Stata-主成分分析（PCA）

//第一步，KMO检验和Bartlett球形检验，判断是否具有结构效度，从而决定能否使用因子分析。
factortest X1-X5
    // KMO的数值衡量变量指标间的偏相关性，一般0.6以上，可以使用因子分析；
    // Bartlett检验的p值显著，需要使用因子分析。测度各指标变量间的相关性程度，p值<0.05 表明拒绝各指标间不存在相关性的假设（显著性水平），说明各变量指标间存在共线性问题，需要进行主成分分析。

//第二步，主成分分析。获取特征值（Eigenvalue）和累计方差贡献率（Cumulative）
pca X1-X5	

//第三步，PCF, principle component factors，主成份因子法分析，根据理想的累计方差贡献率设置最小特征值，解决只有一个Factor的特征值>1的情况。	
factor X1-X5,  mineigen(0.6) pcf 

//第四步，旋转。
rotate, promax(3) factors(4)					
    //主成分分析反应了哪些因子解释了原变量，以及其解释力度。旋转则可以使我们了解原变量对因子的解释。
    //因子载荷矩阵（Factor loadings）中，某个变量的Uniqueness值如果大于0.6就不太正常，可能需要剔除

//第五步，计算主成分得分，生成fn，为下一步计算综合指标做准备。
predict f1 f2 f3 f4    

//第六步，计算综合指标。综合指标 = ∑Fn×Proportion/截止到FactorN的累计方差贡献率(Cumulative第N个值)
gen power =  (0.4128*f1+ 0.1871*f2+0.1627*f3+ 0.1387*f4)/0.9013