Konfirmacyjna analiza czynnikowa — test hipotezy o strukturze

Konfirmacyjna analiza czynnikowa zaczyna się tam, gdzie kończy się zgadywanie. Masz teorię, jak zbudowane jest twoje narzędzie — które pozycje mierzą który wymiar — i chcesz sprawdzić, czy dane się z nią zgadzają. To jest test hipotezy, nie eksploracja.

Czym różni się od eksploracyjnej

Eksploracyjna analiza czynnikowa zadaje pytanie otwarte: ile wymiarów kryje się w tych pozycjach i jak się grupują. Nie narzucasz odpowiedzi — pozwalasz danym ją podpowiedzieć.

Konfirmacyjna (CFA) odwraca kierunek. Z góry zakładasz strukturę: pozycje od 1 do 8 mierzą wymiar A, od 9 do 16 wymiar B. Potem sprawdzasz, jak dobrze ten z góry zadany model pasuje do tego, co faktycznie widać w danych. Pytanie nie brzmi „co tu jest”, tylko „czy to, co założyłem, się broni”.

To rozróżnienie ma znaczenie praktyczne. Eksploracji używasz na początku, gdy narzędzie dopiero powstaje. Konfirmacji — gdy masz już hipotezę i chcesz ją potwierdzić na nowej próbie.

Wskaźniki dopasowania

CFA nie daje jednej liczby „tak/nie”. Daje zestaw wskaźników, które czyta się razem.

Chi-kwadrat to klasyczny test dopasowania, ale przy dużych próbach niemal zawsze wychodzi istotny — czyli formalnie odrzuca model, nawet gdy ten jest dobry. Dlatego rzadko rozstrzyga się na jego podstawie.

CFI i TLI porównują twój model z modelem zerowym. Im bliżej jedności, tym lepiej; orientacyjnie od 0,95 mówi się o dobrym dopasowaniu.

RMSEA mówi o błędzie aproksymacji na pozycję. Mniej znaczy lepiej — poniżej 0,06 to dobry wynik, powyżej 0,10 sygnał, że coś jest nie tak.

SRMR to uśredniona rozbieżność między korelacjami obserwowanymi a tymi, które przewiduje model. Poniżej 0,08 uznaje się za akceptowalne.

Te progi są umowne. Pochodzą z symulacji i działają orientacyjnie, nie jak granica na termometrze. Model z CFI 0,94 nie jest „zły”, a model z 0,96 nie jest automatycznie dobry, jeśli reszta diagnostyki kuleje.

Część większej rodziny

CFA należy do modelowania równań strukturalnych (SEM). Mówiąc ściśle, jest jego modelem pomiarowym — opisuje, jak obserwowane pozycje łączą się z ukrytymi czynnikami, ale nie zakłada między tymi czynnikami żadnych relacji przyczynowych.

Pełne SEM dokłada do tego ścieżki: pozwala badać, czy jeden konstrukt wpływa na drugi. CFA jest więc fundamentem — zanim zaczniesz modelować relacje między wymiarami, najpierw musisz wykazać, że twoje wymiary są dobrze zmierzone.

Po co to robić

CFA jest standardowym dowodem na trafność teoretyczną narzędzia. Jeśli twierdzisz, że kwestionariusz ma pięć skal, CFA pokazuje, czy te pięć skal rzeczywiście istnieje w danych, czy jest tylko porządkiem na papierze. To jeden z mocniejszych argumentów w walidacji — i jeden z najczęściej pomijanych poza akademią.

Sama dobra alfa nie wystarczy; o tym, czy struktura się trzyma, decyduje analiza czynnikowa, nie rzetelność. Jeśli walidujesz narzędzie i chcesz, żeby jego struktura była udokumentowana, a nie założona — odezwij się.