我认为你有它倒退。如果该值为正，则该变量的较高分数与该组件的较高分数相关联，如果该值为负，则较高的分数意味着该组件的较低分数。

此外，人们有时会使用 PCA 来确定是否保留或组合某些变量以进行后续分析。严格来说，这不是对 PCA 的适当使用。 为此目的应该使用因子分析，但无论如何，人们都会这样做。在这种情况下，人们会查看绝对值，看它是否高于某个任意阈值，例如 0.5，如果是，则保留（或合并），如果不是，则丢弃。对于它的价值，我不推荐这个。

更新：我不知道我是否回答了正确的问题。在我看来，@whuber 的第二条评论在金钱上是正确的，也与我上面的第一段一致。但是，现在的问题与以前不同，与我对@whuber 评论的理解不同，所以我有点困惑。本质上，PCA 求解特征向量和特征值。无论您是否首先将变量居中，都不会是负面的。特征值是对应特征向量的长度. 就像我不能买一块-10 英尺（即-3 米）长的木板来建造露台一样，你不能有负的特征值。返回的特征向量也将是正的。您可以通过将所有符号乘以 -1 来否定它，但正如@whuber 指出的那样，这将毫无意义。正如@whuber 所指出的，相对符号是有意义的，它们与组件的关系正如我在上面第一段中所说的那样。也就是说，相对符号（负与正）将表示变量的较高（/较低）分数与变量是否首先居中的组件之间的相同关系。

将变量居中不应更改 PCA 结果，因为 PCA 首先确定相关矩阵并从那里继续。无论如何，您的变量之间的相关性应该是相同的，因此 PCA 结果不应受到您执行的任何平均居中的影响。

当我们说相关性时，这意味着可以是两个方向，即正面和负面。主要成分的解释是基于找出哪些变量与每个成分最密切相关，即，这些数字中的哪些数量大，在正或负方向上离零最远。