从指标体系的构成不难发现，综合评价方法必须能够处理多指标、多维度等诸多复杂问题，而主成分分析法（Principal Components）以其科学降维、客观赋权的突出优点在多指标综合评价研究中被广泛使用。主成分分析法的基本原理是：基于指标数据的线性假设，首先，利用指标间的相关关系将原始指标变量科学降维至较少的几个相互独立的新变量，这几个相互独立的新变量即为主成分；其次，用原始指标变量的线性组合来表达这几个主成分；最后，用各个主成分所含的信息量为权重对主成分进行线性加权，并计算主成分综合得分，利用综合得分对样本进行综合评价分析。
综上可见，主成分分析法不仅可以处理由于指标间存在的关联关系而引发的信息重叠问题，而且还能避免因主观赋权所造成的不确定性和人为干扰等不利因素，在处理多元综合评价问题时能够达到较为满意的效果。
但是，在使用主成分分析时还应注意以下几点：
第一，主成分是根据方差的大小被依次提取的，即方差大的主成分被优先提取，因此，为了避免因指标数据的数量级差异对主成分提取产生影响，需要先将原始指标进行标准化处理。一般地，指标的标准化处理适宜用Z-Score法。
第二，如果指标之间完全不相关或完全相关，则不适用主成分分析法，为此，首先需要进行指标间的相关性检验，如KMO检验。一般地，对具有一定相关关系的指标进行主成分综合评价时，相关性越大，评价效果会越好。
第三，主成分是原始指标的线性组合，它包含了比原始指标更加复杂的内容，因而在主成分个数的选择以及对主成分进行解释时必须结合实际问题具体分析，才能使评价结果更加合理，这一点在运用主成分进行综合评价研究时非常重要。
主成分综合评价法也有许多不足之处，主要表现在：主成分分析法难以揭示指标间的关联效应，为此可以通过因子分析法的旋转技术或指标聚类等方法对指标进行更加适当的分类，更加突出指标间的关联关系；主成分分析法采用的客观赋权法虽然能够避免主观赋权造成权重的随意性和不确定性，但是，客观赋权毕竟不能区分指标本身的经济意义，因此，在具体解释过程中可能会遇到评价结果与实际意义不符的状况，这时应结合实际问题进行更加合理的解释。为了克服主成分综合评价法的这些不足，本章将主成分综合评价法与聚类分析法和因子分析法相结合，相互取长补短对全国31个省份的纺织产业竞争力进行实证分析与评价。
