得到的方差百分比就是贡献率，累计百分比就是累计贡献率，成分矩阵用来判定主成分。
贡献率指有效或有用成果数量与资源消耗及占用量之比，即产出量与投入量之比，或所得量与所费量之比。计算公式：贡献率（%）=贡献量（产出量，所得量）/投入量（消耗量，占用量）×100%贡献率也用于分析经济增长中各因素作用大小的程度。
成分矩阵（component matrix）由主成分法得到的因素负荷矩阵。采用同一组被试进行比较时，必须保证两种实验处理之间没有相互影响，同时要平衡位置顺序。
扩展资料
主成分分析的主要作用
1、主成分分析能降低所研究的数据空间的维数。即用研究m维的Y空间代替p维的X空间(m<p)，而低维的Y空间代替高维的x空间所损失的信息很少。即：使只有一个主成分Yl(即 m=1)时，这个Yl仍是使用全部X变量(p个)得到的。
例如要计算Yl的均值也得使用全部x的均值。在所选的前m个主成分中，如果某个Xi的系数全部近似于零的话，就可以把这个Xi删除，这也是一种删除多余变量的方法。
2、有时可通过因子负荷aij的结论，弄清X变量间的某些关系。
3、多维数据的一种图形表示方法。我们知道当维数大于3时便不能画出几何图形，多元统计研究的问题大都多于3个变量。要把研究的问题用图形表示出来是不可能的。
然而，经过主成分分析后，我们可以选取前两个主成分或其中某两个主成分，根据主成分的得分，画出n个样品在二维平面上的分布况，由图形可直观地看出各样品在主分量中的地位，进而还可以对样本进行分类处理，可以由图形发现远离大多数样本点的离群点。
4、由主成分分析法构造回归模型。即把各主成分作为新自变量代替原来自变量x做回归分析。
5、用主成分分析筛选回归变量。回归变量的选择有着重的实际意义，为了使模型本身易于做结构分析、控制和预报，好从原始变量所构成的子集合中选择最佳变量，构成最佳变量集合。用主成分分析筛选变量，可以用较少的计算量来选择量，获得选择最佳变量子集合的效果。
参考资料来源：百度百科-贡献率
参考资料来源：百度百科-成分矩阵
参考资料来源：百度百科-主成分分析
F1=α11x1+α12x2+ ... +α1pxp
F2=α21x1+α22x2+ ... +α2pxp
... ... ... ... ... ...
Fm=αm1x1+αm2x2+ ... +αmpxp
然后根据成分构建F的综合模型。有需要帮助hi我！本回答被提问者采纳