各主成分方差之和等于所有变量x的方差之和，因此用协方差矩阵可以得到指标的方差，从而继续后续分析

在实际应用中，若研究单个指标的方差对结果的影响，在做主成分分析（PCA）的时候应该选择使用：

A: 协方差矩阵

### 专业分析：

主成分分析（PCA）是一种降维技术，通常用于将高维数据投影到低维空间，同时尽可能保留数据的方差信息。PCA的核心思想是通过线性变换将原始数据转换为一组新的、不相关的变量（即主成分），这些主成分按方差大小排序，前几个主成分保留了数据中最重要的信息。

#### 选择协方差矩阵的原因：

1. **保留方差信息**：
- 协方差矩阵直接反映了原始数据中各个变量的方差和协方差。使用协方差矩阵进行PCA，可以确保主成分分析保留了原始数据中各个变量的方差信息。

2. **适用于不同尺度的变量**：
- 当变量的尺度不同（例如，一个变量的量纲是米，另一个变量的量纲是千克），使用协方差矩阵可以使得PCA考虑到这些变量的实际方差，而不是受变量尺度的影响。

3. **研究单个指标的方差**：
- 如果研究的重点是单个指标的方差对结果的影响，协方差矩阵是最合适的选择，因为它直接包含了每个变量的方差信息。

#### 其他选项的分析：

- **原始变量构成的矩阵**：
- 直接使用原始变量构成的矩阵进行PCA是不常见的，因为这并不能直接提供方差和协方差的信息。

- **关联矩阵（即相关矩阵）**：
- 相关矩阵标准化了每个变量，使得每个变量的方差为1。虽然这在某些情况下是有用的，特别是当不同变量的量纲不同，但它并不适用于研究单个指标的方差对结果的影响，因为它忽略了原始方差信息。

综上所述，当研究单个指标的方差对结果的影响时，应该选择使用协方差矩阵。因此，正确答案是：

A: 协方差矩阵