设有m个随机变量，X={X1,X2,…，Xm,}；其标准化后的变量为x ={x1,x2,…，xm,}，相关矩阵为R={rij}，其k（ k <m）个非零特征根λ1, λ 2,…， λ k,其对应的特征向量为{aij}。
主成分法提取公因子，即把主成分{C1,C2,…，Ck,} 分别作为公共因子{f1,f2,…，fk,}
特点
主成分是对原来变量方差的再分配，所以，所选的作为共因子的主成分越多，所能解释方差的百分比（共同度）就越大，特殊方差是随之减少。当选定全部m个主成分作为因子时，各变量的共同度均为1，而特殊方差为0。
如果只选k个主成分作为共因子，则每个变量Xi的特殊因子εi都由剩下的m-k个主成分所解释。这样，不同变量Xi的特殊因子εi间就不是独立的。
共同度比较大时，特殊因子所起的作用较小，因而特殊因子之间的相关性所来带来的影响几乎可以忽略。
所选的3个因子，第一因子在每个变量上均有较大的正负荷，因此，该因子可视为总智力因子；第二因子在积木上有较大的正负荷，而在理解上有中等大小的负负荷，可视为理解能力与动手能力的对比(contrast) ,第三因子在译码上有较大的负荷，因此可视其为逻辑推理能力因子，但该负荷小于第一因子在译码上的负荷，因此第三因子也可以不考虑。
