เปรียบเทียบวิธี

	การวินิจฉัยอิทธิพล (ระยะห่างของคุ้ก, DFFITS, Leverage)	การวิเคราะห์องค์ประกอบหลัก
สาขาวิชา	สถิติศาสตร์	การเรียนรู้ของเครื่อง
ตระกูล	Regression model	Machine learning
ปีกำเนิด	1977	2002
ผู้ริเริ่ม	R. Dennis Cook (Cook's distance); Belsley, Kuh & Welsch (DFFITS, leverage)	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)
ประเภท	Regression diagnostic	Unsupervised dimensionality reduction
แหล่งต้นตำรับ	Cook, R. D. (1977). Detection of Influential Observations in Linear Regression. Technometrics, 19(1), 15-18.	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.
ชื่อเรียกอื่น	Cook's distance, DFFITS, leverage, influential observation detection	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform
ที่เกี่ยวข้อง	5	3
สรุป	Influence diagnostics are a family of post-fit measures that quantify how much each single observation affects a fitted regression. Cook's distance was introduced by R. Dennis Cook in 1977, with leverage and DFFITS formalised by Belsley, Kuh and Welsch in 1980, to flag the observations that most strongly pull the estimated coefficients.	Principal Component Analysis (PCA) is an unsupervised dimensionality-reduction method — given its modern textbook treatment by Ian Jolliffe (2002) — that compresses high-dimensional data into fewer dimensions while preserving the maximum possible variance. It re-expresses correlated variables as a small set of uncorrelated principal components ordered by how much of the data's variation each one captures.