515. Konfirmacyjna analiza czynnikowa CFA – czym różni się od EFA?

W poprzednich lekcjach omówiliśmy przygotowanie danych do analizy czynnikowej, wybór liczby czynników, a także rotację rozwiązań eksploracyjnych. Konfirmacyjna analiza czynnikowa, czyli confirmatory factor analysis (CFA), wykorzystuje te podstawy, ale odpowiada na inne pytanie: nie „jaka struktura może wynikać z danych?”, lecz „czy dane są zgodne ze strukturą wynikającą z teorii lub wcześniejszych badań?”. To rozróżnienie ma znaczenie praktyczne w psychologii, medycynie, pielęgniarstwie, zdrowiu publicznym i naukach społecznych.

Czym jest konfirmacyjna analiza czynnikowa?

CFA jest szczególnym zastosowaniem modelowania równań strukturalnych. Jej celem jest sprawdzenie modelu pomiarowego, czyli hipotezy dotyczącej tego, w jaki sposób nieobserwowane konstrukty, nazywane czynnikami latentnymi, są odzwierciedlane przez zmienne obserwowalne, na przykład pozycje kwestionariusza, objawy, wyniki zadań lub wskaźniki kliniczne (Brown, 2015; Kline, 2023).

Czynnik latentny nie jest mierzony bezpośrednio. Możemy jednak założyć, że wpływa na odpowiedzi na kilka pozycji. Przykładowo „lęk przed zabiegiem” może przejawiać się w obawie przed bólem, napięciu, trudnościach ze snem i uporczywych myślach o procedurze. CFA pozwala formalnie sprawdzić, czy te pozycje rzeczywiście tworzą jeden czynnik, czy też lepiej opisać je kilkoma powiązanymi wymiarami.

W CFA badacz określa przed analizą między innymi:

  • liczbę czynników;
  • które pozycje należą do poszczególnych czynników;
  • czy czynniki mogą ze sobą korelować;
  • czy występują uzasadnione korelacje między błędami pomiaru;
  • jakie ograniczenia nakłada się na model, aby był identyfikowalny.

Następnie model jest estymowany, a jego przewidywania porównuje się z macierzą kowariancji lub korelacji zaobserwowaną w próbie. Dobre dopasowanie nie dowodzi, że teoria jest prawdziwa. Oznacza jedynie, że określona struktura modelu nie pozostaje w wyraźnej sprzeczności z danymi i przyjętymi założeniami.

CFA a EFA – najważniejsza różnica

Eksploracyjna analiza czynnikowa (EFA) jest przede wszystkim narzędziem poszukiwania struktury. Badacz nie musi z góry przypisać każdej pozycji do jednego czynnika. W zależności od wybranej metody ekstrakcji i rotacji pozycje mogą uzyskiwać ładunki na wielu czynnikach, a struktura jest interpretowana po obejrzeniu wyników.

CFA rozpoczyna się od hipotezy. Badacz określa, które ładunki czynnikowe mają być estymowane, a które są ustalone na zero. Jeżeli pozycja 1–4 ma mierzyć „wyczerpanie”, a pozycja 5–8 „zaburzenia snu”, to podstawowy model CFA zakłada, że pozycje 1–4 mają ładunki na pierwszym czynniku, pozycje 5–8 na drugim, natomiast pozostałe ładunki są równe zero.

Cecha EFA CFA
Punkt wyjścia Poszukiwanie struktury Test wcześniej określonej struktury
Ładunki czynnikowe Wiele ładunków może być swobodnie estymowanych Ich obecność i brak są zwykle z góry określone
Rola teorii Może być ograniczona lub wstępna Stanowi podstawę specyfikacji modelu
Ocena modelu Interpretacja rozwiązania i stabilności czynników Ocena dopasowania modelu do danych
Typowe zastosowanie Tworzenie lub modyfikacja narzędzia Weryfikacja struktury, walidacja i porównanie modeli

Nie oznacza to, że EFA jest metodą „gorszą”, a CFA „lepszą”. Są to metody odpowiadające na różne pytania. EFA jest właściwa, gdy konstrukcja jest słabo poznana albo gdy istnieją powody, aby oczekiwać odmiennej struktury w nowej populacji. CFA jest właściwa, gdy badacz dysponuje uzasadnionym modelem teoretycznym, wynikami wcześniejszych analiz lub narzędziem o ustalonej strukturze (Brown, 2015).

Model pomiarowy CFA

Dla pojedynczej pozycji model CFA można zapisać następująco:

yᵢ = νᵢ + λᵢη + εᵢ

  • yᵢ – zaobserwowany wynik osoby w pozycji i;
  • νᵢ – intercept, czyli wartość oczekiwana pozycji przy zerowej wartości czynnika;
  • λᵢ – ładunek czynnikowy, określający, jak silnie pozycja wiąże się z czynnikiem;
  • η – wartość czynnika latentnego;
  • εᵢ – składnik błędu lub swoistości pozycji.

W modelu z kilkoma czynnikami zapis może mieć postać macierzową:

y = ν + Λη + ε

Macierz Λ zawiera ładunki czynnikowe. Macierz kowariancji obserwowanych zmiennych jest wyjaśniana przez część wspólną, wynikającą z czynników, oraz część specyficzną, związaną z błędami pomiaru. W uproszczeniu:

Σ = ΛΦΛ′ + Θε

  • Σ – macierz kowariancji implikowana przez model;
  • Λ – macierz ładunków czynnikowych;
  • Φ – macierz wariancji i kowariancji czynników;
  • Λ′ – transpozycja macierzy ładunków;
  • Θε – macierz wariancji i kowariancji błędów pomiaru.

W praktyce model może być estymowany metodą największej wiarygodności, metodami odpornymi na odchylenia od normalności albo metodami przeznaczonymi dla zmiennych porządkowych, na przykład estymacją opartą na korelacjach polichorycznych. Wybór estymatora powinien zależeć od skali pomiaru, liczby kategorii odpowiedzi, rozkładów oraz wielkości próby, a nie wyłącznie od nazwy programu statystycznego.

Co oznacza ładunek czynnikowy?

Ładunek czynnikowy informuje o związku pozycji z czynnikiem. W wersji standaryzowanej można go interpretować jako oczekiwaną zmianę standaryzowanego wyniku pozycji przy zmianie czynnika o jedno odchylenie standardowe. Wysoki ładunek wskazuje, że pozycja dobrze reprezentuje dany wymiar, ale nie istnieje jedna uniwersalna granica, która automatycznie rozstrzyga o jakości pozycji.

Warto analizować także wariancję wyjaśnioną przez czynnik. Dla standaryzowanej pozycji jej przybliżeniem jest kwadrat standaryzowanego ładunku, czyli λ². Jeżeli ładunek wynosi 0,70, to kwadrat wynosi 0,49. Oznacza to, że około 49% wariancji pozycji jest związane z czynnikiem w danym modelu. Pozostała część może wynikać z błędu pomiaru, treści specyficznej dla pozycji i innych źródeł zróżnicowania.

Interpretacja powinna uwzględniać treść pozycji. Usunięcie pozycji tylko dlatego, że ma niższy ładunek, może pogorszyć trafność treściową skali. Z kolei bardzo podobne sformułowania mogą powodować dodatkową korelację błędów i sztucznie poprawiać dopasowanie.

Jak ocenia się dopasowanie modelu?

Najczęściej raportuje się kilka uzupełniających się wskaźników:

  • χ² – testuje ścisłą zgodność macierzy obserwowanej i implikowanej przez model; jest silnie zależny od liczebności próby, dlatego przy dużych próbach może odrzucać modele o niewielkich rozbieżnościach;
  • CFI – porównuje model badacza z modelem bazowym; wartości bliższe 1 oznaczają lepsze dopasowanie;
  • TLI – podobnie jak CFI porównuje model z modelem bazowym, uwzględniając w pewnym stopniu złożoność;
  • RMSEA – ocenia przybliżony błąd dopasowania na jednostkę stopni swobody; należy raportować również przedział ufności;
  • SRMR – opisuje przeciętną wielkość wystandaryzowanych reszt między korelacjami obserwowanymi i przewidywanymi.

W literaturze często pojawiają się orientacyjne wartości, takie jak CFI i TLI około 0,95 lub wyższe, RMSEA około 0,06 lub niższe oraz SRMR około 0,08 lub niższe (Hu i Bentler, 1999). Nie są to jednak prawa natury ani uniwersalne progi decyzyjne. Zależność wskaźników od liczebności próby, liczby pozycji, rozkładów, liczby czynników i rodzaju misspecyfikacji sprawia, że należy interpretować cały zestaw wyników, przedziały ufności, reszty i sens teoretyczny modelu. Przestrzegali przed mechanicznym stosowaniem „złotych reguł” Marsh, Hau i Wen (2004).

Dobre dopasowanie globalne nie gwarantuje poprawności psychometrycznej. Model może dopasowywać się dobrze, ponieważ jest nadmiernie złożony, zawiera nieuzasadnione korelacje błędów albo korzysta z modyfikacji dobranych po obejrzeniu danych. Dlatego obok wskaźników dopasowania trzeba raportować specyfikację modelu, sposób estymacji, brakujące dane, korelacje czynników, ładunki i uzasadnienie ewentualnych zmian.

Przykład 1: skala wypalenia zawodowego pielęgniarek

Załóżmy, że badacz dysponuje 12-itemową skalą wypalenia zawodowego, opracowaną wcześniej w trzech wymiarach: wyczerpanie emocjonalne, dystans wobec pacjentów i poczucie skuteczności zawodowej. Badanie obejmuje 420 pielęgniarek i pielęgniarzy.

W CFA można porównać co najmniej trzy modele:

  1. model jednoczynnikowy, w którym wszystkie pozycje mierzą jeden ogólny wymiar;
  2. model trójczynnikowy, w którym pozycje tworzą trzy skorelowane czynniki;
  3. model hierarchiczny, w którym trzy czynniki pierwszego rzędu wyjaśniają wspólny czynnik wypalenia.

Jeżeli model trójczynnikowy ma wyraźnie lepsze dopasowanie niż model jednoczynnikowy, a korelacje między czynnikami są wysokie, nie oznacza to automatycznie, że należy wybrać model hierarchiczny. Trzeba ocenić, czy czynnik nadrzędny ma sens teoretyczny, czy model jest identyfikowalny oraz czy jego parametry są stabilne. W raporcie należy podać nie tylko wynik testu różnicy modeli, ale również wartości CFI, TLI, RMSEA z przedziałem ufności, SRMR i standaryzowane ładunki.

Przykład 2: kwestionariusz jakości życia pacjentów

W badaniu pacjentów po udarze oceniono jakość życia za pomocą 16 pozycji. Teoria zakłada cztery obszary: funkcjonowanie fizyczne, nastrój, relacje społeczne i niezależność w codziennych czynnościach. Odpowiedzi mają pięć uporządkowanych kategorii.

W tym przypadku zwykła estymacja oparta na założeniu ciągłości i normalności może być niewłaściwa, szczególnie gdy odpowiedzi są silnie skupione w jednej kategorii. Badacz powinien rozważyć estymator przeznaczony dla zmiennych porządkowych i jasno opisać ten wybór. Należy też sprawdzić, czy pozycje odwrócone zostały prawidłowo zakodowane oraz czy nie występują bardzo rzadko wybierane kategorie.

Jeżeli pozycje dotyczące chodzenia i wchodzenia po schodach mają skorelowane błędy, możliwe są dwa wyjaśnienia: wspólny kontekst treściowy albo rzeczywista pominięta składowa funkcjonowania fizycznego. Dodanie korelacji błędów wyłącznie dlatego, że sugeruje ją indeks modyfikacji, byłoby niewystarczające. Korelację można rozważyć dopiero wtedy, gdy istnieje merytoryczne uzasadnienie i gdy zmiana zostanie potwierdzona w niezależnej próbie.

CFA w walidacji narzędzia

CFA jest często używana do oceny trafności konstruktu. W jej ramach można analizować:

  • trafność konwergentną – czy pozycje przewidziane jako wskaźniki tego samego konstruktu są ze sobą odpowiednio związane;
  • trafność różnicową – czy odrębne czynniki nie są w praktyce tym samym konstruktem;
  • rzetelność konstruktu – z uwzględnieniem modelu pomiarowego, a nie wyłącznie klasycznego alfa Cronbacha;
  • niezmienność pomiaru – sprawdzenie, czy narzędzie mierzy ten sam konstrukt w różnych grupach, na przykład kobiet i mężczyzn, młodszych i starszych pacjentów albo osób z różnym poziomem wykształcenia.

Niezmienność może być oceniana etapami: konfiguracyjnie, metrycznie, skalarnie i, w niektórych zastosowaniach, ściśle. Bez odpowiedniej niezmienności porównywanie średnich latentnych między grupami może być mylące, ponieważ różnice mogą wynikać ze sposobu funkcjonowania pozycji, a nie z rzeczywistego poziomu konstruktu.

Najczęstsze błędy

  • Traktowanie CFA jako automatycznej EFA. Model CFA powinien wynikać z hipotezy, a nie być przypadkowym układem ścieżek.
  • Stosowanie progów bez kontekstu. CFI ≥ 0,95 lub RMSEA ≤ 0,06 nie są samodzielnym dowodem prawidłowego modelu.
  • Dodawanie korelacji błędów bez uzasadnienia. Może to maskować wadliwą treść pozycji lub pominięty czynnik.
  • Usuwanie pozycji wyłącznie na podstawie ładunku. Decyzja powinna uwzględniać treść, rzetelność, trafność i cel narzędzia.
  • Testowanie i potwierdzanie na tej samej próbie. Wielokrotne modyfikowanie modelu na tych samych danych zwiększa ryzyko dopasowania przypadkowego.
  • Pomijanie typu zmiennych. Pozycje porządkowe i dychotomiczne wymagają przemyślenia estymatora.
  • Mylenie dobrego dopasowania z prawdziwością teorii. Kilka konkurencyjnych modeli może uzyskiwać podobne wskaźniki dopasowania.
  • Wyciąganie wniosków przyczynowych. CFA opisuje strukturę pomiaru; sama nie dowodzi, że czynnik powoduje obserwowane wyniki.

Przykład praktyczny: jak zaplanować analizę CFA?

  1. Zdefiniuj konstrukty i przygotuj diagram modelu przed analizą.
  2. Przypisz pozycje do czynników na podstawie teorii, wcześniejszych badań i treści narzędzia.
  3. Określ, czy czynniki mogą korelować oraz czy istnieją merytoryczne podstawy dla innych zależności.
  4. Dobierz estymator do skali pomiaru, rozkładów i brakujących danych.
  5. Oceń identyfikowalność modelu i jakość danych.
  6. Raportuj ładunki, wariancje błędów, korelacje czynników oraz kilka wskaźników dopasowania.
  7. Jeśli model jest modyfikowany, opisz każdą zmianę i jej uzasadnienie teoretyczne.
  8. W miarę możliwości sprawdź model w niezależnej próbie lub zastosuj walidację krzyżową.

Praktyczne przejście od EFA do CFA często wygląda następująco: w pierwszej próbie badacz eksploruje strukturę narzędzia, a w drugiej testuje ustalony model. Rozdzielenie próby nie zawsze jest możliwe, zwłaszcza w małych badaniach klinicznych, ale wtedy należy wyraźnie zaznaczyć, że wynik ma charakter wstępny i wymaga replikacji.

Co warto zapamiętać?

  • CFA testuje z góry określony model pomiarowy, natomiast EFA służy przede wszystkim do odkrywania struktury.
  • W CFA badacz określa, które pozycje należą do których czynników i które ładunki są zerowane.
  • Dopasowanie modelu należy oceniać za pomocą kilku wskaźników oraz argumentów teoretycznych, a nie jednego progu.
  • Wysoki ładunek czynnikowy jest korzystny, ale nie zastępuje oceny trafności treściowej i jakości pomiaru.
  • Korelacje błędów i modyfikacje modelu wymagają uzasadnienia merytorycznego.
  • Dobry model CFA nie dowodzi prawdziwości teorii ani nie uprawnia sam przez się do wnioskowania przyczynowego.
  • W praktyce CFA jest narzędziem walidacji struktury, porównywania modeli i badania niezmienności pomiaru.

W ramach publicznego szkolenia na statystyk.edu.pl CFA warto traktować jako kolejny etap pracy z narzędziem badawczym: po konceptualizacji konstruktu, analizie jakości pozycji i ewentualnej eksploracji następuje formalne sprawdzenie, czy zaproponowany model pomiarowy jest zgodny z danymi.

Źródła i dalsza lektura

  1. Brown, Timothy A. (2015). Confirmatory Factor Analysis for Applied Research. 2nd edition. The Guilford Press. Informacja wydawcy / źródło.
  2. Kline, Rex B. (2023). Principles and Practice of Structural Equation Modeling. 5th edition. The Guilford Press. Informacja wydawcy / źródło.
  3. Hu, Li-tze; Bentler, Peter M. (1999). Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria versus New Alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. DOI: 10.1080/10705519909540118.
  4. Marsh, Herbert W.; Hau, Kit-Tai; Wen, Zhonglin (2004). In Search of Golden Rules: Comment on Hypothesis-Testing Approaches to Setting Cutoff Values for Fit Indexes and Dangers in Overgeneralizing Hu and Bentler’s (1999) Findings. Structural Equation Modeling: A Multidisciplinary Journal, 11(3), 320–341. DOI: 10.1207/s15328007sem1103_2.
  5. Hu, Li-tze; Bentler, Peter M. (1998). Fit Indices in Covariance Structure Modeling: Sensitivity to Underparameterized Model Misspecification. Psychological Methods, 3(4), 424–453. DOI: 10.1037/1082-989X.3.4.424.
  6. Boateng, Godfred O.; Neilands, Torsten B.; Frongillo, Edward A.; Melgar-Quiñonez, Hugo R.; Young, Sera L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. DOI: 10.3389/fpubh.2018.00149.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *