Експлораторний факторний аналіз (EFA): як досліджують приховану структуру психологічної шкали
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Експлораторний факторний аналіз (exploratory factor analysis, EFA) — це сімейство статистичних методів, за допомогою яких дослідник вивчає, чи можна пояснити кореляції між багатьма спостережуваними показниками меншою кількістю прихованих, або латентних, факторів. У психометрії EFA особливо важливий під час розроблення нових шкал, первинного дослідження їхньої внутрішньої структури та перевірки того, чи групуються пункти так, як це змістово очікується. APA PsycTests визначає EFA як аналіз, що досліджує можливу латентну структуру спостережуваних змінних без наперед жорстко заданої факторної моделі.
Ключове слово тут — «досліджує». EFA не видає готову істину про те, «скільки насправді існує факторів». Дослідник обирає набір індикаторів, тип кореляційної матриці, метод виділення факторів, правило визначення їх кількості, спосіб обертання та критерії інтерпретації. Кожне з цих рішень може змінити результат. Класичний методологічний огляд Fabrigar та співавторів і пізніший практичний огляд Watkins показують, що якість EFA залежить передусім від обґрунтованості всього аналітичного ланцюга, а не від натискання однієї команди у статистичній програмі.
У сучасних українських публікаціях і навчанні найчастіше трапляється форма «експлораторний факторний аналіз»; інколи використовується «розвідувальний факторний аналіз». Для міжнародної однозначності в цій статті використовується скорочення EFA. Важливе розрізнення: EFA не є синонімом аналізу головних компонентів (PCA), а експлораторний підхід не є спрощеною версією конфірматорного факторного аналізу (CFA).
Що саме шукає EFA
Психологічні властивості на кшталт тривожності, емпатії, самоконтролю або виснаження не спостерігаються безпосередньо. Дослідник бачить відповіді на пункти, результати завдань, поведінкові показники або експертні оцінки й припускає, що частина їхньої спільної варіації пов’язана з одним або кількома латентними вимірами. Докладніше про це розрізнення дивіться у статті «Латентні й спостережувані змінні».
У найпростішій факторній моделі кожний спостережуваний показник розглядають як поєднання внесків спільних факторів і унікальної частини. Факторні навантаження показують, наскільки конкретний індикатор пов’язаний із фактором; спільність показує частку його варіації, яку відтворює спільна факторна модель; унікальність охоплює специфічну для індикатора варіацію та помилку. EFA намагається знайти компактну структуру, яка пояснює закономірні взаємозв’язки між показниками.
Це має сенс лише тоді, коли дослідницька модель справді припускає латентні причини або спільні виміри. Якщо показники утворюють формативний індекс — наприклад, суму різнорідних життєвих стресорів, які не зобов’язані бути проявами одного прихованого фактора, — вимога красивої факторної структури може бути концептуально хибною. Тому до EFA треба визначити, що саме означає психологічний конструкт і чому вибрані індикатори мають бути його проявами.
EFA, PCA і CFA відповідають на різні питання
EFA і PCA: фактори — не те саме, що компоненти
Аналіз головних компонентів (principal component analysis, PCA) перетворює набір спостережуваних змінних на компоненти, які послідовно пояснюють максимальну частину їхньої загальної дисперсії. PCA є методом зменшення розмірності. Спільний факторний аналіз має іншу модель: він намагається пояснити спільну коваріацію показників латентними факторами й окремо визнає унікальну варіацію. Офіційна таксономія APA PsycTests прямо розділяє EFA і PCA як різні методологічні категорії.
PCA може бути корисним, коли мета — стиснути дані, створити компоненти або побудувати компактне представлення великої кількості змінних. Якщо ж дослідник стверджує, що відновлює приховані психологічні конструкти, вибір PCA замість спільної факторної моделі потребує окремого обґрунтування. Формула «ми зробили PCA, отже знайшли латентні фактори» змішує дві різні статистичні задачі.
EFA і CFA: відкриття структури та перевірка моделі
EFA дає показникам відносно вільно утворювати факторну структуру: дослідник не фіксує наперед повну схему того, який пункт має навантажуватися лише на який фактор. CFA працює інакше. У ньому модель задають до оцінювання: кількість факторів, належність індикаторів, дозволені кореляції, обмеження параметрів. Тому EFA добре підходить для структурного пошуку, а CFA — для перевірки наперед сформульованої вимірювальної гіпотези.
Послідовність EFA → CFA часто корисна під час розроблення шкали, але сильне підтвердження потребує нових даних або принаймні незалежної перевірочної підвибірки. Якщо спочатку підігнати EFA до конкретної вибірки, а потім на тих самих відповідях оголосити CFA «незалежним підтвердженням», частина випадкової специфіки вже вбудована в обрану модель.
EFA і структурна валідність психологічної шкали
У сучасній психометрії внутрішня структура є одним із джерел доказів для валідизаційного аргументу. Standards for Educational and Psychological Testing підкреслюють, що валідність стосується обґрунтованості конкретної інтерпретації тестових балів для певного використання. EFA може підтримати частину цього аргументу, показавши, як індикатори організуються в латентні виміри.
Однак EFA не «валідує тест» сам по собі. Правдоподібна факторна структура не доводить якість змісту пунктів, точність прогнозу зовнішнього критерію, справедливість між групами, діагностичну точність, клінічну корисність або безпеку рішень. Саме тому сторінку про EFA треба читати разом із матеріалами про структурну валідність та докази валідності.
Коли EFA доречний
EFA доречний, коли дослідник має змістову підставу очікувати латентну структуру, але ще не має достатньо сильної наперед заданої моделі; коли створюється нова шкала; коли інструмент переноситься в новий контекст і його внутрішня структура потребує повторного дослідження; коли попередні дані про факторну будову суперечливі; або коли потрібно зрозуміти причини неочікуваних зв’язків між пунктами.
EFA менш доречний як ритуальна процедура «на всяк випадок», коли вже існує добре обґрунтована конкретна модель і дослідницьке питання є конфірматорним; коли індикатори за задумом формують індекс, а не відображають латентний конструкт; коли вибірка або дані настільки обмежені, що факторне рішення не може бути стабільним; або коли аналіз використовується лише для того, щоб постфактум знайти структуру, яка виглядає зручно.
Як проводять EFA: логіка від даних до факторної моделі
1. Спочатку визначають конструкт і набір індикаторів
Статистичний аналіз починається до відкриття програми. Потрібно пояснити, чому саме ці пункти або показники мають входити до спільного аналізу, яку частину конструкта вони покривають і для якої популяції призначена шкала. Погано сформований пул пунктів неможливо «врятувати» складною факторною технікою: EFA лише покаже структуру наявних даних.
На ранньому етапі шкала часто навмисно має ширший пул пунктів, ніж фінальна версія. Але вилучення пунктів після EFA має бути змістовно обґрунтованим. Якщо механічно прибирати все, що погіршує просту структуру, можна звузити зміст конструкта й отримати статистично чисту, але концептуально бідну шкалу.
2. Перевіряють якість даних
Перед факторизацією аналізують пропуски, розподіли, екстремальні значення, частоти категорій відповідей, кореляції між пунктами та потенційні дублікати. Пункти з майже нульовою варіативністю не можуть добре розрізняти респондентів. Майже тотожні пункти можуть створити локальний кластер через формулювання, а не через психологічний фактор.
Пропущені значення не слід автоматично вирішувати повним видаленням усіх неповних випадків. Метод обробки пропусків може впливати на кореляційну матрицю та навіть на рішення про кількість факторів. Симуляційна робота Goretzko показує, що факторне утримання за неповних даних залежить і від критерію, і від способу роботи з пропусками.
3. Обирають кореляційну матрицю
EFA фактично працює зі структурою взаємозв’язків між змінними, тому вибір кореляційної матриці принциповий. Для приблизно неперервних показників за придатних умов часто використовують кореляції Пірсона. Для порядкових пунктів із невеликою кількістю категорій — типовий випадок шкал Лайкерта — поліхоричні кореляції можуть краще відображати припущену зв’язність латентних неперервних відповідей.
Watkins узагальнює симуляційні й емпіричні результати, за якими перевага поліхоричних кореляцій особливо помітна за малої кількості категорій або асиметричних розподілів. Водночас поліхорична матриця теж не є автоматично правильною: вона спирається на модель прихованих неперервних змінних і може бути нестабільною за малих вибірок, рідкісних категорій або проблемних таблиць частот.
4. Оцінюють, чи є матриця придатною для факторного аналізу
Коефіцієнт Кайзера—Маєра—Олкіна (KMO) та тест сферичності Бартлетта часто подають як «дозвіл» на EFA. Насправді це допоміжні діагностики. KMO оцінює, наскільки патерн кореляцій сумісний зі спільною факторизацією через співвідношення звичайних і часткових кореляцій. Тест Бартлетта перевіряє, чи відрізняється кореляційна матриця від одиничної.
Значущий тест Бартлетта не гарантує якісної факторної моделі, особливо у великій вибірці, де навіть слабкі кореляції легко стають статистично значущими. KMO не визначає кількість факторів і не встановлює валідність. Сильний preflight дивиться на всю матрицю, спільності, структуру кореляцій, розмір і склад вибірки та зміст індикаторів.
5. Обирають метод виділення факторів
У спільному факторному аналізі використовують різні методи оцінювання: максимальну правдоподібність, факторизацію головної осі, мінімальні залишки та інші варіанти. Вибір залежить від типу даних, припущень про розподіл, розміру вибірки та доступного програмного забезпечення. Метод максимальної правдоподібності має переваги для статистичного оцінювання й порівняння моделей за придатних умов, але порушення припущень може вимагати робастніших або альтернативних оцінювачів.
Назва «метод головних компонент» у меню тієї самої програми не перетворює PCA на метод виділення спільних факторів. Якщо мета — EFA у власне психометричному сенсі, звіт має прямо назвати обрану common-factor модель і метод оцінювання.
6. Визначають кількість факторів
Це одне з найважливіших рішень в EFA. Надто мало факторів зливає різні виміри й породжує складні перехресні навантаження. Надто багато факторів розщеплює структуру на нестабільні фрагменти, іноді створені кількома схожими пунктами або випадковим шумом.
Правило Кайзера «залишати власні значення понад 1» історично популярне, але не повинно бути єдиним автоматичним критерієм. Скрі-графік корисний для візуального пошуку перелому, але може бути неоднозначним. Паралельний аналіз порівнює емпіричні власні значення з розподілом значень у випадкових даних; Hayton, Allen і Scarpello описують його як один із найточніших класичних методів утримання факторів.
Для порядкових даних деталі паралельного аналізу мають значення. Робота Timmerman і Lorenzo-Seva показала добрі результати common-factor паралельного аналізу на поліхоричних кореляціях у релевантних умовах. Новіші симуляційні дослідження, зокрема Markos і Tsigilis, порівнюють паралельний аналіз з альтернативними методами оцінювання розмірності й демонструють, що жоден критерій не слід відривати від типу даних та моделі.
Практично кількість факторів обирають на перетині статистичних критеріїв і теорії: паралельного аналізу, скрі-графіка, альтернативних retention-критеріїв, інтерпретованості, достатньої кількості сильних індикаторів на фактор, відсутності штучних факторів із двох майже однакових пунктів і відтворюваності рішення.
7. Обирають обертання
Необернуте факторне рішення часто важко інтерпретувати. Обертання змінює орієнтацію факторних осей так, щоб структура стала простішою для змістового читання, не перетворюючи дані на новий набір спостережень. Є ортогональні обертання, які фіксують нульові кореляції між факторами, і косокутні, які дозволяють факторам корелювати.
У психології косокутні обертання на кшталт oblimin або promax часто мають сильнішу змістову логіку, бо психологічні конструкти рідко є строго незалежними. Watkins зазначає, що методологи зазвичай рекомендують дозволяти факторним кореляціям проявитися, якщо немає переконливого теоретичного обґрунтування їхньої незалежності. Varimax може бути доречним, коли ортогональність справді є частиною моделі, але не лише тому, що це стандартне налаштування програми.
8. Інтерпретують факторні навантаження, спільності й перехресні навантаження
Факторне навантаження показує силу зв’язку індикатора з фактором у конкретній моделі. Поширені пороги 0,30, 0,40 або 0,50 є евристиками, а не природними межами. Значення має повний патерн: величина головного навантаження, навантаження на інші фактори, спільність, кількість інших індикаторів, зміст пункту, розмір вибірки та стабільність рішення.
Перехресне навантаження означає, що пункт помітно пов’язаний більш ніж з одним фактором. Це не завжди «поганий пункт». Воно може відображати реальний змістовий перетин конструктів, двозначне формулювання, загальний методичний фактор або невдалу кількість факторів. Вилучення пункту має ґрунтуватися на змісті та цілі вимірювання, а не лише на бажанні отримати чистішу матрицю.
9. За косокутного обертання розрізняють pattern і structure coefficients
Коли фактори корелюють, EFA дає принаймні дві корисні матриці. Pattern coefficients відображають унікальний зв’язок індикатора з фактором з урахуванням інших факторів і подібні за логікою до стандартизованих регресійних коефіцієнтів. Structure coefficients є простими кореляціями між індикаторами й факторами. Вони можуть відрізнятися саме через кореляції між факторами.
Звіт, який показує лише одну матрицю без пояснення, яка це матриця, може створити хибне враження про структуру. За суттєво корельованих факторів доречно повідомляти pattern matrix, кореляції факторів і, коли це допомагає інтерпретації, structure matrix.
10. Називають фактори лише після змістового читання
Статистичний алгоритм не знає, що таке «соціальна тривога» або «самоефективність». Він оцінює структуру коваріації. Назва фактора — теоретична інтерпретація дослідника. Її треба будувати за змістом індикаторів із найхарактернішими навантаженнями, з урахуванням усієї групи пунктів і теоретичної моделі.
Особливо небезпечно давати фактору широку психологічну назву лише через два-три пункти, які випадково згрупувалися. Фактор має бути не тільки математично виділеним, а й змістово когерентним та відтворюваним.
11. Перевіряють стабільність і переходять до підтвердження
EFA є початком структурної аргументації, а не її фіналом. Рішення треба перевіряти на інших даних, особливо якщо модель використовуватиметься для підрахунку балів, клінічних або освітніх висновків. Після експлораторного етапу дослідник може сформулювати чітку модель для CFA, перевірити її на незалежній вибірці, а далі досліджувати інваріантність між групами, часом або мовними версіями.
Скільки учасників потрібно для EFA
Універсальної формули «N = 100», «200 учасників завжди достатньо» або «10 осіб на один пункт» не існує. Стабільність факторного рішення залежить від спільностей, сили навантажень, кількості індикаторів на фактор, кількості факторів, їхньої визначеності, розподілу даних і складності моделі.
Симуляційна робота MacCallum, Widaman, Zhang і Hong прямо показала хибність уявлення, що мінімальний розмір вибірки або співвідношення «учасники : змінні» є незмінним для всіх факторних досліджень. За високих спільностей і добре визначених факторів менша вибірка може давати стабільніше рішення, ніж значно більша вибірка за слабких індикаторів і погано визначеної структури.
Практичний висновок: розмір вибірки треба обґрунтовувати через очікувану модель та умови даних, а не посиланням на одну магічну пропорцію. Для нової шкали варто планувати не тільки EFA, а й незалежну перевірку структури, тому ресурс вибірки краще розраховувати на весь цикл валідації.
EFA для пунктів Лайкерта та інших порядкових даних
Пункти з категоріями «ніколи — рідко — інколи — часто — завжди» є порядковими: відстань між сусідніми категоріями не задана як точно рівна. За багатьох категорій і приблизно симетричних розподілів аналіз на кореляціях Пірсона іноді працює прийнятно, але при двох–чотирьох категоріях, сильній асиметрії або виражених стельових й підлогових ефектах різниця між Pearson- і polychoric-підходами може бути істотною.
Тому сучасна практика часто використовує поліхоричні кореляції та оцінювання, сумісне з порядковою природою даних. Це не означає, що «поліхорична EFA завжди краща». Треба перевіряти стабільність кореляцій, рідкісні категорії, розмір вибірки, припущення про приховані неперервні відповіді та поведінку обраного оцінювача.
Факторне навантаження не є універсальним тестом якості пункту
Сильне навантаження говорить, що пункт добре пов’язаний із фактором у конкретному рішенні. Воно не доводить, що пункт добре сформульований, етично прийнятний, культурно нейтральний, діагностично корисний або причинно пов’язаний із конструктом. Так само слабке навантаження може виникати через вузький діапазон відповідей, проблемну вибірку, переклад, неправильну кількість факторів або невідповідний тип кореляцій.
Не варто зводити відбір пунктів до алгоритму «залишити все > 0,40, видалити все < 0,40». Психометрична розробка є циклом: теорія → формулювання пунктів → дані → модель → змістова перевірка → нові дані. Рекомендації з розроблення шкал, зокрема Stefana та співавторів, розглядають факторний аналіз як частину ширшого процесу, а не як автоматичний фільтр.
Внутрішня узгодженість і EFA — різні питання
Високий α Кронбаха не показує, скільки факторів має шкала, і не підтверджує одновимірність. α може бути високим у багатовимірній шкалі, особливо коли пунктів багато або вони частково дублюються. Спочатку треба зрозуміти вимірність, а вже потім осмислено оцінювати внутрішню узгодженість для відповідних шкал або підшкал.
Це розрізнення детально пояснюють статті «Внутрішня узгодженість шкали» та «Альфа Кронбаха». EFA відповідає передусім на питання структури; коефіцієнти внутрішньої узгодженості — на інше питання про взаємозв’язок індикаторів і прецизійність композитного бала за певних припущень.
Типові помилки під час EFA
Перша помилка — називати PCA експлораторним факторним аналізом. Обидві процедури працюють із багатовимірними даними, але мають різні цілі та моделі варіації.
Друга — залишати кількість факторів лише за правилом «власне значення > 1». Сучасний аналіз має включати сильніші retention-процедури, насамперед паралельний аналіз, і змістову оцінку.
Третя — автоматично використовувати varimax, навіть коли психологічні фактори очікувано корелюють. Ортогональність — це модельне припущення, а не нейтральний формат виведення.
Четверта — оголошувати універсальний cutoff для навантаження і механічно видаляти пункти. Пороги корисні як орієнтири, але рішення має враховувати всю структуру й зміст.
П’ята — вважати значущий тест Бартлетта доказом «хорошого EFA». Він лише показує, що матриця статистично відрізняється від одиничної за припущеннями тесту.
Шоста — думати, що KMO є показником валідності. KMO оцінює придатність структури кореляцій до факторизації, а не те, чи вимірює шкала заявлений психологічний конструкт.
Сьома — проводити EFA на одній вибірці, підбирати модель до деталей цих даних і подавати її як остаточно підтверджену. Експлораторне рішення потребує відтворення.
Восьма — приховувати альтернативні рішення. Якщо паралельний аналіз, скрі-графік і теорія дають різні підказки, саме ця невизначеність є важливою частиною результату.
Дев’ята — не повідомляти тип кореляцій, метод виділення та обертання. Без цих деталей результат неможливо адекватно оцінити або відтворити.
Десята — використовувати факторну структуру як діагноз. EFA може допомагати розробляти психологічні шкали, але факторний бал або належність пункту до фактора не є клінічним діагнозом і не створює універсального cutoff «розлад є / розладу немає».
Що має бути у якісному звіті EFA
Повний звіт має дозволити іншому досліднику зрозуміти, яке саме рішення було отримано і чому. Watkins рекомендує повідомляти не тільки фінальні факторні навантаження, а весь ланцюг ключових аналітичних рішень.
Мінімально варто описати: теоретичну підставу для набору змінних; характеристики й розмір вибірки; пропуски та спосіб їх обробки; тип кореляційної матриці; діагностику придатності до факторизації; спільну факторну модель і метод виділення; критерії визначення кількості факторів; метод обертання; правила інтерпретації; повну або достатньо прозору матрицю навантажень; спільності; перехресні навантаження; кореляції факторів за косокутного обертання; альтернативні факторні рішення; критерії вилучення пунктів; і план або результат перевірки структури на нових даних.
Якщо використано порядкові дані, треба вказати, чи аналізувалися Pearson-, polychoric- або інші кореляції. Якщо застосовано паралельний аналіз, варто уточнити, до якої моделі він був прив’язаний, як генерувалися випадкові дані та який критерій порівняння використовувався. Формулювання «провели EFA стандартним методом» не є достатнім описом.
Як читати EFA у чужій статті
Почніть не з таблиці навантажень, а з дослідницького питання. Чи справді автори досліджують латентну структуру? Чи є ці індикатори рефлективними проявами конструкта? Чи обґрунтовано склад вибірки? Чи відповідає тип кореляцій природі даних?
Далі подивіться, як обрано кількість факторів. Паралельний аналіз, теорія й стабільність структури дають більше інформації, ніж механічний eigenvalue > 1. Потім перевірте обертання: якщо фактори психологічно пов’язані, але автори примусово зробили їх ортогональними, інтерпретація може бути спрощеною.
Оцініть не тільки найбільші навантаження. Чи є фактори з двома слабкими індикаторами? Чи багато перехресних навантажень? Чи мають фактори зрозумілий зміст? Чи видалялися пункти після багаторазових перезапусків аналізу? Чи показано, що фінальна структура відтворюється на інших даних?
Нарешті, відокремте статистичну структуру від практичного висновку. EFA може показати, що пункти утворюють кілька стабільних кластерів спільної варіації. Щоб перейти від цього до твердження «ми вимірюємо саме цей конструкт у цій популяції», потрібен ширший валідизаційний аргумент.
EFA у культурній і мовній адаптації
Переклад психологічної шкали не гарантує, що її факторна структура збережеться. Нове мовне формулювання може змінити семантичні відтінки, частоти відповідей, кореляції між пунктами та роботу окремих індикаторів. Тому EFA може бути корисним на ранньому етапі адаптації, особливо якщо немає переконливих даних, що оригінальна модель переноситься без змін.
Водночас EFA не замінює повноцінну культурну адаптацію, не доводить вимірювальну інваріантність і не показує автоматично відсутність bias. Якщо мета — порівнювати групи, мовні версії або країни, потрібні окремі аналізи еквівалентності та інваріантності. Наявність україномовного перекладу сама по собі не є доказом валідованої української версії.
Науковий статус і межі EFA
EFA — усталений статистичний метод із багаторічною психометричною традицією, широкою методологічною літературою та сучасними розвитками для порядкових, неповних і складних даних. Його базовий статус не є спірним. Спірними або залежними від умов залишаються конкретні аналітичні рішення: оптимальна retention-процедура за певних даних, оцінювач, спосіб обертання, пороги інтерпретації, критерії стабільності та найкращий спосіб роботи з конкретним типом порушень моделі.
EFA також не створює єдиної «істинної» назви факторів. Одна й та сама кореляційна структура може допускати різні ротаційні орієнтації та близькі за відповідністю моделі. Тому факторна структура стає науково переконливою через сукупність ознак: теоретичну осмисленість, методологічну прозорість, стабільність, реплікацію та узгодження з іншими видами доказів.
Поширені запитання
Чи є EFA тим самим, що факторний аналіз
EFA є одним із головних типів факторного аналізу. Загальний термін «факторний аналіз» охоплює різні моделі й процедури. EFA досліджує можливу структуру відносно вільно; CFA перевіряє наперед задану модель.
Чи можна назвати PCA експлораторним факторним аналізом
Ні. PCA і EFA можуть давати зовні схожі таблиці навантажень, але відповідають на різні питання. PCA стискає загальну дисперсію спостережуваних змінних у компоненти; EFA моделює спільну коваріацію через латентні фактори.
Скільки людей потрібно для EFA
Фіксованого числа немає. Необхідний N залежить від спільностей, сили навантажень, кількості індикаторів на фактор, числа факторів, розподілу даних і стабільності моделі. Правила «5 або 10 учасників на пункт» можуть бути грубим орієнтиром планування, але не доказом достатності.
Яке факторне навантаження вважається достатнім
Універсального cutoff немає. Значення 0,30–0,50 часто використовують як практичні орієнтири в різних контекстах, але пункт треба оцінювати разом із перехресними навантаженнями, спільністю, змістом, розміром вибірки та стабільністю структури.
Чи обов’язково робити KMO і тест Бартлетта
Ці діагностики корисні й часто звітуються, але вони не є повною перевіркою придатності даних. Значущий Bartlett і прийнятний KMO не визначають правильну кількість факторів і не доводять структурну валідність.
Яке обертання краще — varimax чи oblimin
Якщо фактори теоретично можуть корелювати, косокутне обертання на кшталт oblimin або promax зазвичай природніше. Varimax накладає ортогональність і доречний, коли незалежність факторів змістово обґрунтована.
Чи можна проводити EFA для шкал Лайкерта
Так, але метод має враховувати порядкову природу відповідей, особливо за малої кількості категорій або асиметричних розподілів. У таких умовах часто використовують поліхоричні кореляції та сумісні методи оцінювання.
Чи можна після EFA одразу сказати, що тест валідний
Ні. EFA дає докази щодо внутрішньої структури. Валідність інтерпретації тестових балів спирається на ширший набір доказів і завжди прив’язана до популяції, контексту та передбаченого використання.
Чи треба робити CFA після EFA
Якщо після EFA пропонується конкретна вимірювальна модель, її незалежна конфірматорна перевірка є сильним наступним кроком. Найкраще використовувати нову вибірку або заздалегідь відокремлену перевірочну частину даних.
Короткий висновок
Експлораторний факторний аналіз — це метод дослідження прихованої структури спільної варіації між психологічними індикаторами. Його сила полягає не в автоматичному «відкритті істинних факторів», а в дисциплінованому переході від теорії та даних до перевірюваної гіпотези про вимірність шкали.
Сильний EFA розрізняє факторний аналіз і PCA, враховує тип даних, не покладається на один retention-критерій, обґрунтовує обертання, прозоро показує навантаження та перехресні навантаження, не використовує універсальні магічні cutoff і завершується планом незалежної перевірки. Саме так EFA стає частиною доказової психометрії, а не декоративною таблицею в кінці дослідження.
Пов’язані статті
Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — базова сторінка про психологічне вимірювання, надійність, валідність, похибку та інтерпретацію тестових балів.
Структурна валідність: чи відповідає факторна структура тесту теоретичній будові конструкта — як EFA, CFA, IRT та інші моделі входять у докази внутрішньої структури.
Латентні й спостережувані змінні: чим відрізняється психологічний конструкт від його показників — основа для розуміння того, що саме факторний аналіз намагається моделювати.
Конструктна валідність: як перевіряють, що тест вимірює саме задуманий психологічний конструкт — ширший контекст доказів про психологічний конструкт.
Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність — чому коефіцієнти узгодженості не замінюють аналіз вимірності.
Джерела
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing.
American Psychological Association. (n.d.). APA PsycTests Methodology Field Values.
Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149.
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.
Goretzko, D. (2022). Factor Retention in Exploratory Factor Analysis With Missing Data. Educational and Psychological Measurement, 82(3), 444–464.
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor Retention Decisions in Exploratory Factor Analysis: A Tutorial on Parallel Analysis. Organizational Research Methods, 7(2), 191–205.
MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample Size in Factor Analysis. Psychological Methods, 4(1), 84–99.
Markos, A., & Tsigilis, N. (2024). Dimensionality Assessment in Ordinal Data: A Comparison Between Parallel Analysis and Exploratory Graph Analysis. Frontiers in Psychology, 15, 1359111.
Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. (2024). COSMIN Guideline for Systematic Reviews of Patient-Reported Outcome Measures Version 2.0. Quality of Life Research.
Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., Youngstrom, E. A., & Fusar-Poli, P. (2025). Psychological, Psychiatric, and Behavioral Sciences Measurement Scales: Best Practice Guidelines for Their Development and Validation. Frontiers in Psychology, 15, 1494261.
Timmerman, M. E., & Lorenzo-Seva, U. (2011). Dimensionality Assessment of Ordered Polytomous Items With Parallel Analysis. Psychological Methods, 16(2), 209–220.
Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246.