1 定義と基本概念
累積寄与率（Cumulative Contribution Rate）は、多変量解析、特に主成分分析や因子分析において、複数の主成分や因子が全体の分散を累積的にどの程度説明できるかを示す指標である。各成分の寄与率を大きい順に並べ、それらを順次加算した値として定義される。この値は、元のデータが持つ情報のうち、選択された成分群によってどれだけの割合が保持されているかを定量的に表現する。
1.1 寄与率との関係
寄与率は、個々の主成分または因子が全分散に占める割合を表す。例えば、第1主成分の寄与率は「第1主成分の分散 ÷ 全分散」で計算される。累積寄与率は、この個別の寄与率を第1主成分から順に積み上げたものであり、「第ｋ主成分までの累積寄与率 = 第1主成分の寄与率 + 第2主成分の寄与率 + ... + 第ｋ主成分の寄与率」と定義される。したがって、累積寄与率は寄与率の単なる累積和であり、両者は表裏の関係にある。
1.2 累積寄与率の意義
累積寄与率の主要な意義は、次元削減の判断基準を提供することにある。多変量データを分析する際、全変数をそのまま扱うと計算負荷が大きく、また多重共線性などの問題が生じる。累積寄与率を用いることで「どの程度の情報を保持しつつ、何次元まで削減できるか」を客観的に評価できる。例えば、累積寄与率が80%に達するまでの主成分数だけを採用すれば、元のデータの情報の80%を維持しながら変数を削減できる。
2 計算方法
累積寄与率の計算は、主成分分析における標準的な手順の一部として実施される。具体的な計算プロセスは以下の通りである。
2.1 データの準備と標準化
分析対象となるデータ行列を準備する。変数の単位や尺度が異なる場合は、各変数を平均0、分散1に標準化する。標準化することで、変数のスケールの違いが結果に影響を与えるのを防ぐ。標準化後のデータ行列をX（n行p列、nはサンプル数、pは変数数）とする。
2.2 固有値と寄与率の算出
標準化されたデータの分散共分散行列（相関行列と等価）を計算し、その固有値と固有ベクトルを求める。固有値λ₁, λ₂, ..., λₚ（λ₁≧λ₂≧...≧λₚ）は各主成分の分散を表す。第i主成分の寄与率は λᵢ / Σλᵢ で計算される。この寄与率は、第i主成分が全分散に占める割合を示す。
2.3 累積値の導出手順
累積寄与率は、寄与率を大きい順に累積加算することで得られる。具体的には以下の手順で計算する：
- 固有値を大きい順に並べる：λ₁ ≧ λ₂ ≧ ... ≧ λₚ
- 各主成分の寄与率を計算：contributionᵢ = λᵢ / Σλⱼ
- 第k主成分までの累積寄与率を計算：cumulativeₖ = Σᵢ₌₁ᵏ contributionᵢ
例えば、第1主成分の寄与率が0.45、第2主成分の寄与率が0.30の場合、第2主成分までの累積寄与率は0.45 + 0.30 = 0.75となる。
3 解釈と活用
累積寄与率の値そのものは単純な累積割合であるが、その解釈と活用には実務的な判断基準が必要となる。
3.1 閾値の設定（例：70%、80%ルール）
累積寄与率を用いて採用する主成分数を決定する際、一般的な閾値として「70%ルール」や「80%ルール」が広く用いられる。これは、累積寄与率が70%または80%に達するまでの主成分を採用するという基準である。社会科学の分野では60%～70%が採用されることも多く、自然科学の分野ではより高い閾値（90%以上）が設定される場合がある。閾値は分析の目的や分野の慣行に応じて柔軟に設定される。
3.2 スクリープロットと累積寄与率の併用
スクリープロットは、主成分番号を横軸、対応する固有値を縦軸にとったグラフである。累積寄与率の情報とスクリープロットを併用することで、より合理的な主成分数選択が可能となる。スクリープロットでは、固有値の減少が急激に鈍化する「肘」の位置が重要な指標となるが、この肘の位置と累積寄与率の値が示す情報量を照らし合わせることで、統計的基準と実務的基準の両面から判断できる。
3.3 次元削減における役割
累積寄与率は次元削減の核心的な判断材料である。データの可視化（2次元または3次元プロット）が目的の場合は、累積寄与率が低くても第2主成分または第3主成分までで分析を打ち切ることがある。一方、後続の分析（回帰分析やクラスター分析など）での情報損失を最小限に抑えたい場合は、高い累積寄与率（例えば90%）を確保するまで主成分を採用する。累積寄与率は、情報保持率と次元削減率のトレードオフを定量的に評価するためのツールとして機能する。
4 応用例
累積寄与率は、多変量解析を用いる様々な実務場面で活用されている。
4.1 主成分分析の実践
マーケティングリサーチにおいて、顧客満足度調査のデータを分析する場合を例にとる。20項目のアンケート結果から主成分分析を実施すると、第1主成分の寄与率が0.35、第2主成分が0.20、第3主成分が0.12となり、第3主成分までで累積寄与率0.67となる。分析者が70%ルールを採用するなら、第4主成分まで検討するか、あるいは第3主成分までで情報損失を受け入れる判断を行う。
4.2 因子分析における因子数の決定
因子分析では、共通因子の数を決定する際に累積寄与率が参考にされる。相関行列の固有値の累積寄与率が一定の閾値（例えば60%）を超える因子数が採用されることが多い。ただし因子分析では、共通性や因子負荷量の解釈可能性も重視されるため、累積寄与率はあくまで補助的な判断基準として用いられる。カイザー基準（固有値1以上）やスクリーテストと併用することで、より頑健な因子数決定が可能となる。
4.3 品質管理やマーケティング調査への応用
製造業の品質管理では、多数の品質特性から少数の主成分を抽出し、その累積寄与率をモニタリングすることで工程の異常を検出する手法が用いられる。例えば、半導体製造プロセスにおける50以上のパラメータを数個の主成分に集約し、累積寄与率が急激に低下した場合に異常の兆候と判断する。
マーケティング調査では、ブランドイメージ調査データの次元削減に累積寄与率が活用される。多数のイメージ項目（「高級」「信頼性」「親しみやすさ」など）から少数の心理的次元を抽出し、累積寄与率が高い次元のみを競合分析やポジショニング分析に使用する。
5 注意点と限界
累積寄与率は有用な指標であるが、その解釈と適用には注意すべき点が存在する。
5.1 データのスケーリング依存性
累積寄与率の値は、分析前にデータを標準化するかどうかに大きく依存する。標準化せずに元の分散共分散行列を用いる場合、大きな分散を持つ変数が主成分分析の結果を支配し、累積寄与率の解釈が歪む可能性がある。変数の単位が異なる場合は必ず標準化を行い、その上で累積寄与率を解釈する必要がある。また、標準化の有無によって累積寄与率の値が異なることを認識し、結果の報告時には標準化の有無を明記すべきである。
5.2 累積寄与率だけでは捉えきれない情報の損失
累積寄与率は全分散に対する説明率を示すが、個々の変数が持つ固有の情報（特異的な変動）が無視される可能性がある。例えば、累積寄与率が80%であっても、残り20%の分散に特定の変数の重要な情報が集中している場合、その情報が失われる危険性がある。また、累積寄与率の閾値を満たすように主成分数を選んでも、実際の後続分析（クラスター分析や判別分析など）の精度が必ずしも保証されるわけではない。累積寄与率の値だけでなく、採用した主成分の解釈可能性や実務上の有用性も総合的に判断する必要がある。
5.3 実務上の代替基準との比較
累積寄与率以外にも主成分数や因子数を決定する基準が存在する。カイザー基準（固有値1以上）、スクリーテスト（スクリープロットの肘の位置）、並行分析（ランダムデータの固有値との比較）などが代表的である。累積寄与率はこれらの基準と比較して、閾値の設定が主観的になりやすいという弱点がある。また、累積寄与率は情報保持率に焦点を当てるが、カイザー基準は統計的な有意性、スクリーテストはデータ構造の変化点に着目する。複数の基準を組み合わせて判断することが推奨され、累積寄与率を唯一の絶対的な基準と見なすべきではない。実務では、分析目的（可視化、後続分析の前処理、解釈可能性の確保など）に応じて適切な基準を選択する柔軟性が求められる。