1. PCA 中的偏度问题与回归中的问题相同：较长的尾巴，如果它相对于整个分布范围真的很长，实际上表现得像一个大的异常值——它将拟合线（在您的情况下为主要成分）强烈拉向本身，因为它的影响力增强了；它的影响力增强了，因为它与平均值相差甚远。在 PCA 的上下文中，允许非常偏斜的变量与在不使数据居中的情况下进行 PCA 非常相似（即，基于余弦矩阵而不是相关矩阵进行 PCA）。是您决定是否允许长尾对结果产生如此大的影响（并让数据如此）或不（并转换数据）。该问题与您如何解释载荷无关。

2. 随你便。

3. KMO 是一个指数，它告诉您偏相关是否足够小，无法将数据提交给因子分析。因为在因子分析中，我们通常期望一个因子加载不止两个变量。您的 KMO 足够低。如果您从具有较低单个 KMO 值的分析变量中删除它可以做得更好（这些形成反图像矩阵的对角线，您可以请求在 SPSS 因子程序中显示此矩阵）。将变量转换为不那么偏斜的变量可以恢复 KMO 吗？谁知道。也许。请注意，KMO 主要在因子分析模型中很重要，而不是主成分分析模型：在 FA 中，您拟合成对相关，而在 PCA 中则不。

+1 @ttnphns，我只想在第 2 点上扩展一点。变换通常用于稳定偏斜。正如@ttnphns 指出的那样，您将在运行分析之前使用这些。对数变换是Box-Cox 幂变换系列的一部分. 您将需要考虑更广泛的可能转换，而不仅仅是对数（例如，平方根、倒数等）。不同对数基数之间的选择对变换的强度没有影响。当人们要对转换后的变量进行数学运算时，有时会首选自然对数，因为在某些情况下自然对数可以使数学更清晰。如果您不关心这一点，您可能想要选择一个有助于解释的基础。即新尺度中每增加一个单位将代表一个基数-原始比例的倍数增加（例如，如果您使用以 2 为底的对数，那么每个单位将增加 2 倍，以 10 为底意味着每个单位将增加 10 倍，等等），所以它可以很好选择一个基础，使您的数据将跨越转换后的比例中的多个单位。