511. Eksploracyjna analiza czynnikowa EFA – po co i kiedy?

Lekcja 511 z 560. W poprzedniej lekcji omówiliśmy PCA jako metodę redukcji wymiaru. Eksploracyjna analiza czynnikowa, czyli EFA (exploratory factor analysis), jest z nią spokrewniona, ale odpowiada na inne pytanie. Nie chodzi przede wszystkim o zastąpienie wielu zmiennych mniejszą liczbą nowych składników, lecz o zbadanie, czy obserwowane odpowiedzi można wyjaśnić mniejszą liczbą nieobserwowalnych wymiarów, nazywanych czynnikami. EFA jest zatem narzędziem budowania i porządkowania hipotez o strukturze konstruktu, a nie automatycznym sposobem „ulepszania” danych.

1. Czym jest EFA?

Załóżmy, że badacz dysponuje odpowiedziami na 20 pozycji kwestionariusza dotyczącego dobrostanu pacjentów. Poszczególne pytania mogą dotyczyć snu, zmęczenia, nastroju, lęku, relacji społecznych i poczucia kontroli nad chorobą. Pytania są obserwowalne, natomiast pojęcia takie jak „lęk zdrowotny” czy „funkcjonowanie społeczne” są konstruktami teoretycznymi. EFA pozwala sprawdzić, czy korelacje między pozycjami układają się w kilka sensownych skupień.

W klasycznym modelu wspólnych czynników każdą obserwowaną zmienną przedstawia się jako kombinację części wspólnej i swoistej:

Xj = μj + λj1F1 + λj2F2 + ... + λjmFm + εj

  • Xj – wynik osoby w obserwowanej zmiennej lub pozycji j;
  • μj – średnia tej zmiennej;
  • F1 ... Fm – nieobserwowalne czynniki wspólne;
  • λjk – ładunek czynnikowy, czyli siła związku zmiennej j z czynnikiem k;
  • εj – część swoista i błąd pomiaru, których model nie wyjaśnia.

W zapisie macierzowym model można przedstawić jako X = ΛF + ε. Macierz Λ zawiera ładunki czynnikowe, a macierz kowariancji lub korelacji obserwowanych zmiennych jest opisywana przez wspólną strukturę czynnikową oraz wariancję swoistą. W praktyce oznacza to, że EFA próbuje wyjaśnić wzajemne korelacje pozycji za pomocą mniejszej liczby wymiarów.

2. Po co stosować EFA?

Rozpoznawanie struktury konstruktu

EFA jest użyteczna, gdy teoria nie określa jeszcze jednoznacznie, ile wymiarów zawiera badany konstrukt ani które pozycje należą do poszczególnych wymiarów. Dotyczy to zwłaszcza nowych kwestionariuszy, adaptacji narzędzi do innego języka lub kultury oraz sytuacji, w których wcześniejsze badania dawały niespójne wyniki.

Przykładowo skala obciążenia pracą pielęgniarek może obejmować obciążenie fizyczne, wymagania emocjonalne, presję czasu i obciążenie administracyjne. Badacz może mieć uzasadnienie teoretyczne dla takiego podziału, ale nie powinien zakładać, że dane w nowej populacji odtworzą go dokładnie. EFA pozwala zbadać alternatywne rozwiązania.

Redukowanie liczby pozycji w sposób oparty na strukturze

Jeśli wiele pozycji mierzy podobny wymiar, EFA może pomóc wyłonić zestaw pozycji reprezentujących każdy czynnik. Nie należy jednak usuwać pozycji wyłącznie dlatego, że mają niższy ładunek. Znaczenie treści, kompletność konstruktu i możliwość zastosowania narzędzia są równie ważne jak kryteria statystyczne.

Przygotowanie kolejnego etapu walidacji

Wynik EFA może stać się podstawą do sformułowania modelu testowanego później za pomocą konfirmacyjnej analizy czynnikowej (CFA). EFA nie potwierdza ostatecznie struktury skali. Dostarcza raczej propozycji modelu, który powinien być sprawdzony w niezależnej próbie, najlepiej z wykorzystaniem prerejestracji lub jasno określonych kryteriów oceny.

3. Kiedy EFA jest właściwym wyborem?

EFA ma sens, gdy analizowane zmienne są ze sobą powiązane, a badacz zakłada istnienie mniejszej liczby wspólnych wymiarów. Nie jest natomiast dobrym rozwiązaniem, gdy zmienne są jedynie przypadkowym zbiorem cech, gdy każda zmienna mierzy odrębny aspekt albo gdy celem jest wyłącznie konstrukcja liniowych kombinacji maksymalizujących wariancję, co jest typowym zadaniem PCA.

Przed analizą warto odpowiedzieć na cztery pytania:

  1. Czy zmienne mają wspólny sens teoretyczny?
  2. Czy korelacje między nimi są wystarczające, ale nie tak wysokie, aby wskazywały na niemal duplikaty?
  3. Czy liczebność próby pozwala oszacować stabilną strukturę?
  4. Czy dane i sposób pomiaru są zgodne z wybraną metodą estymacji?

Ocena „czynnikowalności” nie powinna sprowadzać się do jednej wartości testu. Przydatne są macierz korelacji, korelacje cząstkowe, miara KMO oraz test sferyczności Bartletta. KMO opisuje, czy obserwowane korelacje są relatywnie większe od korelacji częściowych. Test Bartletta sprawdza hipotezę, że macierz korelacji jest macierzą jednostkową. Jego istotność statystyczna nie dowodzi jednak, że analiza czynnikowa będzie merytorycznie trafna.

4. EFA a PCA – podobieństwo nie oznacza tożsamości

W PCA cała wariancja każdej zmiennej jest rozkładana na składniki. W EFA modeluje się przede wszystkim wariancję wspólną, czyli tę część zmienności, którą można wiązać z latentnymi czynnikami. Dlatego użycie PCA jako zamiennika EFA może prowadzić do innej liczby wymiarów i innych wartości ładunków.

PCA jest naturalnym wyborem, gdy celem jest kompresja informacji lub utworzenie indeksu. EFA jest właściwsza, gdy celem jest modelowanie latentnych cech, rozwój skali albo poznanie struktury zależności między pozycjami. Rozróżnienie to należy opisać w raporcie, zamiast używać obu nazw zamiennie (Fabrigar et al., 1999).

5. Najważniejsze decyzje analityczne

Dobór zmiennych i jakości danych

Pozycje powinny reprezentować konstrukt, ale nie powinny być niemal identyczne treściowo. Trzeba sprawdzić brakujące dane, rozkłady, wartości odstające oraz sposób kodowania pozycji odwróconych. W przypadku pozycji porządkowych, na przykład odpowiedzi od „zdecydowanie nie” do „zdecydowanie tak”, korelacje polichoryczne mogą lepiej odzwierciedlać zależności niż zwykłe korelacje Pearsona. Wybór korelacji i estymatora powinien odpowiadać skali pomiarowej oraz rozkładom.

Metoda ekstrakcji

Do EFA stosuje się między innymi metodę głównych osi (principal axis factoring) oraz estymację największej wiarygodności (maximum likelihood). Metody te służą do estymacji wspólnych czynników. Największa wiarygodność umożliwia dodatkowe wnioskowanie o dopasowaniu, ale wymaga bardziej restrykcyjnych założeń, zwłaszcza przy małych próbach i silnej nienormalności. Wybór metody powinien być uzasadniony, a nie pozostawiony domyślnym ustawieniom programu.

Liczba czynników

To jedna z najważniejszych decyzji. Należy łączyć teorię, analizę wykresu osypiska, analizę równoległą oraz interpretowalność rozwiązania. Kryterium Kaisera, czyli pozostawianie wartości własnych większych od 1, jest łatwe, ale może zawyżać liczbę czynników (Kaiser, 1960; Zwick i Velicer, 1986). Analiza równoległa porównuje wartości własne z wartościami uzyskanymi z losowych danych o podobnych wymiarach (Horn, 1965). Nie powinna jednak zastępować oceny merytorycznej.

Rotacja

Rotacja ułatwia interpretację macierzy ładunków. Rotacja ortogonalna, taka jak varimax, zakłada nieskorelowane czynniki. W naukach medycznych, psychologii i naukach społecznych czynniki często mogą być powiązane, dlatego zwykle bardziej realistyczna jest rotacja ukośna, na przykład oblimin lub promax. W rozwiązaniu ukośnym należy odróżniać ładunki wzorca od korelacji czynników.

Interpretacja ładunków

Ładunek czynnikowy można traktować jako wskaźnik związku pozycji z czynnikiem, ale nie jest on automatycznie dowodem trafności treściowej. Badacz powinien ocenić wielkość ładunków, ładunki krzyżowe, liczbę pozycji przypisanych do czynnika oraz spójność znaczeniową tych pozycji. Czynnik oparty na dwóch bardzo podobnych pozycjach może być niestabilny i słabo reprezentować konstrukt.

6. Przykład 1: skala lęku przed nawrotem choroby

Badacze przygotowali 18 pozycji dla pacjentów po leczeniu onkologicznym. Pozycje dotyczą między innymi obaw przed wynikami badań, obserwowania objawów, planowania przyszłości, rozmów z rodziną i unikania wizyt kontrolnych. Wstępna teoria sugeruje jeden ogólny wymiar, ale wywiady jakościowe wskazują również na możliwe rozróżnienie między lękiem poznawczym a zachowaniami unikowymi.

EFA może wykazać na przykład trzy czynniki: intruzję myśli o nawrocie, niepewność i obawy dotyczące przyszłości oraz unikanie informacji medycznych. Taka interpretacja nie oznacza, że pacjenci „posiadają trzy odrębne choroby” ani że czynniki są przyczynami objawów. Jest to model struktury odpowiedzi, który trzeba ocenić w kolejnej próbie. W raporcie należy podać sposób kodowania, korelacje, metodę ekstrakcji, rodzaj rotacji, kryterium liczby czynników i tabelę ładunków.

7. Przykład 2: bezpieczeństwo pacjenta w ratownictwie

Załóżmy, że ankieta obejmuje 24 pozycje oceniane przez ratowników medycznych. Pytania odnoszą się do komunikacji w zespole, przestrzegania procedur, zarządzania zmęczeniem, dostępności sprzętu i gotowości do zgłaszania zdarzeń niepożądanych.

Analiza może sugerować cztery czynniki: klimat komunikacyjny, organizację pracy, zasoby i procedury oraz bezpieczeństwo psychologiczne. Jeśli jedna pozycja ma podobny ładunek na dwóch czynnikach, nie należy mechanicznie przypisywać jej do tego, gdzie ładunek jest minimalnie większy. Trzeba sprawdzić jej treść: „Mogę zgłosić błąd bez obawy o nieproporcjonalne konsekwencje” może rzeczywiście łączyć klimat komunikacyjny z bezpieczeństwem psychologicznym.

W tym przykładzie EFA nie mówi, że określony czynnik powoduje większą liczbę zdarzeń. Do wnioskowania przyczynowego potrzebny byłby odpowiedni schemat badania, a nie samo badanie kwestionariuszowe.

8. Przykład praktyczny: jak zaplanować analizę krok po kroku?

  1. Zdefiniuj konstrukt. Opisz, co mierzy każda pozycja i jakie wymiary są teoretycznie możliwe.
  2. Zaplanuj próbę. Liczebność zależy między innymi od liczby pozycji, siły ładunków, komunalii, liczby czynników i jakości danych. Reguła „10 osób na zmienną” nie jest uniwersalnym prawem.
  3. Sprawdź dane. Oceń braki, odwrócone kodowanie, rozkłady i właściwość korelacji.
  4. Wybierz EFA, a nie PCA bez uzasadnienia. Dobierz metodę ekstrakcji do celu i charakterystyki danych.
  5. Oszacuj liczbę czynników. Połącz analizę równoległą, wykres osypiska, teorię i interpretowalność.
  6. Zastosuj rotację. Jeśli czynniki mogą być skorelowane, rozważ rotację ukośną.
  7. Oceń rozwiązanie. Sprawdź ładunki, komunalności, ładunki krzyżowe i sens treściowy.
  8. Zweryfikuj model. Jeśli to możliwe, przeprowadź CFA w niezależnej próbie. Nie traktuj tej samej analizy eksploracyjnej jako pełnego potwierdzenia.

Przykładowa konkluzja mogłaby brzmieć: „Na podstawie analizy równoległej, wykresu osypiska i interpretowalności przyjęto rozwiązanie trójczynnikowe. Zastosowano metodę głównych osi oraz rotację oblimin, ponieważ zakładano korelacje między wymiarami. Dwa ładunki krzyżowe oceniono jako problematyczne i podjęto decyzję o zachowaniu pozycji ze względu na jej znaczenie treściowe”. Taki opis jest bardziej informacyjny niż zdanie: „Wykonano analizę czynnikową i uzyskano trzy czynniki”.

9. Najczęstsze błędy

  • Mylenie EFA z PCA. Obie procedury mogą używać wartości własnych i rotacji, ale rozwiązują inne problemy.
  • Ślepe stosowanie kryterium wartości własnej większej od 1. Jest to co najwyżej pomocnicza reguła, nie samodzielne uzasadnienie.
  • Wymuszanie niezależności czynników. Varimax nie jest neutralnym wyborem, jeśli konstrukty mogą się korelować.
  • Usuwanie pozycji wyłącznie na podstawie progu. Należy uwzględnić treść, rzetelność, trafność i konsekwencje pomiaru.
  • Interpretowanie czynnika na podstawie jednej pozycji. Czynnik powinien mieć wystarczającą reprezentację i spójne znaczenie.
  • Przenoszenie rozwiązania bez sprawdzenia. Struktura ujawniona w jednej próbie może być specyficzna dla tej próby.
  • Raportowanie samego KMO i testu Bartletta. Nie zastępują one opisu ekstrakcji, rotacji, liczby czynników i macierzy ładunków.
  • Traktowanie EFA jako dowodu przyczynowości. Czynniki są konstrukcją modelową opisującą współzmienność, a nie automatycznie przyczynami obserwowanych wyników.
  • Ignorowanie typu skali. Pozycje porządkowe i dane silnie skośne mogą wymagać innych korelacji lub estymatorów.

10. Co warto zapamiętać?

  • EFA służy do badania możliwej latentnej struktury obserwowanych zmiennych.
  • Jest szczególnie przydatna przy tworzeniu, adaptacji i wstępnej walidacji skal.
  • Nie jest tym samym co PCA, choć obie metody bywają mylone.
  • Liczbę czynników należy określać na podstawie wielu przesłanek, a nie jednej reguły.
  • Rotacja ukośna jest często uzasadniona, gdy czynniki mogą być ze sobą powiązane.
  • Interpretacja musi łączyć statystykę z treścią pozycji i teorią pomiaru.
  • Rozwiązanie EFA jest propozycją modelu, którą warto sprawdzić w niezależnej próbie za pomocą CFA.
  • Wynik EFA nie jest sam w sobie dowodem przyczynowości ani praktycznej użyteczności narzędzia.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować tę lekcję jako przejście od technicznego wykonania procedury do świadomego projektowania analizy. Dobra EFA zaczyna się przed uruchomieniem programu: od definicji konstruktu, jakości pozycji, planu próby i jasno określonego celu badawczego.

Źródła i dalsza lektura

  1. Leandre R. Fabrigar; Duane T. Wegener; Robert C. MacCallum; Erin J. Strahan (1999). Evaluating the Use of Exploratory Factor Analysis in Psychological Research. Psychological Methods, 4(3), 272–299. DOI: 10.1037/1082-989X.4.3.272.
  2. Anna B. Costello; Jason Osborne (2005). Best Practices in Exploratory Factor Analysis: Four Recommendations for Getting the Most from Your Analysis. Practical Assessment, Research, and Evaluation, 10(1), Article 7. DOI: 10.7275/jyj1-4868.
  3. John L. Horn (1965). A Rationale and Test for the Number of Factors in Factor Analysis. Psychometrika, 30(2), 179–185. DOI: 10.1007/BF02289447.
  4. Henry F. Kaiser (1960). The Application of Electronic Computers to Factor Analysis. Educational and Psychological Measurement, 20(1), 141–151. DOI: 10.1177/001316446002000116.
  5. William R. Zwick; Wayne F. Velicer (1986). Comparison of Five Rules for Determining the Number of Components to Retain. Psychological Bulletin, 99(3), 432–442. DOI: 10.1037/0033-2909.99.3.432.
  6. Roger L. Worthington; Tiffany A. Whittaker (2006). Scale Development Research: A Content Analysis and Recommendations for Best Practices. The Counseling Psychologist, 34(6), 806–838. DOI: 10.1177/0011000006288127.

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.

Podobne wpisy

3 komentarze

Dodaj komentarz

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