例如
奇異值分解:
這個地方
中有兩個非零奇異值，因此維數為2。
奇異值分解
在矩陣m的奇異值分解中
在本例中:
尺寸1的慣性:
尺寸2的慣性:
總慣性:
由維度1解釋的總差異的百分比:(由維度1解釋的差異的比例)
由維度2解釋的總差異百分比:(由維度2解釋的差異比例)
對慣性的貢獻:
即年輕(0.726)對維度1的貢獻較大，中年(0.418)和老年(0.581)對維度2的貢獻較大。同時，因為-0.646和0.6752的符號問題，維2也體現了中間組和老組的區別。
這種情況下，維度為2，解釋力為100。
為了追蹤銀行和儲貸(SL)機構從1980到1983的形象變化，並在二維空間中表達出來，向750名隨機調查對象郵寄了調查問卷。1980和1983的回復率分別為43%和42%，要求回答者決定1983。結果以百分比形式存儲在列聯表中。
即在1980中，50%的被調查者認為SL的支票賬戶服務更好，50%的被調查者認為兩者服務質量相同。
這是慣性值和對應的維度，其中value是對應奇異值的平方，是從1到這個維度的解釋百分比。
最大維度是7，因為
在這個例子中，如果維度為2，可以得到解釋力更大的結果，兩個維度也便於可視化。
Line測量有關服務的信息，結果如下:
結果是每個線指標的質量qlt: quality，代表了給定維度對線指標的解釋力之和，其中對便利位置的解釋度最低為，對儲蓄收益的解釋度最高為。
K=1和k=2表示維度1和維度2的每壹行中對應的坐標，ctr表示每壹行指標對維度的貢獻。
比如抵押貸款對維度1的貢獻已經實現，儲蓄回報已經實現；支票賬戶對維度2的貢獻已經達到
同時，正負坐標可以反映兩條線的區別。例如，在k=1中，儲蓄返還的坐標是1.091，而支票賬戶的坐標是-0.490。
在本例中，基於尺寸1和2，可以解釋為:
客戶將從以下幾個方面來區分SL和銀行的形象:
該列測量壹段時間內對這兩種服務的看法，結果如下:
解釋方法也差不多。
2.fit$可以讀取2.ca包的結果