Analiza czynnikowa
- Autor metody
- Louis Leon Thurstone
- Rok
- 1931
- Typ
- Method
- Rodzina
- dimension-reduction
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Analiza czynnikowa to technika statystyczna służąca do identyfikacji latentnych (nieobserwowalnych) wymiarów leżących u podstaw obserwowalnych zmiennych, opracowana przez Louisa Leona Thurstone'a w latach 30.
XX wieku i sformalizowana przez Jöreskoga (1969). Eksploracyjna analiza czynnikowa (EFA) odkrywa nieznaną strukturę czynnikową na podstawie danych; konfirmacyjna analiza czynnikowa (CFA) testuje hipotetyczne zależności między zmiennymi obserwowalnymi a latentnymi. Kluczowa w psychometrii (tworzenie testów), badaniach organizacyjnych (mierzenie konstruktów, takich jak styl przywództwa) i biomedycynie (identyfikacja podtypów chorób), analiza czynnikowa redukuje wymiarowość, jednocześnie ujawniając organizację koncepcyjną w danych wielowymiarowych.
Intuicja stojąca za metodą
Zmienne obserwowalne (pozycje kwestionariusza, pomiary) są często manifestacją leżących u podstaw latentnych konstruktów (inteligencja, nasilenie depresji, klimat organizacyjny), których nie można bezpośrednio zmierzyć. Analiza czynnikowa zakłada, że korelacje między zmiennymi obserwowalnymi odzwierciedlają wspólne latentne czynniki. Matematyka rozkłada macierz korelacji na wariancję wspólną (wyjaśnianą przez czynniki) i wariancję unikalną (błąd i efekty specyficzne dla pozycji). Eksploracyjna analiza czynnikowa pyta: jaka latentna struktura najlepiej wyjaśnia te korelacje? Konfirmacyjna analiza czynnikowa pyta: czy teoretycznie proponowana struktura pasuje do danych? Umożliwia to badaczom mierzenie abstrakcyjnych koncepcji, walidację narzędzi oceny i zrozumienie organizacji wymiarowej w złożonych zbiorach danych.
Historia
Charles Spearman (1904) wprowadził analizę czynnikową, aby wyjaśnić pozytywne korelacje między zdolnościami umysłowymi (ogólna inteligencja 'g'). Louis Leon Thurstone (1931) rozszerzył ją na wiele czynników i opracował metody rotacji (centroidowa, osi głównych). Konfirmacyjna analiza czynnikowa i modelowanie równań strukturalnych Karla Jöreskoga (1969) zrewolucjonizowały testowanie hipotez w modelach zmiennych latentnych. Kryterium Kaisera (Kaiser, 1960) znormalizowało ekstrakcję czynników opartą na wartościach własnych. Nowoczesne osiągnięcia obejmują teorię odpowiedzi na pozycje (Rasch, 1960), metody estymacji odpornej (estymacja bez założeń o rozkładzie) oraz analizę czynnikową wielogrupową/wielopoziomową do porównywania struktur w różnych populacjach lub danych zagnieżdżonych.
Kiedy stosować
Używaj EFA przy eksploracji struktury wymiarowej nowego konstruktu pomiarowego, udoskonalaniu skal lub zrozumieniu zależności między zmiennymi obserwowalnymi bez wcześniejszej teorii. Ocena psychologiczna: wybór pozycji do nowego narzędzia przesiewowego w kierunku depresji, skala oceny przywództwa. Biomedycyna: identyfikacja podtypów chorób na podstawie korelacji objawów (endotypów), redukcja danych genomicznych o wysokiej wymiarowości do interpretowalnych latentnych wymiarów. Używaj CFA przy walidacji wcześniej opracowanych skal, testowaniu teoretycznych modeli pomiarowych lub porównywaniu konkurencyjnych struktur czynnikowych. Powszechne w psychologii: potwierdzanie modelu jednowymiarowego kontra wielowymiarowego konstruktu. Używaj również CFA jako części pomiarowej większych modeli równań strukturalnych łączących zmienne latentne z wynikami.
Ograniczenia i uwagi
- Wyniki EFA zależą od próby; struktura czynnikowa może nie zostać powtórzona w nowej próbie. Zawsze przeprowadzaj walidację krzyżową wyników lub używaj konfirmacyjnej analizy czynnikowej na niezależnej próbie.
- Zakłada liniowe zależności między zmiennymi a czynnikami; efekty nieliniowe lub progowe pozostają niewykryte.
- Interpretacja jest subiektywna: podobna struktura wartości własnych i rotacje mogą prowadzić do różnych interpretacji. Wiele rozwiązań może równie dobrze pasować do danych.
- Wymaga dużych prób dla stabilnych oszacowań: ogólna zasada n > 5 × zmiennych; małe próby (n < 100) dają niestabilne, niereplikowalne czynniki.
- CFA zakłada, że model pomiarowy jest poprawny a priori; jeśli rzeczywista struktura jest inna, miary dopasowania modelu mogą nie wykryć błędnej specyfikacji (lokalne minima, modele równoważne).
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Redukcja wymiarowości: wiele zmiennych obserwowalnych skompresowanych do mniejszej liczby interpretowalnych czynników latentnych, co upraszcza analizę i komunikację.
- Ujawnia latentne konstrukty: umożliwia mierzenie abstrakcyjnych koncepcji (inteligencja, osobowość, kultura organizacyjna), których nie można bezpośrednio zaobserwować.
- Podstawa statystyczna tworzenia testów: wspiera dowody trafności dla ocen psychologicznych i edukacyjnych; CFA formalnie waliduje modele pomiarowe.
- Elastyczność: przystosowuje się do danych binarnych, porządkowych i ciągłych; obsługuje brakujące dane za pomocą maksymalnej wiarygodności z pełną informacją (FIML) w CFA.
- Rozszerza się na złożone modele: podstawa dla modelowania równań strukturalnych łączących zmienne latentne z wynikami, umożliwiając testy mediacji i moderacji.
Zastosowania
- Tworzenie testów psychologicznych: konstruowanie i walidacja skal klinicznych (depresja, lęk), inwentarzy osobowości (Wielka Piątka) i testów zdolności poznawczych; ustanawianie dowodów trafności.
- Badania organizacyjne: mierzenie konstruktów takich jak satysfakcja z pracy, zaangażowanie organizacyjne, styl przywództwa; potwierdzanie wielowymiarowej natury złożonych koncepcji.
- Ocena jakości życia: redukcja wielu pozycji związanych ze zdrowiem do interpretowalnych wymiarów (funkcjonowanie fizyczne, psychiczne, społeczne) do pomiaru wyników.
- Ocena edukacyjna: tworzenie ocen programowych, ustanawianie trafności egzaminów wstępnych na studia, redukcja puli pozycji przy jednoczesnym zachowaniu zakresu koncepcyjnego.
- Badania biomedyczne: identyfikacja odrębnych fenotypów chorób na podstawie korelacji objawów/markerów genetycznych (endotypów), redukcja danych genomicznych o wysokiej wymiarowości do interpretowalnych latentnych wymiarów.
Jak to działa
Jak to działa
Przeprowadź eksploracyjną lub konfirmacyjną analizę czynnikową, zbierając dane dotyczące wielu zmiennych obserwowalnych (zazwyczaj >5) od wystarczająco dużej próby (ogólna zasada: n > 5 × liczba zmiennych, lub absolutne minimum n ≥ 100; idealnie n > 200). Dla EFA: zbieraj dane bez wcześniejszej hipotezy dotyczącej struktury czynnikowej; zmienne powinny być rozsądnie skorelowane (sprawdź macierz korelacji; wszystkie korelacje < 0.3 sugerują, że czynniki są mało prawdopodobne). Oceń adekwatność próby: test Kaisera-Meyera-Olkina (KMO) porównuje wielkość korelacji z korelacjami cząstkowymi; KMO > 0.6 jest akceptowalne, > 0.7 dobre. Test sferyczności Bartletta powinien być istotny (p < 0.05), wskazując, że korelacje różnią się od macierzy jednostkowej. Dla CFA: określ hipotetyczną strukturę czynnikową a priori na podstawie teorii i wcześniejszych badań.
Dla eksploracyjnej analizy czynnikowej: wyodrębnij czynniki za pomocą analizy osi głównych (PAF) lub największej wiarygodności (ML). Kryterium Kaisera: zachowaj czynniki o wartościach własnych > 1. Wykres łokciowy (scree plot): wykreśl wartości własne w malejącym porządku; zachowaj czynniki przed punktem załamania (zmniejszające się przyrosty). Analiza równoległa: porównaj wartości własne z danymi losowymi; zachowaj czynniki przekraczające punkt odniesienia dla danych losowych. Rotuj czynniki (varimax = ortogonalne/nieskorelowane, oblimin = skośne/skorelowane) w celu poprawy interpretowalności i osiągnięcia prostej struktury (każda zmienna ma wysoki ładunek tylko na jednym czynniku). Raportuj ładunki czynnikowe (korelacje między zmiennymi a czynnikami): zazwyczaj |ładunek| > 0.4 jest uważane za istotne; ładunki > 0.7 są silne. Oblicz komunalności (communalities): proporcję wariancji każdej zmiennej wyjaśnianej przez czynniki; niskie komunalności (<0.3) sugerują słabe dopasowanie dla tej zmiennej. Dla konfirmacyjnej analizy czynnikowej: dopasuj hipotetyczny model za pomocą oprogramowania do modelowania równań strukturalnych (SEM). Raportuj wskaźniki dopasowania modelu: 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).
W EFA zidentyfikuj latentne czynniki, analizując, które zmienne mają wysokie ładunki na poszczególnych czynnikach; interpretuj czynnik koncepcyjnie na podstawie treści zmiennych. Na przykład, jeśli pozycje dotyczące smutku, beznadziei i anhedonii mają wysokie ładunki na jednym czynniku (>0.6), nazwij go „depresja”. Raportuj wyjaśnioną wariancję czynnikową: suma kwadratów ładunków podzielona przez liczbę zmiennych × 100% daje wariancję na czynnik; suma wszystkich czynników wskazuje ogólne dopasowanie. Rzetelność w ramach każdego czynnika: oblicz alfę Cronbacha (≥0.70 akceptowalne, ≥0.80 dobre) dla zmiennych o wysokich ładunkach na tym czynniku. W CFA analizuj standaryzowane ładunki czynnikowe (wszystkie powinny być > 0.4, idealnie > 0.6); nieistotne ładunki sugerują, że pozycje słabo mierzą konstrukt. Wskaźniki dopasowania modelu: spełnienie wszystkich kryteriów (CFI > 0.95, RMSEA < 0.06) potwierdza proponowany model. Wskaźniki modyfikacji sugerują alternatywne ścieżki; jednak modyfikowanie modelu na podstawie danych (post-hoc) narusza jego trafność – użyj niezależnych próbek do walidacji krzyżowej w celu testowania zmodyfikowanych modeli. Raportuj wariancję wyjaśnianą przez zmienną latentną dla każdej zmiennej obserwowalnej (R²).
Częste pułapki
- EFA sterowana danymi przy małych próbach: wykorzystuje przypadkowe wahania (capitalization on chance); replikowalność w nowej próbie jest słaba. Zawsze przeprowadzaj EFA na próbie eksploracyjnej i waliduj na próbie kontrolnej.
- Wyodrębnianie czynników na podstawie samego kryterium Kaisera (wartość własna > 1); wykres łokciowy i analiza równoległa dostarczają dodatkowych wskazówek i często sugerują mniej czynników.
- Zachowywanie nieinterpretowalnych czynników: jeśli czynnik nie może być koncepcyjnie nazwany lub zawiera istotne ładunki od niezwiązanych ze sobą koncepcji, rozważ jego usunięcie zamiast wymuszania interpretacji.
- Błędy specyfikacji modelu CFA: nieprawidłowe określenie struktury czynnikowej, pominięcie teoretycznie istotnych ścieżek lub zezwolenie na skorelowane błędy bez uzasadnienia narusza trafność.
- Błędna interpretacja wielkości ładunku czynnikowego: ładunki są korelacjami, a nie regresjami; ładunek 0.5 wyjaśnia tylko 25% wariancji zmiennej (R² = 0.5²).
- Używanie nieodpowiedniej rotacji: varimax (ortogonalna) narzuca nieskorelowane czynniki; oblimin (skośna) dopuszcza korelacje. Wybierz na podstawie teorii; rotacja ortogonalna jest często nierealistyczna.
Najczęściej zadawane pytania
Jaka jest różnica między eksploracyjną a konfirmacyjną analizą czynnikową?
Eksploracyjna analiza czynnikowa (EFA) odkrywa latentną strukturę na podstawie danych bez wcześniejszej teorii; pozwala danym kierować liczbą czynników i tym, które zmienne mają wysokie ładunki na których czynnikach. EFA stosuje się przy badaniu nowego konstruktu lub skali. Konfirmacyjna analiza czynnikowa (CFA) testuje hipotetyczną strukturę czynnikową określoną przed analizą na podstawie teorii i wcześniejszych badań. CFA zapewnia formalne testy dopasowania i jest bardziej rygorystyczna statystycznie. Standardowa praktyka: przeprowadź EFA na próbie treningowej, aby zaproponować model, a następnie waliduj za pomocą CFA na niezależnej próbie testowej (lub użyj walidacji krzyżowej). Nigdy nie przeprowadzaj EFA na tej samej próbie, która została użyta do walidacji CFA.
Ile czynników należy wyodrębnić? Co mówi wykres łokciowy?
Wiele kryteriów kieruje ekstrakcją czynników: (1) Kryterium Kaisera (wartość własna > 1) jest tradycyjne, ale często sugeruje zbyt wiele czynników. (2) Wykres łokciowy (scree plot): wartości własne wykreślone w malejącym porządku; zachowaj czynniki przed punktem załamania (momentem, w którym zaczynają się zmniejszać przyrosty). „Scree” to zbocze po punkcie załamania. (3) Analiza równoległa: porównaj empiryczne wartości własne z wartościami uzyskanymi z losowych permutacji; zachowaj tylko czynniki przekraczające bazę losową. Analiza równoległa jest najbardziej uzasadniona statystycznie. (4) Interpretowalność: zachowaj tylko czynniki, które można koncepcyjnie nazwać i wyjaśnić. Różne kryteria często dają różne liczby; skonsultuj się z wieloma metodami i teorią.
Co oznacza ładunek czynnikowy 0.6 i czym różni się od współczynnika rzetelności?
Ładunek czynnikowy 0.6 to korelacja między zmienną obserwowalną a latentnym czynnikiem; wskazuje, że zmienna przyczynia się do pomiaru tego czynnika. Kwadrat ładunku (0.6² = 0.36) to proporcja wariancji zmiennej wyjaśniana przez czynnik. Ładunki > 0.4 są minimalnie akceptowalne; > 0.6 są silne. Współczynnik rzetelności (alfa Cronbacha, zazwyczaj ≥0.70) mierzy spójność wewnętrzną: stopień, w jakim wiele zmiennych mierzących ten sam konstrukt koreluje ze sobą. Ładunek pokazuje związek z latentnym czynnikiem; alfa pokazuje, czy zmienne razem konsekwentnie mierzą jeden konstrukt. Oba wskaźniki są ważne: wysokie ładunki i wysoka alfa razem wspierają jednorodny wymiar latentny.
Jak radzić sobie ze zmiennymi o niskich komunalnościach?
Komunalność (communality) to proporcja wariancji zmiennej wyjaśniana przez wszystkie czynniki (suma kwadratów ładunków wszystkich czynników). Niskie komunalności (<0.3) sugerują, że zmienna jest słabo reprezentowana przez czynniki, ponieważ: (1) mierzy unikalny konstrukt nieujęty w modelu czynnikowym, (2) jest nierzetelna/zaszumiona, lub (3) rozwiązanie czynnikowe jest nieprawidłowe. Opcje: usunąć zmienną (uprościć model, jeśli jest uzasadnione teoretycznie), dodać czynniki (może prowadzić do nadmiernego dopasowania) lub zbadać, czy zmienna faktycznie należy do skali. Zawsze analizuj treść pozycji; czasami niska komunalność odzwierciedla źle sformułowaną pozycję, a nie niedopasowanie koncepcyjne.
Pokrewne metody
Źródła
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
Otwórz odnośnik DOISkopiowano.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
Otwórz odnośnik DOISkopiowano.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
Otwórz odnośnik DOISkopiowano.