R语言中PCA结果载荷疑问：筛选主成分后Comp1&2系数为何变化？

这个问题其实挺常见的，核心要从PCA的计算逻辑和你操作的细节入手，我给你拆解几个最可能的原因：

1. 你不是提取已有PCA的载荷，而是重新对筛选后的变量做了PCA #

这是最常见的情况！PCA的主成分是基于你输入的所有变量的协方差/相关矩阵计算出来的——简单说，变量集合变了，主成分的方向（也就是载荷系数）肯定会变。

举个R里的例子：

# 用iris数据集的全部4个特征做PCA
pca_full <- prcomp(iris[, 1:4], scale. = TRUE)
# 查看全变量PCA的前两个主成分载荷
print(pca_full$rotation[, 1:2])

# 现在筛选前2个特征，重新做PCA
pca_subset <- prcomp(iris[, 1:2], scale. = TRUE)
# 查看筛选变量后的PCA载荷
print(pca_subset$rotation)

你会发现这两个结果的Comp1、Comp2载荷完全不一样——因为第二次PCA只考虑了Sepal.Length和Sepal.Width的协方差结构，和全变量的协方差结构完全不同，主成分自然是全新的方向。

2. 你对数据做了不同的预处理（缩放/中心化） #

PCA的结果非常依赖变量的尺度：如果第一次做PCA时没缩放变量（scale. = FALSE），第二次做的时候缩放了（scale. = TRUE），或者反过来，载荷系数也会发生巨大变化。

比如：

# 不缩放的PCA
pca_no_scale <- prcomp(iris[, 1:4], scale. = FALSE)
# 缩放的PCA
pca_scaled <- prcomp(iris[, 1:4], scale. = TRUE)

# 对比两者的载荷
print(pca_no_scale$rotation[, 1])
print(pca_scaled$rotation[, 1])

因为不缩放时，方差大的变量（比如Petal.Length）会主导主成分，缩放后所有变量权重一致，主成分方向自然不同。

3. 你对主成分做了旋转处理 #

默认的PCA（比如prcomp）是不旋转的，但如果你用了psych包的principal()函数并指定了旋转（比如rotate = "varimax"），旋转后的主成分载荷会和原始PCA的载荷不同——旋转的目的是让载荷更易解释，它会改变主成分的方向，但保留总方差解释率。

例子：

library(psych)
# 原始PCA（无旋转）
pca_original <- prcomp(iris[, 1:4], scale. = TRUE)
# 带varimax旋转的PCA
pca_rotated <- principal(iris[, 1:4], nfactors = 2, rotate = "varimax")

# 对比载荷
print(pca_original$rotation[, 1:2])
print(pca_rotated$loadings)

你会看到旋转后的载荷分布更极端，更容易区分哪些变量和哪个主成分相关，但这和原始PCA的载荷已经不是一回事了。

4. 主成分的符号差异（看起来像变化，但其实是正常现象） #

有时候你会发现载荷的正负全部反转，这不是计算错误——主成分的方向是任意的，只要它能解释最大方差，取正或取负都是合理的。比如prcomp和princomp的结果可能符号相反，但本质是同一个主成分，这种情况不算“系数变化”，只是方向反转。

总结一下 #

如果你的载荷系数数值大小发生了变化，大概率是前三个原因之一：要么你重新对筛选后的变量做了PCA，要么预处理方式变了，要么做了旋转。如果只是符号反转，那是正常的，不影响PCA的解释。

内容的提问来源于stack exchange，提问作者Zimeng Zhao