您似乎假设最大的特征值必然可以与特征向量中的最大系数配对。那是错误的。
这个问题显然超越了软件选择。这是一个相当愚蠢的 PCA，它使用 Stata 的汽车数据集对汽车尺寸进行五种测量。我使用相关矩阵作为起点，这是考虑到完全不同的测量单位的唯一明智选择。
. pca headroom trunk weight length displacement
Principal components/correlation Number of obs = 74
Number of comp. = 5
Trace = 5
Rotation: (unrotated = principal) Rho = 1.0000
--------------------------------------------------------------------------
Component | Eigenvalue Difference Proportion Cumulative
-------------+------------------------------------------------------------
Comp1 | 3.76201 3.026 0.7524 0.7524
Comp2 | .736006 .427915 0.1472 0.8996
Comp3 | .308091 .155465 0.0616 0.9612
Comp4 | .152627 .111357 0.0305 0.9917
Comp5 | .0412693 . 0.0083 1.0000
--------------------------------------------------------------------------
Principal components (eigenvectors)
----------------------------------------------------------------
Variable | Comp1 Comp2 Comp3 Comp4 Comp5
-------------+--------------------------------------------------
headroom | 0.3587 0.7640 0.5224 -0.1209 0.0130
trunk | 0.4334 0.3665 -0.7676 0.2914 0.0612
weight | 0.4842 -0.3329 0.0737 -0.2669 0.7603
length | 0.4863 -0.2372 -0.1050 -0.5745 -0.6051
displacement | 0.4610 -0.3390 0.3484 0.7065 -0.2279
----------------------------------------------------------------
（输出被截断。）
第一个组成部分指出了这样一个事实，即所有变量都是大小的度量，它们具有很好的相关性。因此，对于第一个近似值，系数是相等的；当所有变量都挂在一起时，这是可以预料的。其余成分实际上拾取了每个原始变量的特殊贡献。这不是不可避免的，但对于这个例子来说很简单。但是，就您的观点而言，您可以看到最大的系数，例如绝对值高于 0.7 的系数，与组件 2 到 5 相关联。没有什么可以阻止最大系数与最后一个组件相关联。
（更新）特征向量提供信息，但将分量本身计算为新变量然后查看它们与原始变量的相关性也很有帮助。他们来了：
pc1 pc2 pc3 pc4 pc5
headroom 0.6958 0.6554 0.2900 -0.0472 0.0026
trunk 0.8405 0.3144 -0.4261 0.1138 0.0124
weight 0.9392 -0.2856 0.0409 -0.1043 0.1545
length 0.9432 -0.2035 -0.0583 -0.2245 -0.1229
displacement 0.8942 -0.2909 0.1934 0.2760 -0.0463
这trunk是与 最密切相关pc3但负相关的变量。关于为什么会发生这种情况的故事将取决于查看数据和 PC。我不太关心这里的示例，但这将是一个好习惯。
虽然我做了一些事先考虑的例子，它适合你的问题，而且它是基于真实数据的，但它也是有益的：解释 PC 可能并不比解释更直接的东西（如散点图和相关性）容易. 然而，并不是每个 PCA 应用程序都依赖于将 PC 解释为具有实质性意义的能力，并且许多文献警告在任何情况下都不要这样做。出于某些目的，重点是对数据中的信息进行机械重新排序。
