假设有一个执行PCA的程序。该程序计算所需的PC数量，以便覆盖数据中总变化的给定份额，例如， 95％。
假设在时间t = 1时使用的数据为了覆盖95％的方差所需的PC数量是10。
在t = 2时，我们用来自t = 2的数据重新运行程序。对于t = 2，为了覆盖95％的方差所需的PC数量是5。
因此，为了覆盖95％的方差，必要的PC的数量已从10 = 5从t = 1下降到t = 2。
主要问题：
在这种情况下，我们可以对t = 1到t = 2的数据变化做出任何结论吗？
例：
我们可以说：“由于PC的数量从t = 1减少到t = 2，因此t = 1时的数据与t = 2的相关性更高。数据的相关性越大，需要的PC就越少覆盖数据中特定份额的varaince。“
是的，如果原始变量具有强相关性，则组件数量的减少可以解释80％到90％的差异，并且方差百分比对应于PC保留的数据信息百分比。此外，如果您想了解有关PCA的更多详细信息，可以阅读以下评论：https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component-analysis-eigenvectors-eigenvalues/140579#140579