CPA简介
PCA是一种统计方法，与家庭有关的多元统计的基础上，尺寸，其目的是了解个人群体之间的区分什么的减少。
它包括通过将多维数据转换为新的与解相关的变量来研究多维数据。这些新变量我们称为主要成分或主轴。
PCA的优点之一是允许在二维平面内可视化多维数据，同时最大程度地减少了信息丢失（统计惯性）。
ACP的利益
PCA是一种非常直观的统计方法，可以：
都研究变量之间的相关性，
还可以确定同一组内的同质个体组，并在不同组之间进行区分。
它可以应用于许多领域，并可以获取视觉结果，这些结果可以通过解释轻松地进行解释。
PCA在血清阳性率研究SEROCOV56中的应用
在SEROCOV56研究中，PCR用于观察不同试剂盒之间阳性试验的差异。
基本解释之一是在测试结果之间采用某种形式的外观动力学。
在应用PCA之前，对光密度进行了归一化，以便能够相互比较。
主轴相关图的结果如下：
从右上角的表盘到右下角的表盘，我们观察到一种外观动力学形式（与同一项研究的一致性测试的分析过程中观察到的形式相同） ，即：
1. IgM，
2. IgA，
3. IgG“ Spike”，
4. IgG“核糖核酸”。
这些最初的结果似乎表明外观的动力学（IgM > IgA > IgG“穗” > IgG“核壳素”），引起了人们对使用所有试剂盒的兴趣。
注意：
在我们的案例中，PCA的使用不与风险因素分析相关联，而是与感兴趣的变量相关联，并且可以通过回归分析获得降级（RRR方法）。