累计贡献率是因子分析中抽取出的因子特征值之和和所有因子特征值之和（该值等于因子分析中的变量数）的比值。
可以将其意义理解为抽取出的因子变异对所有变量变异的解释力，也可以理解为抽取出的因子对所有变量的代表性，很显然代表性高一些好，因为因子分析的目的就是化简变量，用尽量少的因子代表尽量多的变量，使变量的意义更加明确。
贡献率（％）＝贡献量（产出量，所得量）／投入量（消耗量，占用复量）×100％贡献率也用于分析经济增长中各因素作用大小的程度。
计算方制法是：贡献率（％）＝某因素贡献量（增量或增长程度）／总贡献量（总增量或增长程度）×100％。样本中各数据与样本平均数的差的平方和的平均数叫bai做样本方差；样本方差的算术平方根叫做样本标准差。
样本方差和样本标准差都度量了样本波动的大小。样本方差或样本标准差越大，样本数据的波动越大。显然，方差贡献率是指贡献率的波动，累积方差贡献率是指贡献率波动的累积。
扩展资料：
有两种因素分析方法。一种是探索性因素分析，另一种是验证性因素分析。探索性因子分析让数据“不言自明”，无需预设因子和测量项之间的关系。
主成分分析和辅助因子分析是典型的方法。验证性因子分析假设一个因子和一个测度项之间的关系是部分已知的，即哪个测度项对应哪个因子，虽然我们还不知道具体的系数。
探索的因素分析有一定的局限性：
1、它假设所有的因素（旋转之后）都会影响度量项。在实际研究中，我们倾向于假设一个因素之间不存在因果关系，因此可能不会影响另一个因素的测度项。
2、探索性因子分析假设测度项残差是相互独立的。
事实上，测度项的残差可以通过单方法偏差、子因素和其他因素进行关联。
3、探索性因素分析迫使所有因素独立。
虽然这是解决因素数量的权宜之计，但与大多数研究模型不一致。最明显的是，自变量和因变量应该是相关的，而不是独立的。
这些局限性需要一种更灵活的建模方法，这使得研究人员不仅可以更详细地描述测量项和因素之间的关系，还可以直接测试它们之间的关系。在探索性因子分析中，一个被检验的模型（如正交因子）往往不是研究者理论中的精确模型。
贡献率(%)=贡献量(产出量,所得量)/投入量(消耗量,占用复量)×100% 贡献率也用于分析经济增长中各因素作用大小的程度。计算方制法是: 贡献率(%)=某因素贡献量(增量或增长程度)/总贡献量(总增量或增长程度)×100%。样本中各数据与样本平均数的差的平方和的平均数叫bai做样本方差；样本方差的算术平方根叫做样本标准差。
样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。显然 方差贡献率 是指贡献率的波动情况，累计方差贡献率就是指贡献率的波动情况的累计。
扩展资料：
因子分析的方法有两类。一类是探索性因子分析法，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。
主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。
探索的因子分析有一些局限性：
1、它假定所有的因子(旋转后) 都会影响测度项。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。
2、探索性因子分析假定测度项残差之间是相互独立的。
实际上，测度项的残差之间可以因为单一方法偏差、子因子等因素而相关。
3、探索性因子分析强制所有的因子为独立的。
这虽然是求解因子个数时不得不采用的权宜之计，却与大部分的研究模型不符。最明显的是，自变量与应变量之间是应该相关的，而不是独立的。
这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且可以对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。
因子分析方差贡献率代表因子变异可以解释总变异的程度，越高表示各因子对所有题目的代表性越强。
有一些教材上说总的方差贡献率应该在85%以上，但在实际研究中这个条件比较苛刻，难以达到，通常认为，50%以上就可以了，这是最常用的判断标准。不过在研究中研究者可以接受的最低标准是40%。
