Факторный анализ
- Автор метода
- Louis Leon Thurstone
- Год
- 1931
- Тип
- Method
- Семейство
- dimension-reduction
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Факторный анализ — это статистический метод для выявления скрытых (ненаблюдаемых) измерений, лежащих в основе наблюдаемых переменных.
Он был разработан Луисом Леоном Тёрстоуном в 1930-х годах и формализован Йёрескогом (1969). Разведочный факторный анализ (EFA) обнаруживает неизвестную факторную структуру в данных; конфирматорный факторный анализ (CFA) проверяет гипотетические связи между наблюдаемыми и скрытыми переменными. Факторный анализ, являющийся основой психометрики (разработка тестов), организационных исследований (измерение конструктов, таких как стиль лидерства) и биомедицины (выявление подтипов заболеваний), снижает размерность данных, одновременно раскрывая концептуальную организацию в многомерных данных.
Интуиция метода
Наблюдаемые переменные (пункты опросника, измерения) часто являются проявлениями лежащих в их основе скрытых конструктов (интеллект, степень тяжести депрессии, организационный климат), которые невозможно измерить напрямую. Факторный анализ предполагает, что корреляции между наблюдаемыми переменными отражают общие скрытые факторы. Математически ковариационная матрица разлагается на общую дисперсию (объясняемую факторами) и уникальную дисперсию (ошибки и эффекты, специфичные для пункта). Разведочный факторный анализ задает вопрос: какая скрытая структура лучше всего объясняет эти корреляции? Конфирматорный факторный анализ задает вопрос: соответствует ли теоретически предложенная структура данным? Это позволяет исследователям измерять абстрактные понятия, валидировать инструменты оценки и понимать размерностную организацию в сложных наборах данных.
История
Чарльз Спирмен (1904) ввел факторный анализ для объяснения положительных корреляций между умственными способностями (общий интеллект «g»). Луис Леон Тёрстоун (1931) расширил его до множественных факторов и разработал методы вращения (центроидный, метод главных осей). Конфирматорный факторный анализ Карла Йёреского (1969) и моделирование структурных уравнений революционизировали проверку гипотез в моделях скрытых переменных. Критерий Кайзера (Kaiser, 1960) стандартизировал извлечение факторов на основе собственных значений. Современные разработки включают теорию элементного ответа (Rasch, 1960), робастные методы оценки (бес distribuição-free оценка) и многогрупповой/многоуровневый факторный анализ для сравнения структур в разных популяциях или вложенных данных.
Когда применять
Используйте EFA при исследовании размерностной структуры нового измерительного конструкта, уточнении шкал или понимании взаимосвязей между наблюдаемыми переменными без априорной теории. Психологическая оценка: отбор пунктов для нового скрининга депрессии, шкала оценки лидерства. Биомедицина: выявление подтипов заболеваний по корреляциям симптомов. Используйте CFA при валидации ранее разработанных шкал, проверке теоретических моделей измерения или сравнении конкурирующих факторных структур. Часто используется в психологии: подтверждение унимодальной или мультимодальной модели конструкта. Также используйте CFA как измерительную часть более крупных моделей структурных уравнений, связывающих скрытые переменные с исходами.
Ограничения и замечания
- Результаты EFA зависят от выборки; факторная структура может не воспроизводиться в новой выборке. Всегда проводите перекрестную валидацию результатов или используйте конфирматорный факторный анализ на независимой выборке.
- Предполагает линейные связи между переменными и факторами; нелинейные эффекты или пороговые эффекты не обнаруживаются.
- Интерпретация субъективна: схожая структура собственных значений и вращения могут приводить к разным интерпретациям. Множество решений могут одинаково хорошо подходить данным.
- Требует больших выборок для стабильных оценок: общее правило n > 5 × переменных; малые выборки (n < 100) дают нестабильные, невоспроизводимые факторы.
- CFA предполагает, что модель измерения верна априори; если истинная структура отличается, меры подгонки модели могут не выявить неправильную спецификацию (локальные минимумы, эквивалентные модели).
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Снижение размерности: множество наблюдаемых переменных сжимается до нескольких интерпретируемых скрытых факторов, упрощая анализ и коммуникацию.
- Раскрытие скрытых конструктов: позволяет измерять абстрактные понятия (интеллект, личность, организационная культура), которые невозможно наблюдать напрямую.
- Статистическая основа для разработки тестов: поддерживает доказательства валидности для психологических и образовательных оценок; CFA формально валидирует модели измерения.
- Гибкость: подходит для бинарных, порядковых и непрерывных данных; обрабатывает пропущенные данные с помощью максимального правдоподобия с полной информацией (FIML) в CFA.
- Расширяется до сложных моделей: основа для моделирования структурных уравнений, связывающих скрытые переменные с исходами, позволяя проводить тесты на медиацию и модерацию.
Применение
- Разработка психологических тестов: конструирование и валидация клинических шкал (депрессия, тревожность), личностных опросников (Большая пятерка), тестов когнитивных способностей; установление доказательств валидности.
- Организационные исследования: измерение конструктов, таких как удовлетворенность работой, организационная приверженность, стиль лидерства; подтверждение мультимодальной природы сложных понятий.
- Оценка качества жизни: сведение множества пунктов, связанных со здоровьем, к интерпретируемым измерениям (физическое, психическое, социальное функционирование) для измерения результатов.
- Образовательная оценка: разработка оценок учебных программ, установление валидности вступительных экзаменов в колледжи, сокращение пулов пунктов при сохранении концептуального охвата.
- Биомедицинские исследования: выявление различных фенотипов заболеваний по корреляциям симптомов/генетических маркеров (эндотипов), снижение высокоразмерных геномных данных до интерпретируемых скрытых измерений.
Как это работает
Как это работает
Проведение разведочного или конфирматорного факторного анализа включает сбор данных по множеству наблюдаемых переменных (обычно >5) от достаточно большой выборки (общее правило: n > 5 × количество переменных, или абсолютный минимум n ≥ 100; в идеале n > 200). Для EFA: собирайте данные без предварительной гипотезы о факторной структуре; переменные должны быть достаточно коррелированными (проверьте корреляционную матрицу; корреляции < 0.3 предполагают маловероятность наличия факторов). Оцените адекватность выборки: тест Кайзера-Мейера-Олкина (KMO) сравнивает величину корреляций с частными корреляциями; KMO > 0.6 приемлемо, > 0.7 — хорошо. Тест сферичности Бартлетта должен быть значимым (p < 0.05), указывая на то, что корреляции отличаются от единичной матрицы. Для CFA: заранее определите гипотетическую факторную структуру на основе теории и предыдущих исследований.
Для разведочного факторного анализа: извлекайте факторы с помощью метода главных компонент (PAF) или максимального правдоподобия (ML). Критерий Кайзера: сохраняйте факторы с собственными значениями > 1. График каменистой осыпи (scree plot): постройте график собственных значений в порядке убывания; сохраняйте факторы до «локтя» (точки замедления). Параллельный анализ: сравните собственные значения с собственными значениями случайных данных; сохраняйте факторы, превышающие случайный эталон. Вращайте факторы (varimax = ортогональные/некоррелированные, oblimin = косые/коррелированные) для улучшения интерпретируемости и достижения простой структуры (каждая переменная сильно нагружает один фактор). Сообщайте о факторных нагрузках (корреляциях между переменными и факторами): обычно |нагрузка| > 0.4 считается значимой; нагрузки > 0.7 — сильные. Рассчитайте коммуны (communality): долю дисперсии каждой переменной, объясняемую факторами; низкие коммуны (<0.3) предполагают плохую подгонку для данной переменной. Для конфирматорного факторного анализа: подогнайте гипотетическую модель с помощью программного обеспечения для структурного моделирования (SEM). Сообщайте об индексах подгонки модели: 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).
В EFA выявляйте скрытые факторы, изучая, какие переменные сильно нагружают каждый фактор; концептуально интерпретируйте фактор на основе содержания переменных. Например, если пункты о грусти, безнадежности и ангедонии сильно нагружают один фактор (>0.6), назовите его «депрессия». Сообщайте о дисперсии, объясняемой факторами: сумма квадратов нагрузок, деленная на количество переменных × 100% дает дисперсию на фактор; сумма по всем факторам указывает общую подгонку. Надежность в пределах каждого фактора: рассчитайте альфа Кронбаха (≥0.70 приемлемо, ≥0.80 хорошо) для переменных, нагружающих данный фактор. В CFA изучите стандартизированные факторные нагрузки (все должны быть > 0.4, в идеале > 0.6); незначимые нагрузки предполагают, что пункты плохо измеряют конструкт. Индексы подгонки модели: соответствие всем критериям (CFI > 0.95, RMSEA < 0.06) подтверждает предложенную модель. Индексы модификации предлагают альтернативные пути; однако корректировка модели на основе данных (post-hoc) компрометирует валидность модели — используйте выборки для перекрестной проверки для тестирования измененных моделей. Сообщайте о дисперсии, объясняемой скрытой переменной для каждой наблюдаемой переменной (R²).
Частые ошибки
- EFA, основанный на данных, с малыми выборками: использует случайность; воспроизводимость в новой выборке низкая. Всегда проводите EFA на разведочной выборке и валидируйте на отложенной выборке.
- Извлечение факторов только на основе критерия Кайзера (собственное значение > 1); график каменистой осыпи и параллельный анализ предоставляют дополнительное руководство и часто предполагают меньшее количество факторов.
- Сохранение неинтерпретируемых факторов: если фактор нельзя концептуально обозначить или он содержит концептуально несвязанные нагрузки, рассмотрите возможность его удаления, а не принудительной интерпретации.
- Ошибки спецификации модели CFA: неправильное определение факторной структуры, пропуск теоретически значимых путей или разрешение коррелирующих ошибок без обоснования компрометируют валидность.
- Неправильная интерпретация величины факторной нагрузки: нагрузки — это корреляции, а не регрессии; нагрузка 0.5 объясняет только 25% дисперсии переменной (R² = 0.5²).
- Использование неподходящего вращения: varimax (ортогональное) накладывает некоррелированные факторы; oblimin (косое) допускает корреляции. Выбирайте на основе теории; ортогональное вращение часто нереалистично.
Часто задаваемые вопросы
В чем разница между разведочным и конфирматорным факторным анализом?
Разведочный факторный анализ (EFA) обнаруживает скрытую структуру в данных без предварительной теории; вы позволяете данным определять количество факторов и то, какие переменные нагружают какие факторы. Используйте EFA при исследовании нового конструкта или шкалы. Конфирматорный факторный анализ (CFA) проверяет гипотетическую факторную структуру, заданную до анализа на основе теории и предыдущих исследований. CFA предоставляет формальные тесты подгонки и является более статистически строгим. Стандартная практика: проведите EFA на обучающей выборке для предложения модели, затем валидируйте с помощью CFA на независимой тестовой выборке (или используйте перекрестную проверку). Никогда не проводите EFA на той же выборке, которая использовалась для валидации CFA.
Сколько факторов следует извлекать? Что говорит график каменистой осыпи?
Несколько критериев направляют извлечение факторов: (1) Критерий Кайзера (собственное значение > 1) является традиционным, но часто предполагает слишком много факторов. (2) График каменистой осыпи: собственные значения, построенные в порядке убывания; сохраняйте факторы до «локтя» (точки, где начинаются убывающие доходы). «Скри» — это наклон после «локтя». (3) Параллельный анализ: сравните эмпирические собственные значения с собственными значениями случайных перестановок; сохраняйте только факторы, превышающие случайный базовый уровень. Параллельный анализ является наиболее статистически обоснованным. (4) Интерпретируемость: сохраняйте только факторы, которые вы можете концептуально обозначить и объяснить. Различные критерии часто дают разные числа; консультируйтесь с несколькими методами и теорией.
Что означает факторная нагрузка 0.6 и чем она отличается от коэффициента надежности?
Факторная нагрузка 0.6 — это корреляция между наблюдаемой переменной и скрытым фактором; она указывает на то, что переменная вносит вклад в измерение этого фактора. Квадрат нагрузки (0.6² = 0.36) — это доля дисперсии переменной, объясняемая фактором. Нагрузки > 0.4 минимально приемлемы; > 0.6 — сильные. Коэффициент надежности (альфа Кронбаха, обычно ≥0.70) измеряет внутреннюю согласованность: степень, в которой несколько переменных, измеряющих один и тот же конструкт, коррелируют друг с другом. Нагрузка показывает связь со скрытым фактором; альфа показывает, последовательно ли переменные вместе измеряют один конструкт. Важны оба показателя: высокие нагрузки и высокая альфа вместе подтверждают однородное скрытое измерение.
Как обрабатывать переменные с низкими коммунами?
Коммунальность — это доля дисперсии переменной, объясняемая всеми факторами (сумма квадратов нагрузок по всем факторам). Низкие коммуны (<0.3) предполагают, что переменная плохо представлена факторами, либо потому что: (1) она измеряет уникальный конструкт, не охваченный факторной моделью, (2) она ненадежна/шумна, или (3) факторное решение некорректно. Варианты: удалить переменную (упростить модель, если это теоретически обосновано), добавить факторы (может привести к переобучению) или исследовать, действительно ли переменная принадлежит к шкале. Всегда изучайте содержание пункта; иногда низкая коммунальность отражает плохо сформулированный пункт, а не концептуальное несоответствие.
Похожие методы
Источники
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
Открыть ссылку DOIСкопировано.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
Открыть ссылку DOIСкопировано.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
Открыть ссылку DOIСкопировано.