何をする手法か?
因子分析は、観測変数に潜む潜在的(観測不能)な次元を特定するための統計的手法であり、1930年代にLouis Leon Thurstoneによって開発され、Jöreskog (1969) によって形式化された。探索的因子分析(EFA)はデータから未知の因子構造を発見し、確認的因子分析(CFA)は観測変数と潜在変数間の仮説化された関係を検証する。心理測定学(テスト開発)、組織研究(リーダーシップスタイルなどの構成概念の測定)、および生物医学(疾患サブタイプの特定)において不可欠な因子分析は、多変量データの概念的組織を明らかにしつつ次元を削減する。
手法の背後にある直感
観測変数(質問項目、測定値)は、直接測定できない潜在的構成概念(知能、抑うつ重症度、組織風土)の現れであることが多い。因子分析は、観測変数間の相関が共通の潜在因子を反映していると仮定する。数学的には、相関行列を共通分散(因子によって説明される)と固有分散(誤差および項目固有の効果)に分解する。探索的因子分析は「これらの相関を最もよく説明する潜在構造は何か?」と問い、確認的因子分析は「理論的に提案された構造はデータに適合するか?」と問う。これにより、研究者は抽象的な概念を測定し、評価尺度を検証し、複雑なデータセットにおける次元組織を理解することができる。
歴史学
Charles Spearman (1904) は、精神的能力間の正の相関(一般知能「g」)を説明するために因子分析を導入した。Louis Leon Thurstone (1931) は、複数の因子に拡張し、回転法(中心法、主軸法)を開発した。Karl Jöreskog (1969) の確認的因子分析と構造方程式モデリングは、潜在変数モデルにおける仮説検定に革命をもたらした。カイザー基準(Kaiser, 1960)は、固有値に基づく因子抽出を標準化した。現代的な発展には、項目応答理論(Rasch, 1960)、ロバスト推定法(分布フリー推定)、および集団間または階層化データ間で構造を比較するための多群/多レベル因子分析が含まれる。
使うべき場面
EFAは、新しい測定構成概念の次元構造を探求する場合、尺度を改良する場合、または事前の理論なしに観測変数間の関係を理解する場合に使用する。心理測定:新しい抑うつスクリーニングのための項目選択、リーダーシップ評価尺度。生物医学:症状の相関から疾患サブタイプを特定する。CFAは、以前に開発された尺度を検証する場合、理論的な測定モデルをテストする場合、または競合する因子構造を比較する場合に使用する。心理学で一般的:構成概念の単次元モデル対多次元モデルの確認。また、CFAを、潜在変数を結果に結びつけるより大きな構造方程式モデルの測定部分としても使用する。
限界と注意点
- EFAの結果はサンプル依存であり、因子構造が新しいサンプルで再現されない可能性がある。常に結果を交差検証するか、独立したサンプルで確認的因子分析を実施する。
- 変数と因子の間の線形関係を仮定する。非線形または閾値効果は検出されない。
- 解釈の主観性:同様の固有値構造と回転が異なる解釈をもたらす可能性がある。複数の解がデータに等しく適合する可能性がある。
- 安定した推定値を得るためには大規模なサンプルが必要:一般則n > 変数の数×5。小規模サンプル(n < 100)では、不安定で再現性の低い因子が得られる。
- CFAは、測定モデルが事前に正しいと仮定する。真の構造が異なる場合、モデル適合指標がモデルの誤指定(局所的最小値、等価モデル)を検出できない可能性がある。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 次元削減:多数の観測変数を、より少ない解釈可能な潜在因子に圧縮し、分析とコミュニケーションを簡略化する。
- 潜在的構成概念の解明:直接観測できない抽象的な概念(知能、性格、組織文化)の測定を可能にする。
- テスト開発の統計的根拠:心理的および教育的評価の妥当性証拠を支持し、CFAは測定モデルを形式的に検証する。
- 柔軟性:二値、順序、連続データに対応し、CFAでは全情報最尤法(FIML)を用いて欠損データを処理できる。
- 複雑なモデルへの拡張:潜在変数を結果に結びつける構造方程式モデリングの基礎となり、媒介効果と調整効果の検定を可能にする。
応用
- 心理テスト開発:臨床尺度(抑うつ、不安)、性格検査(ビッグファイブ)、認知能力テストの作成と検証。妥当性証拠の確立。
- 組織研究:職務満足度、組織コミットメント、リーダーシップスタイルなどの構成概念の測定。複雑な概念の多次元性の確認。
- QOL評価:多くの健康関連項目を、解釈可能な次元(身体的、精神的、社会的機能)に削減し、アウトカム測定に利用する。
- 教育評価:カリキュラム評価の開発、大学入学試験の妥当性の確立、概念的カバレッジを維持しながら項目プールの削減。
- 生物医学研究:症状/遺伝子マーカーの相関から明確な疾患表現型(内型)を特定し、高次元ゲノムデータを解釈可能な潜在次元に削減する。
使い方
使い方
複数の観測変数(通常5以上)について、十分に大きなサンプル(一般則:サンプルサイズn > 変数の数×5、または絶対最小値n ≥ 100、理想的にはn > 200)からデータを収集することにより、探索的または確認的因子分析を実施する。EFAの場合:因子構造に関する事前の仮説なしにデータを収集する。変数は合理的に相互相関している必要がある(相関行列を確認する。相関がすべて0.3未満の場合は、因子が存在する可能性は低い)。サンプリングの適切性を評価する:カイザー・マイヤー・オルキン(KMO)検定は、相関の大きさと偏相関を比較する。KMO > 0.6は許容範囲、> 0.7は良好である。バートレットの球面性検定は有意であるべき(p < 0.05)であり、相関が単位行列と異なることを示す。CFAの場合:理論と先行研究に基づいて、仮説化された因子構造を事前に指定する。
探索的因子分析の場合:主軸因子法(PAF)または最尤法(ML)を用いて因子を抽出する。カイザー基準:固有値 > 1 の因子を保持する。スクリープロット:固有値を降順にプロットし、ひじ(肘)の部分(収穫逓減点)の前の因子を保持する。並列分析:ランダムデータから得られた固有値と比較し、ランダムベンチマークを超える因子を保持する。因子を回転させる(バリアマックス=直交/無相関、オブリン=斜交/相関)ことで解釈性を向上させ、単純構造(各変数が1つの因子に強く負荷する)を達成する。因子負荷量(変数と因子の相関)を報告する:通常、絶対値が0.4を超える負荷量は有意であり、0.7を超える場合は強い。共通度(各変数の分散のうち因子によって説明される割合)を計算する。共通度が低い(0.3未満)場合は、その変数にとって適合度が低いことを示唆する。確認的因子分析の場合:構造方程式モデリング(SEM)ソフトウェアを用いて仮説化されたモデルを適合させる。モデル適合指標を報告する:CFI(比較適合指数)> 0.95、TLI(トゥッカー・ルイス指数)> 0.95、RMSEA(近似誤差平方和)< 0.06、SRMR(標準化残差平方和)< 0.08(Hu & Bentler, 1999)。
EFAでは、どの変数が各因子に高く負荷するかを調べることで潜在因子を特定し、変数の内容に基づいて概念的に因子を解釈する。例えば、悲しみ、絶望感、快感消失に関する項目がすべて1つの因子に0.6を超えて負荷する場合、「抑うつ」とラベル付けする。因子分散の寄与率を報告する:各因子の分散は、負荷量の二乗和を項目数で割り100を乗じた値で示される。全因子にわたる合計は、全体的な適合度を示す。各因子内の信頼性:その因子に負荷する変数群に対してクロンバックのα係数(0.70以上は許容範囲、0.80以上は良好)を計算する。CFAでは、標準化因子負荷量(すべて0.4以上、理想的には0.6以上)を調べる。有意でない負荷量は、項目が構成概念をうまく測定できていないことを示唆する。モデル適合指標:すべての基準(CFI > 0.95、RMSEA < 0.06)を満たすことは、提案されたモデルを支持する。修正指標は代替パスを示唆するが、データ駆動型のモデル修正(事後的)はモデルの妥当性を損なうため、修正されたモデルを検証するには交差検証サンプルを使用する。潜在変数による各観測変数の分散の説明率(R²)を報告する。
よくある落とし穴
- 小規模サンプルでのデータ駆動型EFA:偶然に依存し、新しいサンプルでの再現性が低い。常に探索的サンプルでEFAを実施し、ホールドアウトサンプルで検証する。
- カイザー基準(固有値 > 1)のみに基づいて因子を抽出すること。スクリープロットと並列分析は追加のガイダンスを提供し、しばしばより少ない因子を示唆する。
- 解釈不能な因子の保持:因子が概念的にラベル付けできない場合、または概念的に無関係な負荷量を含む場合、解釈を強制するのではなく、その因子を削除することを検討する。
- CFAのモデル指定エラー:因子構造の誤指定、理論的に関連するパスの省略、または正当化なしに共分散誤差を許容することは、妥当性を損なう。
- 因子負荷量の大きさの誤解:負荷量は相関であり、回帰ではない。負荷量0.5は、変数の分散のわずか25%(R² = 0.5²)しか説明しない。
- 不適切な回転の使用:バリアマックス(直交)は無相関因子を強制するが、オブリン(斜交)は相関を許容する。理論に基づいて選択する。直交回転はしばしば非現実的である。
よくある質問
探索的因子分析と確認的因子分析の違いは何ですか?
探索的因子分析(EFA)は、事前の理論なしにデータから潜在構造を発見する。因子数やどの変数がどの因子に負荷するかはデータに委ねる。EFAは、新しい構成概念や尺度を調査する際に使用する。確認的因子分析(CFA)は、理論と先行研究に基づいて分析前に指定された仮説化された因子構造をテストする。CFAは正式な適合度テストを提供し、統計的に厳密である。標準的な手順:訓練サンプルでEFAを実施してモデルを提案し、独立したテストサンプルでCFAを用いて検証する(または交差検証を使用する)。EFAとCFAの検証に同じサンプルを使用することは絶対に避ける。
いくつの因子を抽出すべきですか?スクリープロットは何を示していますか?
因子抽出には複数の基準がある。(1) カイザー基準(固有値 > 1)は伝統的だが、しばしば因子数が多すぎることを示唆する。(2) スクリープロット:固有値を降順にプロットし、ひじ(収穫逓減が始まる点)の前の因子を保持する。「スクリー」とはひじの後ろの傾斜部分を指す。(3) 並列分析:経験的な固有値をランダム置換から得られた固有値と比較し、ランダムベースラインを超える因子のみを保持する。並列分析が統計的に最も正当性が高い。(4) 解釈可能性:概念的にラベル付けして説明できる因子のみを保持する。異なる基準はしばしば異なる因子数を生成する。複数の方法と理論を参照する。
負荷量0.6とはどういう意味ですか?信頼性係数とどう違いますか?
因子負荷量0.6は、観測変数と潜在因子の相関であり、その変数がその因子を測定するのに寄与していることを示す。負荷量の二乗(0.6² = 0.36)は、その因子によって説明される変数の分散の割合である。負荷量0.4以上は最低限許容され、0.6以上は強い。信頼性係数(クロンバックのα、通常0.70以上)は、内部一貫性を測定する。すなわち、同じ構成概念を測定する複数の変数が互いにどの程度相関しているかを示す。負荷量は潜在因子との関連を示し、αは変数が一貫して1つの構成概念を測定しているかどうかを示す。両方とも重要である。高い負荷量と高いαが組み合わさることで、均質な潜在次元が支持される。
低い共通度を持つ変数をどう扱えばよいですか?
共通度とは、すべての因子によって説明される変数の分散の割合(全因子にわたる負荷量の二乗和)である。低い共通度(0.3未満)は、その変数が因子モデルによってうまく表現されていないことを示唆する。その理由は、(1) 因子モデルで捉えられていない独自の構成概念を測定している、(2) その変数が信頼性が低い/ノイズが多い、または (3) 因子解が不正確である、のいずれかである。選択肢としては、変数を削除する(理論的に正当化される場合、モデルを単純化する)、因子を追加する(過適合の可能性がある)、またはその変数が本当に尺度に属するかどうかを調査する。項目内容は常に確認する。低い共通度は、概念的な不適合よりも、不適切な項目記述を反映している場合がある。
関連する手法
参考文献
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
DOI 文献を開くコピーしました。Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
DOI 文献を開くコピーしました。Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
DOI 文献を開くコピーしました。