主成分分析とは？
― 多変量データの情報を保ったまま要約する次元縮約手法

多数の変数を情報量をできるだけ保ったまま少数の合成変数（主成分）に要約する統計手法。次元削減・データ可視化・後続分析の前処理として広く利用されます。

難易度：★★☆ 想定読了：8分 最終更新 2026.05.17 監修：スマート・アナリティクス代表
分析手法を相談する SPSS製品選定を見る

主成分分析とは

多数の変数を情報量をできるだけ保ったまま少数の合成変数（主成分）に要約する統計手法。次元削減・データ可視化・後続分析の前処理として広く利用されます。

主成分分析で分かること

  • 多変量データの主要な変動パターン
  • 変数間の冗長性（似た変数の存在）
  • 少数次元によるデータの要約・可視化
  • 後続分析に使う主成分得点

主成分分析の主な種類

観点主成分分析因子分析
目的情報の要約・次元削減潜在構造の解釈
誤差の扱い考慮しない誤差項を分離
主な用途前処理・可視化尺度構成・理論検証

研究・ビジネスでの利用シーン

高次元データのプロット

データ可視化

30変数のアンケートデータを2次元プロットで可視化し、データ構造を把握します。

クラスタリング前の縮約

予測前処理

多変数を主成分に縮約してから、クラスター分析に投入します。

総合指標の作成

指標統合

複数指標を統合した総合スコアを作成し、ランキングや比較に活用します。

SPSSで実施する場合の製品選定

主成分分析をSPSSで実施する際に必要となる製品とオプションを整理します。

目的推奨製品備考
主成分分析（PCA）IBM SPSS Statistics Base標準機能
PCA+回帰分析IBM SPSS Statistics Base + Regression主成分回帰
PCA後の構造検証IBM SPSS Amos確認的因子分析

分析時の注意点

  • 変数の尺度を揃える（標準化）
  • 寄与率・累積寄与率を確認する（70〜80%以上が目安）
  • 解釈よりも要約・前処理を目的とする
  • 外れ値の影響を受けやすい

主成分分析の進め方、専門家がサポートします

分析設計の段階から、結果解釈・論文記述まで——研究テーマに応じてご相談いただけます。
必要なSPSS製品の構成もあわせてご提案します。

無料オンライン相談（30分） 価格・見積を依頼

お電話でのご相談：0120-835-761　受付 9:00–18:00（土日祝除く）

よくあるご質問

Q.主成分分析と因子分析どちらを使う？
情報の圧縮・要約が目的なら主成分分析、潜在構造の解釈が目的なら因子分析を選択します。
Q.何個まで主成分を残すべき？
固有値1以上（Kaiser基準）、累積寄与率70〜80%以上、スクリープロットの折れ目などを総合的に判断します。
Q.主成分得点は何に使える？
回帰分析の説明変数、クラスター分析の入力、可視化のためのプロットなど、後続分析の入力として活用できます。

お気軽にご相談ください0120-835-761受付時間 9:00-18:00 [ 土・日・祝日除く ]

問合せ・見積・注文をする お気軽にお問い合わせください