512. KMO i test Bartletta – przygotowanie do analizy czynnikowej
Przed wykonaniem eksploracyjnej analizy czynnikowej warto odpowiedzieć na pytanie, czy zebrane dane w ogóle zawierają wystarczająco wyraźną wspólną strukturę korelacji. Sama obecność wielu zmiennych nie oznacza jeszcze, że można sensownie szukać ukrytych czynników. W tej lekcji poznasz dwa klasyczne narzędzia wstępnej oceny danych: miarę adekwatności próby Kaisera–Meyera–Olkina, czyli KMO, oraz test sferyczności Bartletta. Są one pomocne, ale nie zastępują oceny teorii, jakości pomiaru, liczebności próby ani właściwego wyboru modelu czynnikowego.
1. Po co sprawdzać dane przed analizą czynnikową?
Eksploracyjna analiza czynnikowa (EFA) służy do badania, czy obserwowane zmienne można opisać za pomocą mniejszej liczby wymiarów ukrytych, nazywanych czynnikami. Przykładowo kilkanaście pozycji kwestionariusza dotyczącego wypalenia zawodowego może odzwierciedlać kilka szerszych konstruktów, takich jak wyczerpanie emocjonalne, dystans wobec pracy i poczucie skuteczności.
Analiza czynnikowa opiera się na macierzy korelacji lub kowariancji. Jeżeli zmienne prawie wcale ze sobą nie współzmieniają, trudno oczekiwać stabilnych i interpretowalnych czynników. Z drugiej strony bardzo silne, niemal identyczne korelacje mogą wskazywać na redundancję pozycji, problemy z wielokolinearnością albo obecność kilku zmiennych mierzących właściwie to samo.
KMO i test Bartletta odpowiadają na różne pytania:
- KMO ocenia, czy obserwowane korelacje są dostatecznie wspólne, a korelacje częściowe relatywnie małe.
- Test Bartletta sprawdza, czy macierz korelacji różni się od macierzy jednostkowej, czyli od sytuacji, w której wszystkie zmienne są nieskorelowane.
Oba wyniki powinny być traktowane jako element diagnostyki, a nie jako automatyczna zgoda na wykonanie EFA. Właściwe decyzje wymagają także oceny sensu teoretycznego zmiennych, rozkładów, braków danych, obserwacji odstających i liczebności próby (Fabrigar et al., 1999).
2. Miara KMO: intuicja i interpretacja
2.1. Co mierzy KMO?
Miara KMO porównuje wielkość zwykłych korelacji między zmiennymi z wielkością korelacji częściowych. Korelacja częściowa opisuje związek dwóch zmiennych po statystycznym kontrolowaniu pozostałych zmiennych.
Jeśli dwie pozycje kwestionariusza są skorelowane dlatego, że obie odzwierciedlają wspólny czynnik, ich korelacja powinna w pewnym stopniu utrzymywać się po uwzględnieniu innych pozycji. Jeżeli natomiast korelacja znika po kontrolowaniu pozostałych zmiennych, może to sugerować, że nie ma stabilnej wspólnej struktury albo że związek jest bardzo specyficzny.
Wysokie KMO oznacza więc sytuację, w której relacje między zmiennymi są bardziej zgodne ze wspólnym modelem niż z układem wielu niezależnych, przypadkowych powiązań. Miara ta wywodzi się z prac Kaisera oraz Kaisera i Rice’a (Kaiser, 1970; Kaiser, 1974; Kaiser & Rice, 1974).
2.2. Wzór na ogólną miarę KMO
Ogólną miarę KMO można zapisać następująco:
KMO = Σi<j rij2 / [Σi<j rij2 + Σi<j pij2]
W tym wzorze:
- rij oznacza korelację między zmiennymi i i j;
- pij oznacza korelację częściową między tymi zmiennymi po uwzględnieniu pozostałych zmiennych;
- Σi<j oznacza sumowanie po wszystkich parach różnych zmiennych;
- podnoszenie do kwadratu sprawia, że znak korelacji nie ma znaczenia, a liczy się jej bezwzględna wielkość;
- wartość KMO mieści się między 0 a 1.
Jeżeli korelacje częściowe są małe w porównaniu ze zwykłymi korelacjami, mianownik niewiele przewyższa licznik i KMO jest wysokie. Jeżeli korelacje częściowe są duże, KMO spada.
2.3. Orientacyjne progi
| Wartość KMO | Orientacyjna ocena |
|---|---|
| poniżej 0,50 | nieakceptowalna adekwatność; EFA może być nieuzasadniona |
| 0,50–0,59 | słaba |
| 0,60–0,69 | umiarkowana |
| 0,70–0,79 | dobra |
| 0,80–0,89 | bardzo dobra |
| 0,90 i więcej | znakomita, choć należy sprawdzić, czy pozycje nie są nadmiernie podobne |
Progi te mają charakter orientacyjny, a nie prawny ani uniwersalny. KMO równe 0,68 nie powinno być mechanicznie uznane za „złe”, jeżeli analiza ma mocne uzasadnienie teoretyczne, zmienne mają sensowne korelacje, a rozwiązanie czynnikowe jest stabilne. Analogicznie bardzo wysokie KMO nie gwarantuje poprawnej liczby czynników ani poprawnej interpretacji.
2.4. KMO ogólne i KMO dla poszczególnych zmiennych
Program statystyczny może podawać nie tylko ogólną wartość KMO, lecz także miary adekwatności dla poszczególnych zmiennych. Niska wartość dla jednej pozycji może wskazywać, że nie pasuje ona do pozostałego zestawu.
Usunięcie zmiennej o niskim indywidualnym KMO czasem poprawia wynik ogólny, ale nie powinno być wykonywane wyłącznie po to, aby „podbić” statystykę. Najpierw należy sprawdzić treść pozycji, sposób kodowania, brakujące dane, skalę pomiaru i jej znaczenie dla konstruktu. Usunięcie ważnego, choć nietypowego wymiaru może pogorszyć trafność treściową narzędzia.
3. Test sferyczności Bartletta
3.1. Hipoteza zerowa
Test Bartletta sprawdza hipotezę:
- H0: macierz korelacji w populacji jest macierzą jednostkową;
- H1: macierz korelacji różni się od macierzy jednostkowej.
Macierz jednostkowa ma jedynki na przekątnej i zera poza przekątną. Oznacza to, że żadna para analizowanych zmiennych nie jest skorelowana w populacji.
Jeżeli test daje małą wartość p, odrzucamy H0. Nie oznacza to, że hipoteza o braku korelacji ma określone prawdopodobieństwo bycia prawdziwą. Oznacza to jedynie, że uzyskane dane byłyby mało zgodne z założeniem macierzy jednostkowej przy przyjętym modelu testu.
3.2. Statystyka testowa
W klasycznej postaci statystykę testu można przybliżyć wzorem:
χ2 = −[n − 1 − (2p + 5)/6] ln|R|
gdzie:
- n oznacza liczebność próby;
- p oznacza liczbę analizowanych zmiennych;
- R oznacza macierz korelacji;
- |R| oznacza wyznacznik macierzy korelacji;
- ln jest logarytmem naturalnym;
- χ2 porównuje się z rozkładem chi-kwadrat o liczbie stopni swobody równej p(p − 1)/2.
Gdy macierz korelacji jest bliska macierzy jednostkowej, jej wyznacznik jest bliski 1, a wartość testu niewielka. Gdy występują wspólne zależności między zmiennymi, wyznacznik zwykle maleje, co może prowadzić do większej wartości χ2.
Test został zaproponowany przez Maurice’a Bartletta w kontekście oceny istotności w analizie czynnikowej (Bartlett, 1950). Jego zastosowanie jako narzędzia oceny „czynnikowalności” macierzy było później analizowane między innymi przez Dziubana i Shirkeya (1974).
4. Jak łącznie interpretować KMO i test Bartletta?
| KMO | Test Bartletta | Wstępny wniosek |
|---|---|---|
| wysokie | p < 0,05 | dobre warunki do rozważenia EFA, pod warunkiem spełnienia pozostałych wymagań |
| niskie | p < 0,05 | istnieją korelacje, ale mogą być zbyt słabo wspólne; trzeba zbadać zmienne i macierz |
| wysokie | p ≥ 0,05 | sytuacja nietypowa; należy sprawdzić liczebność, dane i obliczenia |
| niskie | p ≥ 0,05 | brak przekonujących podstaw do EFA w obecnej postaci danych |
Najczęstszy poprawny układ to KMO co najmniej umiarkowane oraz istotny test Bartletta. Nie jest to jednak warunek wystarczający. Test Bartletta jest silnie zależny od liczebności próby. Przy dużym n może stać się istotny nawet wtedy, gdy korelacje są małe i mało użyteczne praktycznie (Dziuban & Shirkey, 1974).
Dlatego nie należy pisać: „ponieważ test Bartletta był istotny, analiza czynnikowa jest poprawna”. Trafniejszy zapis brzmi: „test Bartletta wskazał, że macierz korelacji różni się od macierzy jednostkowej; wraz z wartością KMO oraz oceną korelacji i założeń stanowiło to przesłankę do przeprowadzenia EFA”.
5. Przykład 1: kwestionariusz wypalenia pielęgniarek
Załóżmy, że w badaniu 286 pielęgniarek oceniono 18 pozycji dotyczących obciążenia pracą, zmęczenia emocjonalnego i poczucia skuteczności. Pozycje oceniano w pięciostopniowej skali Likerta. Przed EFA uzyskano:
- KMO = 0,84;
- test Bartletta: χ2(153) = 1742,6; p < 0,001;
- większość korelacji między pozycjami mieściła się w zakresie 0,25–0,65;
- dwie pozycje miały indywidualne KMO około 0,42.
Ogólny wynik KMO jest bardzo dobry, a test Bartletta wskazuje, że nie mamy do czynienia z macierzą niezależnych zmiennych. Jednak dwie pozycje wymagają dodatkowego sprawdzenia. Mogą być źle zredagowane, odwrotnie kodowane albo mierzyć aspekt inny niż pozostałe pytania. Badacz powinien porównać analizę z tymi pozycjami i bez nich, ale decyzję o usunięciu oprzeć na treści oraz na całym rozwiązaniu czynnikowym, a nie wyłącznie na indywidualnym KMO.
Dopiero później można ocenić liczbę czynników, najlepiej z użyciem kilku argumentów, w tym analizy równoległej, wykresu osypiska i interpretowalności rozwiązania. Sam KMO nie mówi, ile czynników należy zatrzymać.
6. Przykład 2: wskaźniki zdrowia psychicznego studentów
W badaniu 84 studentów zebrano 25 pozycji dotyczących lęku, objawów depresyjnych i stresu. Uzyskano KMO = 0,51 oraz istotny test Bartletta, p = 0,002. Można by pochopnie uznać, że EFA jest dopuszczalna, ponieważ test Bartletta jest istotny.
Ostrożniejsza interpretacja jest inna. Istotny test oznacza, że przynajmniej część korelacji odbiega od zera, lecz KMO wskazuje na słabą wspólność zależności. Ponadto stosunek liczby osób do liczby zmiennych jest niekorzystny, a stabilność rozwiązania może być mała. Wymagana liczebność nie jest stałą regułą typu „10 osób na zmienną”; zależy między innymi od komunaliści, siły ładunków i stopnia określenia czynników (MacCallum et al., 1999).
W takiej sytuacji warto rozważyć zwiększenie próby, ograniczenie liczby pozycji zgodnie z teorią, sprawdzenie jakości danych i zastosowanie odpowiedniej macierzy korelacji dla pozycji porządkowych. Nie należy przedstawiać uzyskanego rozwiązania jako stabilnej struktury populacji bez dodatkowej walidacji.
7. Procedura praktyczna przed EFA
- Określ, jakie konstrukty mają być mierzone i dlaczego analiza czynnikowa jest właściwą metodą.
- Sprawdź kodowanie pozycji, kierunek skal, braki danych i obserwacje odstające.
- Obejrzyj macierz korelacji. Zwróć uwagę na korelacje zerowe, bardzo wysokie oraz wzorce nietypowe.
- Oblicz ogólne KMO i indywidualne miary adekwatności.
- Wykonaj test sferyczności Bartletta i podaj χ2, stopnie swobody oraz wartość p.
- Oceń liczebność próby w odniesieniu do jakości danych i planowanego modelu.
- Jeżeli wyniki są akceptowalne, przejdź do wyboru metody ekstrakcji, liczby czynników i rotacji.
- W raporcie opisz zarówno wyniki wspierające EFA, jak i ograniczenia.
Najczęstsze błędy
1. Traktowanie KMO jako testu normalności
KMO nie ocenia normalności rozkładów. Nie zastępuje wykresów, diagnostyki skośności, kurtozy ani oceny adekwatności estymatora.
2. Uznawanie istotnego Bartletta za dowód dobrego modelu
Test mówi tylko, że macierz nie jest jednostkowa. Nie informuje, ile czynników istnieje, czy czynniki są stabilne ani czy skale mają trafność konstruktu.
3. Mechaniczne usuwanie pozycji
Usuwanie zmiennych wyłącznie dlatego, że poprawiają KMO, może prowadzić do zawężenia konstruktu i utraty ważnej treści.
4. Ignorowanie liczebności próby
Duże KMO nie gwarantuje stabilności przy bardzo małej próbie. Z kolei duża próba może uczynić test Bartletta istotnym przy słabych korelacjach.
5. Mylenie EFA z PCA
PCA jest metodą redukcji wymiaru, natomiast EFA modeluje wspólną wariancję zmiennych. KMO i Bartlett mogą pojawiać się w raportach dotyczących obu procedur, ale nie znosi to różnicy między ich celami.
6. Raportowanie tylko wartości p
Wynik należy uzupełnić o wartość KMO, statystykę χ2, stopnie swobody, liczebność próby oraz opis dalszej diagnostyki. Sama informacja „test Bartletta był istotny” jest niewystarczająca.
Jak raportować wyniki?
Przykładowy zapis może brzmieć: „Adekwatność danych do eksploracyjnej analizy czynnikowej była umiarkowanie dobra, KMO = 0,78. Test sferyczności Bartletta był istotny, χ2(45) = 386,4; p < 0,001, co wskazywało, że macierz korelacji różniła się od macierzy jednostkowej. Decyzję o przeprowadzeniu EFA podjęto dodatkowo na podstawie treści pozycji, wzorca korelacji, liczebności próby i oceny stabilności rozwiązania”.
Jeżeli badanie jest raportowane w artykule, warto dokładnie określić, czy analizowano macierz korelacji Pearsona, polichorycznych czy inną, jak potraktowano braki danych oraz jakie kryteria zastosowano przy usuwaniu pozycji. Dobre praktyki raportowania analiz czynnikowych wymagają większej przejrzystości niż podanie dwóch statystyk w jednym zdaniu (Fabrigar et al., 1999).
Co warto zapamiętać?
- KMO ocenia relację między korelacjami zwykłymi i częściowymi; wyższa wartość zwykle lepiej wspiera wspólny model czynnikowy.
- Test Bartletta sprawdza, czy macierz korelacji różni się od macierzy jednostkowej.
- Istotny test Bartletta nie oznacza automatycznie, że EFA będzie wartościowa.
- KMO i Bartlett nie określają liczby czynników ani rodzaju rotacji.
- Interpretacja powinna uwzględniać liczebność próby, jakość pomiaru, teorię i charakter zmiennych.
- Nie należy interpretować wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej.
- Wysoka adekwatność danych jest warunkiem pomocnym, lecz niewystarczającym do uzyskania trafnej i stabilnej analizy czynnikowej.
W ramach publicznego szkolenia na statystyk.edu.pl KMO i test Bartletta warto traktować jako początek świadomej diagnostyki, a nie jako formalny przycisk „uruchom analizę”. Następna decyzja dotyczy już tego, ile czynników zatrzymać i jak ocenić ich interpretowalność.
Źródła i dalsza lektura
- Bartlett, M. S. (1950). Tests of significance in factor analysis. British Journal of Statistical Psychology, 3(2), 77–85. DOI: 10.1111/j.2044-8317.1950.tb00285.x.
- Dziuban, C. D.; Shirkey, E. C. (1974). On the psychometric assessment of correlation matrices. American Educational Research Journal, 11(2), 211–216. DOI: 10.3102/00028312011002211.
- Fabrigar, L. R.; Wegener, D. T.; MacCallum, R. C.; Strahan, E. J. (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.
- Kaiser, H. F. (1970). A second generation little jiffy. Psychometrika, 35(4), 401–415. DOI: 10.1007/BF02291817.
- Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. DOI: 10.1007/BF02291575.
- Kaiser, H. F.; Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement, 34(1), 111–117. DOI: 10.1177/001316447403400115.
- MacCallum, R. C.; Widaman, K. F.; Zhang, S.; Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. DOI: 10.1037/1082-989X.4.1.84.