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

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
主成分回帰(主成分得点を用いた重回帰)IBM SPSS Statistics Base主成分得点を保存して重回帰にかけるため追加オプションは不要
PCA後の構造検証IBM SPSS Amos確認的因子分析

目的別の構成例:心理学・教育学のおすすめ構成/マーケティング・顧客分析のおすすめ構成

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。

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

次に学ぶなら