可以 有论文这样做。。。。。。。。。。。。

谢谢二楼的回答！
还想问下能否推荐几篇这样的文章，谢啦！

一般来说principal component analysis是在covariates之间有potential collinearity的情况下使用
来通过线形变化生成多个不相关的变量用于回归
LZ选取的几个变量间的collinearity很难确定 如果说里程有潜在关系 但是能源就不好说了
这样的话很有可能需要选取多个成分来包含这些原始协变量的信息 而线性组合的成分之间也有可能出现线性关系来误导回归模型
当然具体的步骤要建立在具体的数据上
建议LZ输出这些covariates的correlation coefficients和matrix scatter plot来判断他们之间的关系
并选取潜在相关的变量做主成分分析 而独立的变量最好直接输入模型来保持信息的完成
pca会根据相关变量的个数生成主成分 一般选取1到2个主成分来包含80%以上的variance就可以了
至于对于主成分的加权 我认为应该相当小心 如果样本很小 还是不要了 以免无法满足回归的假设

谢谢各位的解答，很有帮助！
但本人还有两个疑问：1、主成分分析后得到的主成分得分有正有负，用该得分作为因变量进行回归，是否需要将其全部转换为正值，如何转换？
                                      2、算主成分得分时，是用原始数据的标准化数据进行的，那么将主成分得分作为因变量进行回归时，是否需要将解释变量也进行标准化，还是有其他方法可以把主成分得分还原成与原始数据相关的指标。
望知情者给予进一步的解答，多谢了！

是不需要转化正负的 保持线性变换后的数值就可以
应该是用原始数据来算主成分