Analiza czynnikowa — jak wiele pozycji sprowadzić do kilku wymiarów

Masz skalę z czterdziestoma pozycjami i pytanie: czy one mierzą jedną rzecz, czy kilka? Patrzenie na korelacje gołym okiem nic nie da — jest ich za dużo. Analiza czynnikowa to narzędzie, które z tego gąszczu wyciąga ukrytą strukturę: kilka wymiarów, za którymi stoją wszystkie pozycje.

Co to jest

Analiza czynnikowa to metoda redukcji. Bierze wiele skorelowanych pozycji i sprowadza je do nielicznych ukrytych wymiarów — czynników. Czynnik to coś, czego się nie obserwuje wprost; wnioskuje się o nim z tego, że grupa pozycji porusza się razem.

Logika: jeśli dziesięć pozycji silnie ze sobą koreluje, prawdopodobnie stoi za nimi jeden wspólny powód — jeden konstrukt. Analiza czynnikowa formalizuje tę intuicję i odpowiada na pytanie, ile takich wspólnych powodów potrzeba, by wyjaśnić wzorzec korelacji w danych.

To czyni ją kluczowym narzędziem walidacji. Tam, gdzie zgodność wewnętrzna mówi tylko „pozycje idą razem”, analiza czynnikowa mówi, ile odrębnych rzeczy mierzysz — i to ona, a nie alfa, rozstrzyga o jednowymiarowości.

Ładunki czynnikowe

Sercem wyniku są ładunki czynnikowe. Ładunek to siła związku pozycji z czynnikiem — w przybliżeniu mówi, jak mocno dana pozycja „należy” do danego wymiaru.

Czytanie ładunków jest dość bezpośrednie. Pozycja z wysokim ładunkiem na jednym czynniku i niskimi na pozostałych jest czysta — mierzy jeden, wyraźny wymiar. Pozycja z umiarkowanymi ładunkami na kilku czynnikach naraz jest niejednoznaczna: nie wiadomo, co właściwie mierzy, i zwykle jest kandydatką do przeredagowania albo usunięcia. To na tej tablicy ładunków widać, czy projektowana struktura skali rzeczywiście wyłania się z danych.

Eksploracyjna czy konfirmacyjna

To dwie różne sytuacje badawcze, nie dwa warianty tej samej procedury.

Analiza eksploracyjna (EFA) nie zakłada z góry struktury. Pytasz dane: ile was tu jest wymiarów i które pozycje do których należą? Używasz jej, gdy budujesz nowe narzędzie i nie masz jeszcze mocnej hipotezy o jego strukturze. EFA odkrywa.

Analiza konfirmacyjna (CFA) odwraca kierunek. Masz konkretny model wynikający z teorii — na przykład „te pozycje tworzą czynnik A, tamte czynnik B” — i sprawdzasz, czy dane do niego pasują. CFA testuje. To ona dostarcza twardego dowodu w ramach trafności teoretycznej: jeśli teoria przewiduje trzy wymiary, a model trójczynnikowy dobrze pasuje do danych, to istotna poszlaka, że narzędzie ma przewidzianą strukturę.

Rotacja i liczba czynników

Dwie decyzje techniczne, o które warto zapytać, czytając cudzą analizę.

Rotacja to przekształcenie wyniku, które porządkuje ładunki tak, by były łatwiejsze do interpretacji — żeby każda pozycja ładowała wyraźnie na jeden czynnik. Sama w sobie nie zmienia tego, ile informacji jest w danych; zmienia czytelność obrazu.

Liczba czynników to najtrudniejsza decyzja w całej procedurze, bo dane jej jednoznacznie nie narzucają. Klasyczne podpowiedzi to kryterium Kaisera (zatrzymaj czynniki o wartości własnej powyżej jedności) i wykres osypiska (szukasz „łokcia”, w którym kolejne czynniki przestają wnosić wiele). Żadne z nich nie jest wyrocznią — to wskazówki, które trzeba zważyć razem z sensownością merytoryczną. Rozwiązanie eleganckie statystycznie, ale bez interpretacji teoretycznej, jest podejrzane.

Jeśli budujesz lub walidujesz skalę i chcesz dobrać między EFA a CFA, ustalić liczbę czynników i zinterpretować ładunki — napisz.