Analiza statystyczna
Analiza czynnikowa (EFA)
Czym jest i kiedy warto ją stosować?
Wprowadzenie
Eksploracyjna analiza czynnikowa (Exploratory Factor Analysis – EFA) to jedna z najważniejszych metod statystycznych służących do odkrywania ukrytej struktury danych. Jej głównym celem jest identyfikacja niewidocznych bezpośrednio czynników (ang. factors), które wpływają na odpowiedzi badanych lub obserwowane zmienne.
Metoda ta jest szeroko stosowana w psychologii, pedagogice, socjologii, marketingu, ekonomii oraz naukach medycznych.
Na czym polega analiza czynnikowa?
Załóżmy, że przeprowadzono ankietę zawierającą 30 pytań dotyczących satysfakcji z pracy.
Wiele pytań może dotyczyć podobnych zagadnień:
- wynagrodzenia,
- relacji z przełożonym,
- atmosfery w pracy,
- możliwości rozwoju.
Analiza czynnikowa pozwala sprawdzić, czy odpowiedzi można pogrupować w kilka głównych obszarów, np.:
| Pytania | Czynnik |
|---|---|
| P1, P2, P3, P4 | Wynagrodzenie |
| P5, P6, P7 | Atmosfera |
| P8, P9, P10 | Rozwój zawodowy |
W efekcie zamiast analizować 30 zmiennych analizujemy np. 3–5 głównych czynników.
Cele EFA
Eksploracyjna analiza czynnikowa służy do:
- redukcji liczby zmiennych,
- identyfikacji ukrytych konstrukcji psychologicznych,
- budowy kwestionariuszy i testów,
- weryfikacji struktury ankiet,
- przygotowania danych do dalszych analiz.
Przykład zastosowania
Psycholog opracowuje nowy test osobowości zawierający 40 pytań.
Nie wiadomo jednak, ile cech osobowości mierzy test.
Po przeprowadzeniu EFA okazuje się, że pytania grupują się w pięć czynników:
- Ekstrawersja
- Sumienność
- Otwartość
- Ugodowość
- Stabilność emocjonalna
Dzięki temu można potwierdzić strukturę testu.
Warunki stosowania EFA
Przed wykonaniem analizy należy sprawdzić:
Liczebność próby
Najczęściej zaleca się:
- minimum 100 osób,
- najlepiej 5–10 respondentów na każdą zmienną.
Przykład:
20 pytań × 10 osób = 200 respondentów.
Korelacje między zmiennymi
Zmienne powinny być ze sobą powiązane.
Jeżeli pytania nie korelują, analiza czynnikowa nie ma sensu.
Test KMO
Miara KMO (Kaiser-Meyer-Olkin) ocenia przydatność danych do analizy czynnikowej.
Interpretacja:
| KMO | Ocena |
|---|---|
| > 0,90 | doskonała |
| 0,80–0,89 | bardzo dobra |
| 0,70–0,79 | dobra |
| 0,60–0,69 | przeciętna |
| < 0,50 | nieakceptowalna |
Test sferyczności Bartletta
Sprawdza, czy macierz korelacji różni się od macierzy jednostkowej.
Warunek:
p < 0,05
oznacza, że analiza czynnikowa może być przeprowadzona.
Wyodrębnianie czynników
Najczęściej stosowane metody:
Principal Axis Factoring (PAF)
- bardzo popularna,
- dobrze sprawdza się w naukach społecznych.
Maximum Likelihood (ML)
- umożliwia testowanie modeli statystycznych,
- wykorzystywana przy bardziej zaawansowanych analizach.
Kryterium wartości własnych
Najczęściej stosowane jest kryterium Kaisera:
Zachowujemy czynniki, dla których:λ>1
gdzie:λ
oznacza wartość własną (eigenvalue).
Wykres osypiska (Scree Plot)
Jest to wykres pokazujący wartości własne kolejnych czynników.
Punkt załamania wykresu wskazuje liczbę czynników, które warto pozostawić.
Rotacja czynników
Po wyodrębnieniu czynników wykonuje się rotację.
Jej celem jest łatwiejsza interpretacja wyników.
Rotacje ortogonalne
Zakładają brak korelacji między czynnikami.
Przykład:
- Varimax
Rotacje ukośne
Dopuszczają korelacje między czynnikami.
Przykłady:
- Oblimin
- Promax
W psychologii najczęściej stosuje się właśnie rotacje ukośne.
Ładunki czynnikowe
Ładunek czynnikowy określa siłę związku zmiennej z czynnikiem.
Przykładowa interpretacja:
| Ładunek | Interpretacja |
|---|---|
| < 0,30 | słaby |
| 0,30–0,49 | umiarkowany |
| 0,50–0,69 | dobry |
| > 0,70 | bardzo silny |
Przykład:
| Pytanie | Czynnik 1 |
|---|---|
| P1 | 0,82 |
| P2 | 0,79 |
| P3 | 0,75 |
Wszystkie pytania silnie opisują ten sam czynnik.
Zalety EFA
✅ Redukcja liczby zmiennych
✅ Odkrywanie ukrytych struktur
✅ Tworzenie skal psychologicznych
✅ Weryfikacja jakości ankiet
✅ Łatwiejsza interpretacja dużych zbiorów danych
Ograniczenia EFA
❌ Wymaga odpowiednio dużej próby
❌ Wyniki mogą zależeć od przyjętej metody rotacji
❌ Nie daje jednoznacznych odpowiedzi dotyczących liczby czynników
❌ Wymaga interpretacji badacza
EFA a CFA
| Cecha | EFA | CFA |
|---|---|---|
| Cel | Odkrywanie struktury | Potwierdzanie struktury |
| Liczba czynników | Nieznana | Z góry określona |
| Etap badań | Wstępny | Końcowy |
| Elastyczność | Duża | Mniejsza |
Podsumowanie
Eksploracyjna analiza czynnikowa (EFA) jest jedną z najważniejszych metod badania struktury danych wielowymiarowych. Pozwala odkrywać ukryte czynniki odpowiedzialne za obserwowane zmienne, redukować liczbę pytań w ankietach oraz budować rzetelne narzędzia badawcze. W praktyce stanowi często pierwszy krok przed przeprowadzeniem konfirmacyjnej analizy czynnikowej (CFA) oraz modelowania równań strukturalnych (SEM).