有關的變項結構，是件經濟有
效事。

2 11/25/09
 因此我們利用主成份分析法來達成這種目的；利用主
成份分析，我們也可得知如何將較少數的幾個變項予
以線性組合，使經由線性組合而得的成份之變異數變
為最大，亦即使受試者在這些成份方面顯出最大的個
別差異來。這一點是主成份分析與因素分析最大不同
之處 ( 因為因素分析的目的在找出共同因素出來，強
調找出相同點 ) 。

3 11/25/09
主成份分析的基本概念 (1/2)
 若欲將變數減少成少數幾個互相獨立的線性組合變數
，亦即潛在變量或成份，就必須使用主成份分析。
 主成份分析法是考慮將資料中原有的 p 個變數做線性
組合得到 k 個新變數。通常 k 比 p 小很多。
 主成份分析法的另一項功能是能將彼此間具有相關關
係的 p 個變數，經過線性組合後成為 k 個彼此間相關
係數為 0 的新變數，此過程稱為萃取（ Extraction ）
。
 使經由線性組合而得到的成份之變異數為最大，使觀
測值在這些成份上顯示出最大的個別差異來。

4 11/25/09
主成份分析的基本概念 (2/2)
 主成份分析除了用來簡化變數間之關係外，可用來縮
減某一組欲進行多變量分析之變數的數目。
 主成份分析也可將各變數的原始分數轉為主成份分數
，以供進一步的統計分析。
 主成份分析還可用來建構多種具有不同衡量單位變數
之綜合指標。
 主成份亦可根據其負荷量來對主成份命名。
 例如：以身高與體重來建構「塊頭」指標、以成長率
與市場佔有率來建構「行銷績效」指標。

5 11/25/09
主成份的萃取 (1/2)
1 、計算相關矩陣或共變數矩陣估計共同性 (community) ：

若是相關矩陣則共同性設為 1 ；若是共變數矩陣則共
同性為各變數的變異數。

2 、從相關矩陣或共變數矩陣中，萃取主成份。

3 、決定因素的數目。

4 、因素命名與結果解釋。

6 11/25/09
主成份的萃取 (2/2)
 假設有 p 個數字變數，則可計算出 p 個主成份。

 共同性會等於 1 ，亦即沒有誤差項。
 主成份分析重視的是「變異數」，因素分析重視的則
是「共變異數」。為使變異數達到最大，通常進行主
成份分析後不再轉軸，而因素分析則需要轉軸。
 主成份分析使觀察值在這些主成份乃顯示出最大的個
別差異。因素分析的目的是找出共同性。

7 11/25/09
主成份萃取的運算原理
 使組合 ， 在
下， Var(y)=a′ ∑a 最大的解 a 是矩陣 的最大特
徵值（ eigenvalue ）所對應的特徵向量（ eigenvector ）
 最大特徵值所對應的特徵向量 a 是使 Var(y)=a′ ∑a 最大的解。
 假設學生有身高與體重兩變數，為了提高每位學生的分辨能力，
要使線性組合 的變異數
愈大愈好。在 的限制下，找 α1 、 α2
值使
Var(y1 ) 最大。
 主成份分析可使用共變異數矩陣，亦可使用或相關係數矩陣進行
分析，一般當單位不同時以使用相關矩陣較佳。

8 11/25/09
主成份分析的特點與觀念 (1/4)
（一）直交性
第 j 個特徵向量（即係數向量）與第 j － 1 個特徵向量直交：亦即

第 j 個主成份與第 j － 1 個主成份直交：亦即
（二）特徵值就是主成份的變異數
Var ( y j ) =λj

（三）所有主成份的變異數總和與所有變數之變異數總
和相等
p p

∑Var ( y
j =1
j ) = ∑Var ( xi )
i =1

9 11/25/09
主成份分析的特點與觀念 (2/4)
（四）主成份解釋的變異數比例
Var ( y j ) Var ( y j ) λj λj
= = =
∑ Var ( y ) ∑ Var ( x ) ∑ λ
p p p
p
j i i
j =1 i =1 i =1

∑λ
i =1
i =p

（五）主成份負荷（ loading ）
主成份負荷指第 j 個主成份 yj 與第 i 個變數 xi 的相關係數 ( 亦稱
負荷 )
a ji λ j
ry j xi =
si

10 11/25/09
主成份分析的特點與觀念 (3/4)
（六）共同性（ Communality ， h2 ）。
第 j 個主成份解釋變數 xi 的變異數比例稱為共同性。
在主成份分析前，初步的（ Initial 欄）對每一個變數皆為 1 ，經萃
取後（ Extraction 欄）每一個 j 變數的共同性為（ 1<j ≦k<p ) ，其中 k
為特徵值大於 1 的變數。

當用來解釋變異量的主成份個數取的愈多時，共同性愈高。

當所有主成份都取時，共同性 都等於 1 。

h12i + h22i + ......... + hki2 + h(2k +1)i + ...... + h pi2 = hi2 = 1

只取同一個主成份時，所能解釋各變數的共同性總和為 。
λi
p

∑h
i =1
2
ji = h 2j1 + h 2j 2 + ........ + h 2jp = h 2j = λ j

11 11/25/09
主成份分析的特點與觀念 (4/4)
 （七）主成份分數（ Score ）
經過主成份萃取後已可得到每個主成份下每個變數的係數（權重
），如此就可得到每筆資料經過主成份轉換後的主成份分數。

後續的分析將不再使用原始變數，而是主成份的綜合指
標。 SPSS 會自動計算每一筆資料的主成份分數。

第 i 位資料( x1i , x2i ,.., x pi ) x i的第 j 個主成份

，其中 為第 i 個變數的
平均數，即：
yi = a j1 ( x1i − x1 ) + a j 2 ( x2i − x2 ) +  + a jp ( x pi − x p )

12 11/25/09
Factor analysis
因素分析的基本概念 (1/5)
 因素分析是數學中一種精簡作法，它能夠將為數眾多的
變數濃縮成為較少的幾個精簡變數，這些精簡的變數就
是因素，因此這種統計處理就稱為因素分析。

 因素分析理論是假定個體在變數上之得分，是由兩個部
分組成，一個是各變數共有的成份，即共同因素，另一
是個變數所獨有的成份，即獨特因素。共同因素可能是
一個、兩個或好幾個。如果每個受試者均有 k 個變數分
數，由於每個變數均有一個獨特因素，固有 k 個獨特因
素，但共同因素的數目 (G) ，通常少於變數的個數
(g≦k) ，因素分析就是再將這些共同因素抽取出來。

14 11/25/09
因素分析的基本概念 (2/5)
 因素分析有兩個主要的基本假設：

1) 測驗總分數等於共同因素之加權分數總和，加特殊因素
及誤差的分數。
2) 兩測驗間的相關係數乃是兩測驗的共同因素負荷量交乘
積之和。

15 11/25/09
因素分析的基本概念 (3/5)
 因素分析的步驟：
1) 計算各變數間的積差相關係數，組成一相關係數矩陣，並估計
共同性 (h2) 。
2) 因素模式的選定：採用何種方法估計共同性？採用分次抽取法
或一次抽取法以得到未轉軸的因素負荷量？
3) 因素抽取方法的選擇： ( 含要保留幾個共同因素 ) ，通常取
eigen value>1 的因素。
4) 因素軸的旋轉：使每個變數只歸屬於一個或少數幾個因素，因
素結構簡單化，以得到已轉軸因素負荷量，使便於因素命名。
因素轉軸可分為正交旋轉法及斜交旋轉法兩種。
5) 結果之解釋：因素之命名，是由因素中包括那些重要變數來決
定。它是一種依據學理的猜測工作。故不同研究者對一共同因
素所取的名字可能不相同。然而，基本都要有理論根據，或依
據在該一共同因素上負荷量較大的測驗之性質來取名。
16 11/25/09
因素分析的基本概念 (4/5)
 抽取共同因素的方法有很多種，最近較常用的為「主
軸法」。未轉軸因素負荷量要經過轉軸後，方能較容
易的看出哪些測驗是屬於哪一個共同因素的，也較有
助於因素的命名。

 最常見的正交轉軸法是「最大變異法」。其目的在使
轉軸後每一共同因素本身之內的因素負荷量大小相差
僅量達最大，以利於共同因素的辨認和命名。

 通常我們只保留特徵值 >1 的特徵向量。例如有三個

特徵向量其相對應的特徵值 >1 ，就說抽到三個共同
因素。

17 11/25/09
因素分析的基本概念 (5/5)
 因素分析與主成份分析主要差異在：使用主成份分析
之主要目的在求出特徵向量，以便將原來的觀察分數
轉換成成份分數，使它們在新軸上變異數為最大。因
此主成份分析的重點在如何「轉換」，也重視在處理
「變異數」的問題。但因素分析重視的是如何解釋反
應之間的「共變數」。因每一受試者的反應變量均為
一些「共同因素變量」及「唯一變量的線性函數」
。共同因素可產生反應變項之間的共變數 ( 標準化後
即成相關係數 ) ，而唯一性變量部份則只對所屬的變
相之變異數有所貢獻。也就是說，因素分析主要目的
，在了解原始變數與變數之間的關係。

18 11/25/09
因素模型的假設
1 共同因素之間互為獨立，即因素間是直交的，亦即
Cov ( f i , f j ) = 0 i≠ j
，其中 。
εi εi φi
2、 之間互相獨立，且 平均數為 0 ，變異數為
。
( )
Cov f j , ε i = 0 i≠ j
3 、共同因素與獨特因素間也是獨立的，亦即
，其中
。

19 11/25/09
共同性、特徵值與因素負荷量之關係
 在因素分析中，共同性 ( h)i2 就是每個變數 在每個共
同因素負荷量的平方 ( f ij)2 總和。

 從共同性的大小可以判斷這個原始變數與共同因素間之關
係程度。

 在主成份分析中，有多少個原始變數便有多少個主成份，
所以共同性會等於 1 ，沒有獨特因素，亦即沒有誤差項。
，
當2 m 時，
hi =∑f ij2
且ε i = 1 − h 2
m = 3 hi
2
= f 2
i1 + f 2
i2 + f 2
i3
j =1

20 11/25/09
共同性與可解釋變異比例關係圖

萃取的因素愈少愈好 ，但萃取因素的累積解釋變異量愈大愈好
21 。 11/25/09
因素分析的共同性、特徵值與因素負荷量之關
係表

22 11/25/09
因素的萃取方法 (1/2)
（一）主成份法

因素分析中最重要與最常見的分析形式是主成份法
（ Principle Components Factoring ， PCF ）。

成份分析法是以相關係數矩陣 R 為分析工具，亦即萃取
因素時乃使用相關係數矩陣 R 的對角線數字 1 ，如同第
一節的主成份分析一樣。

23 11/25/09
因素的萃取方法 (2/2)
（二）主因素法
如果 R 的對角線元素不是 1 ，而是以小於 1 的某些正數取
代，稱為主因素法（ Principal Axis Factoring ， PAF ）。

界定先前共同性估計值（ Prior Communality Estimates ）

，通常假設共同性之估計值為每個變數 Xi 與其它變數之
複相關係數平方。

（三）最大概似法
最大概似法（ Maximum Likelihood ， ML ）在大樣本時
，此方法比主因素分析更利於估計。

24 11/25/09
模式適合度評估

 共同因素所解釋的相關，與實際相關間的差異，稱為
殘差相關（ residual correlation ），評估共同因素模式
適合度（ Model Fit ）。

 如果殘差值愈低則代表模式適合度愈高。

25 11/25/09
因素分析的陡坡圖
ScreePlot

10

6
ig
nlu

4
eEa
v

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Component Number

26 11/25/09
因素旋轉
 因素分析的理想情況，使每一橫列中只有一個元素接
近 1 ，而其他大部分的元素接近 0 ，必須透過轉軸
（ Rotation ）才能達成。

 假使因素是以直交（ orthogonal ）轉軸法轉軸 ，故

轉軸後因素也是無相關的；假如因素是以斜交
（ oblique ）轉軸法轉軸，則轉軸後因素成為相關的
。

 在應用上，直交轉軸較為普遍。

27 11/25/09
直交轉軸與斜交轉軸的比較圖

28 11/25/09
因素轉軸方法的選擇
 在各種因素轉軸法中，以 Varimax 法最為常用，它乃使
因素負荷表中每一縱行的 變異最大，其目的是將因素
負荷矩陣的行做簡化 。
 而 Quartimax 法是使因素負荷矩陣每一橫列變異最大，將
因素負荷矩陣橫列做簡化。
 每個變數 旋轉後的共同性與旋轉前的共同性是相同的
。每個因素旋轉前後的解釋變異量比例（即特徵值 ）
稍有不同，解釋變數的變異量比例總和不變。
 轉軸並不會改變因素解釋的能力，在統計上所有的轉軸
法皆是相等的。

29 11/25/09
主成份分析與因素分析的比較 (1/2)
 主成份分析所著重的在於如何「轉換」原始變數
使之成為一些綜合性的新指標，而其關鍵在「變
異數」問題。

 因素分析重視的是如何解釋變數之間的「共變異
數」問題。

 因素分析的功能在於解釋原始變數間之關係，而
主成份是找出原始變數間的線性組合。

30 11/25/09
主成份分析與因素分析的比較 (2/2)
 因素分析與主成份分析的差異大致可歸納為下列幾點：
1. 主要目標：主成份分析法是要減少變數個數，而因素分析法是
要找尋變數間內部之相關性及潛在的共同因素。
2. 強調重點：主成份分析法強調解釋資料變異的能力，而因素分
析法強調的是變數之間的相關性。
3. 最終結果應用：主成份分析法是要形成一個或數個總指標，因
素分析法是要反映變數間潛在或觀察不到的因素。
4. 變異數解釋程度：主成份分析沒有誤差項，而因素分析有誤差
項。
5. 是否需要旋轉：因素分析因需要經過旋轉才能對因素做命名與
解釋，而主成份分析是做指標用的，故不需要旋轉。
6. 是否有假設：主成份分析只是對資料做變換，並不需要任何假
設；因素分析對資料要求須符合許多假設。

31 11/25/09
 例：
某測驗專家想了解魏氏兒童智力量表 (WISC) 的十二
個分測驗到底由那幾個主成分與共同因素所構成。

下表是他利用 20 名八歲組兒童測驗的結果。試就此項
資料進行抽取共同因素的工作。 ( 智力 .sav)

32 11/25/09
 變數
1 2 3 4 5 6 7 8 9 10 11 12
受試者
A 20 19 5 20 13 12 3 5 9 10 4 7
B 9 11 7 10 9 11 6 6 7 4 8 8
C 14 11 8 13 13 10 14 12 13 7 6 12
D 8 9 8 11 8 7 15 15 11 13 10 10
E 10 10 5 10 10 11 10 5 12 11 7 15
. . .
. . .
. . .

33 11/25/09
34 11/25/09
35 11/25/09
36 11/25/09
 因素陡坡圖
7

1
特徵圖

0
1 2 3 4 5 6 7 8 9 10 11 12

成份 編號

37 11/25/09
 變數 成分 1 成分 2 成分 3
1 常識 .697 -.634 .02
2 類同 .741 -.531 -.103
3 算數 .699 -.229 .277
4 詞彙 .718 -.585 -.08
5 理解 .716 -.360 -.391
6 記憶廣度 .643 -.04 .689
7 圖形補充 .710 .293 -.434
8 連環圖系 .587 .488 -.477
9 圖形設計 .841 .320 -.16
.682 .487 .159
10 物形配置
.685 .339 .471
11 符號替代
.633 .581 .02
12 迷津
特徵值 5.859 2.325 1.396
百分比 48.824 19.371 11.635
累積 % 48.24 68.195 79.83

主成份分析摘要表 ( 未轉軸 )
38 11/25/09
 根據主成份係數可以看出：
 第一個成份代表受試者對所有分測驗之普遍反映。
 第二個是兩極性的成分：是「語文能力」與「非語文能力」
相對照的成份。
 第三個成份也是兩極性的成分，是「記憶力」與「理解力」
相對照的成份。

要做這類的結果解釋，必須把成份係數與該成份係數
所屬的變數配對來看。例如「記憶廣度」與「第三成
份」的相關是 .689 ， .-3.91 是「理解」與「第三成份
」的相關。第三成份代表「記憶力」與「理解力」，
主要是根據成份係數較大者來判斷。
39 11/25/09
 因素命名 分測驗 變數 因素 1 因素 2 因素 3
連環圖系 V8 .89* -.20 .16
圖形補充 V7 .85* -.41 .18
作業量表 圖形設計 V9 .84* -.45 .52
迷 V12 .78* -.11 .53
津 V10 .71* -.19 .63
物形配置
常識 V1 .15 -.93* .32
詞彙 V4 .23 -.93* .27
語文量表 類同 V2 .28 -.91* .28
理解 V5 .47 -.83* －－
算數 V3 .28 -.64* .60

記憶量表 記憶廣度 V6 .19 -.42 .91*

符號替代 V11 .51 -.24 .85*

魏氏兒童 IQ 量表之因素結構
40 11/25/09
 所謂因素結構，就是這十二分測驗與所抽取三個
因素之間的相關係數，所以值必小於 1 。由上表
可看出：
 連環圖系、圖形補充、圖形設計、迷津與物形配置這五
個分測驗，屬第一個共同因素，且與”圖形識別”有關。
 常識、詞彙、類同、理解與算術這五個分測驗，屬第二
個共同因素，均與”一般知識”有關聯。
 記憶廣度與符號替代這兩個分測驗屬於第三個因素，與”
抽象記憶概念”有關連。

41 11/25/09
 在從事測量工作時，用來測驗學生的性向、成就和人格等特
質的測量工具就叫做「測驗」 (test) 。所謂「評鑑」
(evaluation) ，是指對測量的結果予以價值判斷的過程。測量
只給教師一些從測驗上得到的數字而已，至於評鑑則需進一
步對這些數字作人為的判斷和解釋，以供決策之用。

 一個好的心理測驗應具備兩個條件，信度 (reliability) 與效度

(validity) 。信度又名可靠性，是指前後幾次測驗所得結果一
致的程度。假設利用一把有彈性的尺反覆測量學生的身高，
所得的結果可能不一樣，這把尺便不可靠，也就是缺乏信度
。通常在決定測驗的信度時，常利用一群受試者，前後測兩
次，用統計的方法求兩次分數的相關係數。如果受試者人數
多， r=0.8 以上，即表示此一測驗具有高的信度。

42 11/25/09
 效度又名正確性，表示能否測出我們想要測量的能力
特徵之程度。假定使用一個智力測驗的結果，是「越
用功的學生所得分數越高」，而不是「越聰明的學生
所得分數越高」，則這個測驗所測的是學生「努力」
的程度，而不是「智力」高低的程度。就智力測驗而
言，像這樣測不出聰明程度的測驗，便是效度很低。

 例 以 20 名兒童接受魏氏兒童智力量表十二分測驗
為 例，是計算出此十二個分測驗的效度。並以
Varimax 法進行正交轉軸，以比較各分測驗對 IQ 能
夠解釋量的高低。

43 11/25/09
44 11/25/09
45 11/25/09
 變數 分測驗 因素 1 因素 2 因素 3 共同性 hi2 ( 即效度 )

V1 常 .70 -.62 .02 0.8748

V2 識 .74 -.50 -.10 0.8076
V3 類 .66 -.17 .19 0.5006
V4 同 .72 -.56 -.08 0.8384
V5 算 .70 -.32 -.33 0.7013
V6 數 .65 -.02 .72 0.9413
V7 詞 .69 .29 -.39 0.7123
V8 彙 .57 .47 -.42 0.7222
V9 理 .83 .32 -.09 0.7994
V10 .65 .45 .13 0.6419
解
V11 .66 .33 .39 0.6966
記憶廣度
V12 .61 .53 .02 0.6534
圖形補充
連環圖系
圖形設計
物形配置
符號替代十二個分測驗的共同因素 ( 未轉軸
迷 F)
46 津 11/25/09
 變數 分測驗 因素 1 因素 2 因素 3 共同性 hi2 ( 即效度 )

V1 常 .91* .01 .22 0.8766

V2 識 .86* .17 .16 0.7941
V3 類 .52 .19 .44* 0.5001
V4 同 .90* .10 .16 0.8456
V5 算 .75* .37 -.02 0.6998
V6 數 .31 .03 .92* 0.9434
V7 詞 .30 .78* .05 0.7009
V8 彙 .10 .84* .00 0.7156
V9 理 .32 .74* .38 0.7994
V10 .07 .61* .51 0.6371
解
V11 .11 .42 .71* 0.6926
記憶廣度
V12 -.00 .69 .41 0.6442
圖形補充
連環圖系
圖形設計
物形配置
符號替代
迷 十二個分測驗的共同因素 ( 已正交轉軸
47 津 G) 11/25/09
 從已正交轉軸研究者可看出：
 常識、類同、詞彙與理解四個分測驗屬於因素 1 ，暫定命名
為語文因素。
 圖形補充、連環圖系、圖形設計、物形配置與迷津五個分測
驗屬因素 2 ，暫定命名為作業因素。
 算數、記憶廣度及符號替代這三個分測驗屬因素 3 ，暫定命
名為注意因素。

 到底魏氏兒童 IQ 量表十二個分測驗，以正交「 Varimax 」

法較適當，或以「直接斜交法」較適當？這個答案似乎以「
直接斜交法」較為正確。常理來說，除非研究的量表有十足
的理論及文獻支持，它是採正交轉軸法，否則多用斜交轉軸
法。
48 11/25/09
 例
以十名游泳選手為受試者，就「氣力」、「耐力」、
「速度」和「協調」四項測驗進行觀察。下表是實測
結果的成績，試就該項資料進行主成份分析及因素分
析。 ( 游泳 .sav)

49 11/25/09
 選項 氣力 耐力 速度 協調
1 11 9 7 4
2 9 8 11 13
3 9 11 5 4
4 8 13 15 14
5 6 5 6 11
6 2 6 9 9
7 5 7 4 8
8 12 11 4 5
9 15 12 11 13
10 1 6 4 6

10 名選手的四項測驗成績

50 11/25/09
51 11/25/09
52 11/25/09
53 11/25/09
 因素陡坡圖
2.5

2.0

1.5

1.0

.5
特徵圖

0.0
1 2 3 4

成份編號

54 11/25/09
 變數 測驗 成份 1 成份 2 成份 3 成份 4

V1 氣力 .68828 .62229 .36350 -.08298

V2 耐力 .78125 .52406 -.30389 .15053
V3 速度 .85337 -.44092 -.18592 -.20687
V4 協調 .67234 -.68636 .21697 .17260

特徵值 ( 即平方和 ) 2.2644 1.3274 .3061 .1021

佔總變異 % 56.6% 33.2% 7.7% 2.6%

佔總變異累積 % 56.6% 89.8% 97.4% 100%

主成份摘要表

55 11/25/09
 第一個成份與「氣力」、「耐力」、「速度」和「協調」
四個變數均有正相關存在。它可能是與這四種變數都有關
的普通能力。

 第二個成份具有兩極的性質，它依照「強健」 ( 氣力、耐力
) 和「敏捷」 ( 速度、協調 ) 分成兩類。

 成份三和四，由於不重要，不須解釋。

 這些因素需進一步斜交轉軸後，才能顯現出其所含的真正
意義。

56 11/25/09
 變數 共同因素 A 共同因素 B 共同性
V1 氣力 .92604* -.15817 .8826
V2 耐力 .93765* -.29193 .9644
V3 速度 .39336 -.94371* .891
V4 協調 .0989 -.95253* .9197
平方和 2.264 1.3274 3.5914

因素分析摘要 ( 已斜交轉軸 )

57 11/25/09
 從因素分析摘要表中可以看出每一變數，如果在第一個
共同因素的負荷量大，則在另一共同因素的負荷量便較
小。
 這一個趨勢使我們容易看「速度」和「協調」這兩個變
數是屬於因素 A ，而「氣力」和「耐力」這兩個變數
是屬因素 B 。
 若為因素 A 及因素 B 命名，可稱因素 A 為「敏捷因素
」，因素 B 為「強鍵因素」，或其他可代表「氣力」
、「耐力」、「速度」和「協調」的共同性值之名稱；
如此一來，因素 A 及因素 B 便顯得有意義了。這便是
解釋共同因素之意義和了解其性質時所採用的策略。

58 11/25/09
 轉軸後 空間中的成份 圖
1.0

.5

氣力
0.0 耐力

-.5

速度
成份 2

-1.0 協調
-1.0 -.5 0.0 .5 1.0

成份 1

為因素分析摘要 ( 已斜交轉軸後 ) ，個變數在此二共同因

素軸的投影位置。
59 11/25/09