Analiza czynnikowa

Czym jest analiza czynnikowa

Analiza czynnikowa to rodzina metod redukcji danych, która sprowadza wiele wzajemnie skorelowanych zmiennych obserwowanych (np. pozycji kwestionariusza) do mniejszej liczby ukrytych czynników (zmiennych latentnych). Czynnik to hipotetyczny konstrukt — np. „lęk” czy „ekstrawersja” — który nie jest mierzony wprost, lecz przejawia się we wspólnych wzorcach odpowiedzi na wiele pozycji.

Założeniem modelu jest, że obserwowane korelacje między zmiennymi wynikają z tego, że pozycje „dzielą” wspólne czynniki. Analiza czynnikowa modeluje tylko wariancję wspólną (komunalność), oddzielając ją od wariancji specyficznej i błędu — i tym różni się od analizy głównych składowych (PCA), która opisuje całą wariancję.

Wyróżnia się dwa podejścia:

• EFA (eksploracyjna analiza czynnikowa) — gdy nie zakładasz z góry struktury i chcesz ją odkryć: ile jest czynników i które pozycje do nich należą.
• CFA (konfirmacyjna analiza czynnikowa) — gdy masz teorię i chcesz potwierdzić zakładaną strukturę, testując dopasowanie modelu (w ramach modelowania równań strukturalnych, SEM).

Ten wpis dotyczy głównie EFA.

Kiedy używać

Stosuj EFA, gdy:

• chcesz zbadać strukturę wewnętrzną narzędzia (ile wymiarów mierzy kwestionariusz),
• chcesz zredukować wiele pozycji do kilku interpretowalnych wymiarów przed dalszą analizą,
• konstruujesz nową skalę i nie znasz jeszcze jej budowy.

Przed analizą sprawdź założenia i przesłanki:

• Liczebność próby — potrzeba odpowiednio dużej n. Orientacyjne reguły mówią o co najmniej 5–10 obserwacjach na pozycję lub minimum ok. 200–300 osób, ale to wskazówki, nie progi bezwzględne — kluczowa jest wielkość komunalności i ładunków.
• Istotne korelacje między zmiennymi — bez nich nie ma czego redukować. Sprawdź macierz korelacji.
• Miara KMO (Kaisera–Meyera–Olkina) — adekwatność doboru próby; orientacyjnie wartości ≥ 0,6 są akceptowalne, ≥ 0,8 dobre.
• Test sferyczności Bartletta — istotny wynik (p < 0,05) oznacza, że macierz korelacji różni się od macierzy jednostkowej, czyli analiza ma sens.
• Skala pomiaru — zmienne ciągłe lub quasi-ciągłe; dla pozycji porządkowych (Likert) rozważ korelacje polichoryczne.

Jak interpretować

Pojęcie	Co opisuje
Ładunek czynnikowy	korelacja pozycji z czynnikiem; orientacyjnie |ładunek| ≥ 0,40 uznaje się za istotny merytorycznie
Wariancja wyjaśniona	odsetek zmienności pozycji ujęty przez czynniki (im więcej, tym lepiej)
Komunalność (h²)	część wariancji pozycji wyjaśniona przez wszystkie czynniki
Rotacja	przekształcenie osi czynników poprawiające czytelność ładunków

Liczbę czynników dobiera się kilkoma kryteriami łącznie — żadne nie jest rozstrzygające samodzielnie:

• kryterium Kaisera (wartości własne > 1) — proste, ale często zawyża liczbę czynników,
• wykres osypiska (scree plot) — szukasz „łokcia”, od którego osypisko się wypłaszcza,
• analiza równoległa (parallel analysis) — porównanie z danymi losowymi; dziś uznawana za najtrafniejszą.

Rotacja ułatwia interpretację, nie zmieniając całkowitej wariancji wyjaśnionej:

• ortogonalna (varimax) — zakłada nieskorelowane czynniki,
• ukośna (oblimin, promax) — dopuszcza korelacje między czynnikami; w psychologii zwykle realistyczniejsza, bo konstrukty zwykle współwystępują.

Przykład

Masz kwestionariusz dobrostanu z 8 pozycji (n = 250). KMO = 0,84, test Bartletta istotny (p < 0,001). Analiza równoległa i wykres osypiska zgodnie wskazują 2 czynniki wyjaśniające łącznie 58% wariancji. Po rotacji oblimin:

Pozycja	Czynnik 1 (emocje pozytywne)	Czynnik 2 (relacje)
P1	0,78	0,12
P2	0,71	0,09
P3	0,69	0,15
P4	0,66	0,21
P5	0,10	0,74
P6	0,18	0,70
P7	0,14	0,67
P8	0,22	0,61

Pozycje P1–P4 ładują się na czynnik 1 („emocje pozytywne”), P5–P8 na czynnik 2 („relacje”). Każda pozycja ma wysoki ładunek na jednym czynniku i niski (< 0,30) na drugim — to prosta struktura, idealny wynik. Kolejnym krokiem jest sprawdzenie rzetelności każdej podskali osobno (np. α dla P1–P4 i α dla P5–P8).

Typowe błędy

• Zbyt mała próba — przy małym n ładunki są niestabilne, a struktura może nie powtórzyć się w innej próbie. Zawsze raportuj n, KMO i Bartletta.
• Nadinterpretacja słabych ładunków — pozycji z ładunkiem ok. 0,30 lub niższym nie traktuj jako „należącej” do czynnika; uważaj też na pozycje krzyżowo ładujące się na kilka czynników.
• Mylenie EFA z PCA — to różne modele: PCA opisuje całą wariancję i służy raczej redukcji wymiaru, EFA modeluje tylko wariancję wspólną i zakłada istnienie czynników latentnych. Nie nazywaj PCA „analizą czynnikową” bez zastrzeżeń.
• Pomijanie lub błędny dobór rotacji — bez rotacji ładunki bywają nieczytelne. Wybór varimax tam, gdzie czynniki w rzeczywistości korelują (a tak jest zwykle w psychologii), sztucznie zaniża powiązania — często trafniejsza jest rotacja ukośna.
• Opieranie liczby czynników wyłącznie na kryterium Kaisera — zawyża ono liczbę czynników; łącz je z analizą równoległą i wykresem osypiska.
• Mylenie analizy czynnikowej z rzetelnością — analiza czynnikowa bada strukturę (wymiarowość), a alfa Cronbacha spójność pozycji. To uzupełniające się, ale różne analizy.

Potrzebujesz przeprowadzić analizę czynnikową?

Wykonam EFA lub CFA, dobiorę kryteria liczby czynników i rotację, sprawdzę KMO i Bartletta, a wyniki opiszę gotowym fragmentem w formacie APA do Twojej pracy. Zobacz usługi →