多元统计分析中,降维是一个常见的步骤。主成分分析作为一种行之有效的降维方法,被广泛地应用于各个领域。然而经典主成分法有两个弊端:一是当样本中存在离群样本时,经典主成分法往往会得出错误的计算结果(载荷向量、得分不符合实际);二是各主成分载荷都会不等于零,经常还会出现次要变量的载荷大小接近主要变量的载荷大小,导致主成分可解释性被削弱。另外,传统的稳健主成分法通过删除离群样本建模达到稳健效果,这对于那些只有少数几个变量的观测值离群的离群样本来说是一种欠妥的方法。针对上述几点,本文以DDC(Detecting Deviating Cell)算法为主要的稳健方法,提出一种稳健稀疏主成分法DDCSPCA。首先,通过模拟实验验证该方法对传统行离群数据具有良好的稳健性,对格离群数据更是比传统稳健主成分法更加稳健,而且该方法稀疏性的体现贯穿于整个模拟实验中。其次,用一组玻璃样本数据和一组中国上市公司财务指标数据各进行一个实证分析。前者验证了DDCSPCA较传统的两个稳健主成分法在应对格离群数据方面具有更强的稳健性。后者则通过运用该方法成功提取出三个符合现实、稀疏的主成分载荷向量并计算出稳健的主成分得分和综合得分,进行了成功的综合评价。研究结果表明:DDCSPCA在处理有离群样本的数据时能发挥其稳健性,得出切合实际的稳健的稀疏载荷向量,这对综合评价的成功展开是至关重要的。而且,由于利用DDC算法作为该方法的主要稳健手段,DDCSPCA对格离群数据有着以往稳健主成分法所远远不及的稳健性。