Analisi Fattoriale
- Introdotto da
- Louis Leon Thurstone
- Anno
- 1931
- Tipo
- Method
- Famiglia
- dimension-reduction
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'analisi fattoriale è una tecnica statistica per identificare dimensioni latenti (non osservate) sottostanti a variabili osservate, sviluppata da Louis Leon Thurstone negli anni '30 e formalizzata da Jöreskog (1969).
L'analisi fattoriale esplorativa (EFA) scopre strutture fattoriali sconosciute a partire dai dati; l'analisi fattoriale confermativa (CFA) verifica relazioni ipotizzate tra variabili osservate e latenti. Essenziale in psicometria (sviluppo di test), ricerca organizzativa (misurazione di costrutti come lo stile di leadership) e biomedicina (identificazione di sottotipi di malattie), l'analisi fattoriale riduce la dimensionalità rivelando al contempo l'organizzazione concettuale in dati multivariati.
L’intuizione alla base del metodo
Le variabili osservate (item di questionari, misurazioni) sono spesso manifestazioni di costrutti latenti sottostanti (intelligenza, gravità della depressione, clima organizzativo) che non possono essere misurati direttamente. L'analisi fattoriale assume che le correlazioni tra variabili osservate riflettano fattori latenti condivisi. La matematica scompone una matrice di correlazione in varianza comune (spiegata dai fattori) e varianza unica (errori ed effetti specifici dell'item). L'analisi fattoriale esplorativa chiede: quale struttura latente spiega meglio queste correlazioni? L'analisi fattoriale confermativa chiede: una struttura teoricamente proposta si adatta ai dati? Ciò consente ai ricercatori di misurare concetti astratti, validare strumenti di valutazione e comprendere l'organizzazione dimensionale in set di dati complessi.
Storia
Charles Spearman (1904) introdusse l'analisi fattoriale per spiegare le correlazioni positive tra abilità mentali (intelligenza generale 'g'). Louis Leon Thurstone (1931) espanse il concetto a fattori multipli e sviluppò metodi di rotazione (centroid, assi principali). L'analisi fattoriale confermativa (CFA) e la modellazione di equazioni strutturali di Karl Jöreskog (1969) rivoluzionarono il test di ipotesi nei modelli a variabili latenti. Il criterio di Kaiser (Kaiser, 1960) standardizzò l'estrazione fattoriale basata sugli autovalori. Sviluppi moderni includono la teoria della risposta all'item (Rasch, 1960), metodi di stima robusti (stima distribution-free) e analisi fattoriale multigroup/multilivello per confrontare strutture tra popolazioni o dati nidificati.
Quando usarlo
Utilizzare EFA quando si esplora la struttura dimensionale di un nuovo costrutto di misurazione, si raffinano scale o si comprendono le relazioni tra variabili osservate senza teoria a priori. Valutazione psicologica: selezione di item per un nuovo screening della depressione, scala di valutazione della leadership. Biomedica: identificazione di sottotipi di malattie da correlazioni di sintomi. Utilizzare CFA quando si validano scale precedentemente sviluppate, si testano modelli di misurazione teorici o si confrontano strutture fattoriali rivali. Comune in psicologia: conferma del modello unidimensionale vs. multidimensionale di un costrutto. Utilizzare anche CFA come parte di misurazione di modelli di equazioni strutturali più ampi che collegano variabili latenti ai risultati.
Limiti e considerazioni
- I risultati di EFA dipendono dal campione; la struttura fattoriale potrebbe non replicarsi in un nuovo campione. Validare sempre i risultati o utilizzare l'analisi fattoriale confermativa su un campione indipendente.
- Assume relazioni lineari tra variabili e fattori; effetti non lineari o a soglia non vengono rilevati.
- L'interpretazione è soggettiva: strutture di autovalori e rotazioni simili possono portare a interpretazioni diverse. Molteplici soluzioni possono adattarsi ugualmente bene ai dati.
- Richiede campioni ampi per stime stabili: regola generale n > 5 × variabili; campioni piccoli (n < 100) producono fattori instabili e non replicabili.
- La CFA assume che il modello di misurazione sia corretto a priori; se la vera struttura differisce, le misure di adattamento del modello potrebbero non rilevare la misspecificazione (minimi locali, modelli equivalenti).
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Riduzione della dimensionalità: molte variabili osservate compresse in pochi fattori latenti interpretabili, semplificando l'analisi e la comunicazione.
- Rivelazione di costrutti latenti: consente la misurazione di concetti astratti (intelligenza, personalità, cultura organizzativa) che non possono essere osservati direttamente.
- Base statistica per lo sviluppo di test: supporta l'evidenza di validità per valutazioni psicologiche ed educative; la CFA valida formalmente i modelli di misurazione.
- Flessibilità: accoglie dati binari, ordinali e continui; gestisce dati mancanti tramite la massima verosimiglianza a informazione completa (FIML) in CFA.
- Estensione a modelli complessi: fondamento per la modellazione di equazioni strutturali che collegano variabili latenti ai risultati, consentendo test di mediazione e moderazione.
Applicazioni
- Sviluppo di test psicologici: costruzione e validazione di scale cliniche (depressione, ansia), inventari di personalità (Big Five) e test di abilità cognitive; stabilire l'evidenza di validità.
- Ricerca organizzativa: misurazione di costrutti come soddisfazione lavorativa, impegno organizzativo, stile di leadership; conferma della natura multidimensionale di concetti complessi.
- Valutazione della qualità della vita: riduzione di molti item relativi alla salute in dimensioni interpretabili (funzionamento fisico, mentale, sociale) per la misurazione degli esiti.
- Valutazione educativa: sviluppo di valutazioni curriculari, stabilire la validità degli esami di ammissione all'università, riduzione di pool di item preservando la copertura concettuale.
- Ricerca biomedica: identificazione di fenotipi distinti di malattie da correlazioni di sintomi/marcatori genetici (endotipi), riduzione di dati genomici ad alta dimensionalità in dimensioni latenti interpretabili.
Come funziona
Come funziona
Somministrare analisi fattoriale esplorativa o confermativa raccogliendo dati su più variabili osservate (tipicamente >5) da un campione sufficientemente ampio (regola generale: n > 5 × numero di variabili, o minimo assoluto n ≥ 100; idealmente n > 200). Per EFA: raccogliere dati senza ipotesi preliminari sulla struttura fattoriale; le variabili dovrebbero essere ragionevolmente intercorrelate (controllare la matrice di correlazione; correlazioni < 0.3 suggeriscono fattori improbabili). Valutare l'adeguatezza del campione: il test Kaiser-Meyer-Olkin (KMO) confronta la magnitudine delle correlazioni con le correlazioni parziali; KMO > 0.6 accettabile, > 0.7 buono. Il test di sfericità di Bartlett dovrebbe essere significativo (p < 0.05), indicando che le correlazioni differiscono dalla matrice identità. Per CFA: specificare una struttura fattoriale ipotizzata a priori basata sulla teoria e sulla ricerca precedente.
Per l'analisi fattoriale esplorativa: estrarre i fattori utilizzando l'analisi delle componenti principali (PAF) o la massima verosimiglianza (ML). Criterio di Kaiser: conservare i fattori con autovalori > 1. Scree plot: tracciare gli autovalori in ordine decrescente; conservare i fattori prima del gomito (punto di rendimenti decrescenti). Analisi parallela: confrontare gli autovalori con quelli di dati casuali; conservare solo i fattori che superano il benchmark casuale. Ruotare i fattori (varimax = ortogonale/non correlato, oblimin = obliquo/correlato) per migliorare l'interpretabilità e ottenere una struttura semplice (ogni variabile carica fortemente su un solo fattore). Riportare i caricamenti fattoriali (correlazioni tra variabili e fattori): tipicamente |caricamento| > 0.4 considerato saliente; caricamenti > 0.7 forti. Calcolare le comunalità: proporzione della varianza di ciascuna variabile spiegata dai fattori; comunalità basse (<0.3) suggeriscono una scarsa aderenza per quella variabile. Per l'analisi fattoriale confermativa: adattare il modello ipotizzato utilizzando software di modellazione di equazioni strutturali (SEM). Riportare gli indici di adattamento del modello: CFI (Comparative Fit Index) > 0.95, TLI (Tucker-Lewis Index) > 0.95, RMSEA (Root Mean Square Error of Approximation) < 0.06, SRMR (Standardized Root Mean Square Residual) < 0.08 (Hu & Bentler, 1999).
In EFA, identificare i fattori latenti esaminando quali variabili caricano elevatamente su ciascun fattore; interpretare concettualmente il fattore in base al contenuto delle variabili. Ad esempio, se item su tristezza, disperazione e anedonia caricano tutti >0.6 su un fattore, etichettarlo come 'depressione'. Riportare la varianza spiegata dai fattori: la somma dei quadrati dei caricamenti divisa per il numero di variabili × 100% fornisce la varianza per fattore; il totale tra i fattori indica l'adattamento generale. Affidabilità all'interno di ciascun fattore: calcolare l'alfa di Cronbach (≥0.70 accettabile, ≥0.80 buono) sulle variabili che caricano su quel fattore. In CFA, esaminare i caricamenti fattoriali standardizzati (tutti dovrebbero essere > 0.4, idealmente > 0.6); caricamenti non significativi suggeriscono che gli item misurano scarsamente il costrutto. Indici di adattamento del modello: soddisfare tutti i criteri (CFI > 0.95, RMSEA < 0.06) supporta il modello proposto. Gli indici di modifica suggeriscono percorsi alternativi; tuttavia, la modifica del modello basata sui dati (post-hoc) compromette la validità del modello: utilizzare campioni di validazione incrociata per testare modelli modificati. Riportare la varianza spiegata dalla variabile latente per ciascuna variabile osservata (R²).
Errori comuni
- EFA guidata dai dati con campioni piccoli: sfrutta il caso; la replicabilità in un nuovo campione è scarsa. Condurre sempre EFA su un campione esplorativo e validare in un campione di riserva.
- Estrazione di fattori basata solo sul criterio di Kaiser (autovalore > 1); lo scree plot e l'analisi parallela forniscono indicazioni aggiuntive e spesso suggeriscono meno fattori.
- Conservazione di fattori non interpretabili: se un fattore non può essere etichettato concettualmente o contiene caricamenti concettualmente non correlati, considerare la sua rimozione piuttosto che forzare un'interpretazione.
- Errori di specificazione del modello CFA: specificare erroneamente la struttura fattoriale, omettere percorsi teoricamente rilevanti o consentire errori correlati senza giustificazione compromette la validità.
- Interpretazione errata della magnitudine del caricamento fattoriale: i caricamenti sono correlazioni, non regressioni; un caricamento di 0.5 spiega solo il 25% della varianza della variabile (R² = 0.5²).
- Utilizzo di rotazione inappropriata: varimax (ortogonale) impone fattori non correlati; oblimin (obliquo) consente correlazioni. Scegliere in base alla teoria; la rotazione ortogonale è spesso irrealistica.
Domande frequenti
Qual è la differenza tra analisi fattoriale esplorativa e confermativa?
L'analisi fattoriale esplorativa (EFA) scopre la struttura latente dai dati senza teoria preliminare; si lascia che i dati guidino quanti fattori e quali variabili caricano su quali fattori. Utilizzare EFA quando si indaga un nuovo costrutto o scala. L'analisi fattoriale confermativa (CFA) testa una struttura fattoriale ipotizzata specificata prima dell'analisi, basata su teoria e ricerca precedente. La CFA fornisce test di adattamento formali ed è più rigorosa statisticamente. Prassi standard: condurre EFA su un campione di addestramento per proporre un modello, quindi validare con CFA su un campione di test indipendente (o utilizzare la validazione incrociata). Mai condurre EFA sullo stesso campione utilizzato per la validazione CFA.
Quanti fattori dovrei estrarre? Cosa mi dice lo scree plot?
Molteplici criteri guidano l'estrazione dei fattori: (1) Criterio di Kaiser (autovalore > 1) è tradizionale ma spesso suggerisce troppi fattori. (2) Scree plot: autovalori tracciati in ordine decrescente; conservare i fattori prima del gomito (punto in cui iniziano i rendimenti decrescenti). Lo 'scree' è la pendenza dopo il gomito. (3) Analisi parallela: confrontare gli autovalori empirici con quelli di permutazioni casuali; conservare solo i fattori che superano la baseline casuale. L'analisi parallela è la più difendibile statisticamente. (4) Interpretabilità: conservare solo i fattori che si possono etichettare e spiegare concettualmente. Criteri diversi spesso producono numeri diversi; consultare metodi multipli e teoria.
Cosa significa un caricamento fattoriale di 0.6, e in cosa differisce da un coefficiente di affidabilità?
Un caricamento fattoriale di 0.6 è la correlazione tra una variabile osservata e un fattore latente; indica che la variabile contribuisce alla misurazione di quel fattore. Il caricamento al quadrato (0.6² = 0.36) è la proporzione della varianza della variabile spiegata dal fattore. Caricamenti > 0.4 sono minimamente accettabili; > 0.6 sono forti. Un coefficiente di affidabilità (alfa di Cronbach, tipicamente ≥0.70) misura la coerenza interna: il grado in cui più variabili che misurano lo stesso costrutto si correlano tra loro. Il caricamento mostra la relazione con il fattore latente; l'alfa mostra se le variabili insieme misurano costantemente un costrutto. Entrambi sono importanti: caricamenti elevati e alfa elevato insieme supportano una dimensione latente omogenea.
Come gestisco variabili con basse comunalità?
La comunalità è la proporzione della varianza di una variabile spiegata da tutti i fattori (somma dei caricamenti al quadrato tra i fattori). Basse comunalità (<0.3) suggeriscono che la variabile è scarsamente rappresentata dai fattori, sia perché: (1) misura un costrutto unico non catturato dal modello fattoriale, (2) è inaffidabile/rumorosa, o (3) la soluzione fattoriale è errata. Opzioni: rimuovere la variabile (semplificare il modello se giustificato teoricamente), aggiungere fattori (potrebbe portare a overfitting), o indagare se la variabile appartiene genuinamente alla scala. Esaminare sempre il contenuto dell'item; a volte una bassa comunalità riflette un item formulato male piuttosto che un disadattamento concettuale.
Metodi correlati
Fonti
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
Apri il riferimento DOICopiato.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
Apri il riferimento DOICopiato.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
Apri il riferimento DOICopiato.