Факторне навантаження: що воно означає в EFA і CFA та чому немає універсального «хорошого» порога
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Факторне навантаження (factor loading) — це параметр факторної моделі, який описує зв’язок спостережуваного показника з латентним фактором. У психометрії воно допомагає відповісти на практичне запитання: наскільки конкретний пункт, завдання або індикатор пов’язаний із прихованим виміром, який модель намагається описати. Але саме число навантаження не є оцінкою «якості тесту» і не має універсальної межі, після якої пункт автоматично стає добрим, а нижче якої — поганим.
У експлораторному факторному аналізі (EFA) навантаження є частиною дослідження можливої структури: усі або майже всі індикатори можуть мати зв’язки з кількома факторами, а результат залежить від методу виділення та обертання. У конфірматорному факторному аналізі (CFA) навантаження оцінюються всередині наперед заданої моделі. Тому число 0,45 в EFA і число 0,45 в CFA не слід читати механічно як одну й ту саму «оцінку якості».
Сучасні Standards for Educational and Psychological Testing розглядають внутрішню структуру як одне з джерел доказів валідності для конкретної інтерпретації та використання балів. COSMIN так само оцінює структурну валідність на рівні факторної моделі, а не за одним ізольованим коефіцієнтом. Отже, факторне навантаження має сенс лише разом із теорією конструкта, якістю даних, моделлю, вибіркою та призначенням інструменту.
Що саме показує факторне навантаження
У найпростішій однофакторній моделі спостережуваний показник можна уявити як поєднання спільної частини, пов’язаної з фактором, і залишкової частини. Навантаження позначає силу та напрям зв’язку індикатора з фактором. Чим більша абсолютна величина навантаження, тим сильніше модель пов’язує цей індикатор із відповідним латентним виміром — за інших однакових умов.
Латентний фактор при цьому не спостерігається безпосередньо. Ми бачимо відповіді на пункти, результати завдань або інші показники й моделюємо спільну структуру їхніх зв’язків. Саме це розрізнення між латентними та спостережуваними змінними є основою для правильного розуміння навантажень.
Навантаження не треба ототожнювати з причинним ефектом. Навіть коли діаграма CFA малює стрілку від фактора до індикатора, статистична модель сама по собі не доводить, що латентний фактор буквально «спричиняє» відповідь на пункт. Причинна інтерпретація потребує окремих теоретичних та емпіричних підстав.
Стандартизоване і нестандартизоване навантаження
Нестандартизоване навантаження виражене в масштабі конкретної моделі й залежить від того, як задано одиницю латентного фактора. Воно потрібне для оцінювання параметрів, стандартних похибок, довірчих інтервалів і формальних обмежень моделі, але його величину не завжди зручно порівнювати між індикаторами з різними шкалами.
Стандартизоване навантаження переводить зв’язок у безрозмірний масштаб. У простій однофакторній моделі зі стандартизованими змінними значення 0,70 можна читати як сильний позитивний зв’язок індикатора з фактором. За відповідних припущень квадрат такого навантаження, 0,49, пов’язаний із часткою дисперсії індикатора, яку пояснює фактор.
Це зручне правило має межі. У моделях із кількома корельованими факторами, перехресними навантаженнями або обертанням не можна механічно квадратувати будь-який коефіцієнт із таблиці й називати результат «відсотком дисперсії, поясненої фактором». Особливо обережно треба читати EFA з косокутним обертанням, де pattern matrix і structure matrix відображають різні види зв’язку.
Знак навантаження: плюс і мінус
Позитивне навантаження означає, що більші значення фактора пов’язані з більшими значеннями індикатора. Негативне навантаження означає протилежний напрям: зі зростанням фактора очікуване значення індикатора зменшується. Для зворотно сформульованих або реверсивно кодованих пунктів знак може бути цілком очікуваним.
Водночас напрям осі латентного фактора частково умовний: усі навантаження одного фактора можна помножити на −1, змінивши орієнтацію фактора, і сутність моделі не зміниться. Тому сам по собі «мінус» не є дефектом. Набагато важливіше, чи узгоджується патерн знаків із кодуванням пунктів, теорією та іншими параметрами моделі. Неочікуваний знак одного пункту серед багатьох очікуваних знаків може вказувати на помилку кодування, специфічний зміст або невдалу специфікацію.
Факторне навантаження в EFA
Мета EFA — дослідити можливу латентну структуру без жорсткого попереднього закріплення кожного індикатора за одним фактором. Класичний методологічний огляд Fabrigar та співавторів наголошує, що результат EFA залежить від цілого ланцюга рішень: кореляційної матриці, методу виділення, кількості факторів, обертання та способу інтерпретації. Тому таблиця навантажень є результатом конкретної аналітичної конфігурації, а не незмінною властивістю пунктів.
У EFA індикатор може мати помітне навантаження на один фактор і водночас ненульові навантаження на інші. Це називають перехресним навантаженням (cross-loading). Воно не завжди є «помилкою»: психологічні пункти часто торкаються кількох близьких змістових аспектів. Проблема виникає тоді, коли патерн навантажень робить фактори нечіткими, суперечить теорії, нестабільний у повторних вибірках або свідчить про те, що проста структура погано описує дані.
За косокутного обертання, яке дозволяє факторам корелювати, програмне забезпечення може показувати pattern matrix і structure matrix. UCLA Statistical Methods and Data Analytics пояснює: pattern coefficients є аналогами часткових стандартизованих регресійних коефіцієнтів, тоді як structure coefficients є простими кореляціями індикаторів із факторами. Коли фактори корелюють, ці матриці можуть помітно відрізнятися. Тому фраза «навантаження дорівнює 0,52» без назви матриці іноді є методологічно неповною.
За ортогонального обертання фактори задають некорельованими, тому різниця між pattern і structure зникає. У психологічних даних корельовані конструкти дуже поширені, тож автоматичний вибір ортогонального обертання лише заради простішої таблиці може спотворювати змістову структуру.
Факторне навантаження в CFA
У CFA дослідник задає вимірювальну модель наперед: визначає, які індикатори мають навантажуватися на які фактори, які зв’язки фіксуються на нулі, чи корелюють фактори та які додаткові параметри дозволено оцінювати. Навантаження тут треба читати як один із локальних параметрів усередині цієї конкретної моделі.
Велике стандартизоване навантаження не рятує модель, яка в цілому погано описує коваріаційну структуру. І навпаки, прийнятні глобальні індекси відповідності не гарантують, що кожен локальний параметр має змістовно розумну величину. CFA потребує одночасної перевірки глобального fit, навантажень, залишкових дисперсій, факторних кореляцій, локальних залишків, модифікаційних індексів і теоретичної правдоподібності.
Статистична значущість навантаження відповідає вузькому питанню: чи сумісні дані з нульовим значенням цього параметра за заданої моделі. За великої вибірки навіть невелике навантаження може бути статистично значущим. Тому p-value не перетворює малий коефіцієнт на практично сильний і не є доказом валідності шкали. Корисніше дивитися на оцінку, стандартну похибку або довірчий інтервал, стабільність і зміст.
Чому не існує універсального «хорошого» порога
У підручниках, статтях і програмних посібниках часто трапляються евристики на кшталт 0,30, 0,40 або 0,50. Огляд сучасних рекомендацій зі створення шкал Stefana та співавторів показує, що в літературі справді співіснують різні запропоновані межі. Сам факт множинності цих меж уже підказує головне: це практичні правила для певних задач, а не природна константа психометрії.
Поріг 0,40 може бути корисним як попередній робочий орієнтир у конкретному дослідженні, якщо його обґрунтовано наперед. Він не означає, що 0,399 є «неприйнятним», а 0,401 — «валідним». Безперервний параметр не стає якісно іншим через одну тисячну. Жорстке бінарне рішення маскує невизначеність оцінки та теоретичний контекст.
Стабільність факторного рішення залежить від величин навантажень, спільностей, кількості індикаторів, складності моделі та розміру вибірки. Класична робота MacCallum та співавторів показала, що навіть вимоги до розміру вибірки у факторному аналізі не мають інваріантного універсального правила. Симуляційне дослідження Wolf та співавторів так само продемонструвало широкий діапазон потреб у вибірці для SEM залежно від параметрів моделі, зокрема від величини навантажень.
На інтерпретацію також впливають число та кореляції факторів, кількість індикаторів на фактор, перехресні навантаження, нормальність або категоріальність даних, метод оцінювання та помилки специфікації. Симуляції Auerswald і Moshagen показують, що поведінка процедур факторного аналізу змінюється залежно від таких умов, а жодне окреме правило не є найкращим у всіх моделях.
Як читати 0,30, 0,40, 0,50 і 0,70 без магічного мислення
Значення близько 0,30 іноді використовують як мінімальний рівень, нижче якого зв’язок вважають надто малим для практичної інтерпретації в конкретній шкалі. Значення близько 0,40 або 0,50 часто застосовують як суворіші правила утримання пунктів. Значення близько 0,70 у простій стандартизованій однофакторній моделі означає, що квадрат навантаження становить приблизно 0,49, тобто фактор пов’язаний майже з половиною дисперсії індикатора за відповідних припущень. Усі ці числа треба читати як контекстні орієнтири, а не як універсальні категорії «погано — добре — відмінно».
Для вузького, чітко визначеного конструкта можна очікувати вищі навантаження, ніж для широкого конструкта, який навмисно охоплює різнорідні змістові прояви. Пункт із помірним навантаженням може бути важливим для змістового охоплення конструкта. Якщо видаляти все, що не максимізує однорідність, шкала ризикує стати статистично «акуратною», але концептуально збідненою.
Чи можна просто видалити пункт із низьким навантаженням
Низьке навантаження є приводом для діагностики, а не автоматичною командою delete. Спершу треба перевірити, чи пункт справді належить до конструкта за змістом, чи правильно його закодовано, чи немає проблем із перекладом або формулюванням, чи достатньо варіації відповідей, чи відповідає тип кореляцій і оцінювач типу даних, чи не утворює пункт другорядний фактор або специфічний методичний ефект.
Далі слід оцінити, що станеться зі змістовою валідністю після видалення. Якщо пункт репрезентує важливий аспект конструкта, який інші пункти не охоплюють, його видалення лише заради збільшення середніх навантажень може погіршити вимірювання. Рішення має спиратися на сукупність статистичних і змістових доказів.
Особливо небезпечно багаторазово видаляти пункти на одній вибірці доти, доки модель не стане «гарною», а потім подавати фінальну структуру як наперед передбачену. Така процедура капіталізує випадковість конкретної вибірки. Модифіковану структуру варто перевіряти на нових даних або принаймні прозоро позначати її як постфактум розроблену.
Перехресні навантаження: коли один пункт пов’язаний із кількома факторами
Cross-loading означає, що один індикатор має ненульові навантаження більш ніж на один фактор. У EFA це нормальна частина досліджуваної матриці. У класичній independent-cluster CFA перехресні навантаження часто фіксують на нулі, але це є сильним припущенням, а не емпіричною гарантією.
Не існує універсальної різниці на кшталт «основне навантаження має бути щонайменше на 0,20 більшим за друге», яка б працювала для всіх конструкцій. Така різниця може бути заздалегідь визначеним робочим правилом у конкретному протоколі. Інтерпретація все одно залежить від теорії, факторних кореляцій, надійності оцінок, повторюваності патерну та того, чи очікується багатовимірний зміст пункту.
Малі, але систематичні перехресні навантаження можуть бути важливими. Якщо CFA примусово встановлює їх у нуль, частина спільної варіації може перейти в завищені факторні кореляції або інші параметри. Тому суперечність між EFA та надто «чистою» CFA-моделлю треба досліджувати, а не приховувати.
Навантаження і спільність — різні речі
Спільність (communality) описує частку дисперсії індикатора, яку спільно пояснює набір факторів у факторній моделі. В однофакторній стандартизованій моделі спільність тісно пов’язана з квадратом навантаження. У багатофакторній моделі, особливо з корельованими факторами, спільність не слід ототожнювати з квадратом одного найбільшого навантаження.
Саме тому пункт може мати помірні зв’язки з кількома факторами й водночас суттєву спільну дисперсію. Або навпаки: одне помітне навантаження не гарантує, що вся модель добре пояснює індикатор. Для EFA треба читати навантаження разом зі спільностями та патерном усієї матриці.
Навантаження і коефіцієнт кореляції — не завжди одне й те саме
У простих ортогональних розв’язках стандартизоване навантаження часто близьке за інтерпретацією до кореляції індикатора з фактором. Але в косокутній EFA pattern coefficient і structure coefficient відрізняються саме тому, що фактори корелюють. У CFA стандартизовані навантаження також залежать від конкретної параметризації та типу стандартизації.
Тому в методах дослідження треба вказувати, що саме наведено в таблиці: unstandardized estimate, standardized loading, pattern matrix, structure matrix чи інший параметр. Таблиця без цієї інформації ускладнює відтворення й правильне читання результату.
Навантаження, кореляція «пункт — загальний бал» і дискримінація пункту
Факторне навантаження не є тим самим, що corrected item-total correlation. Кореляція «пункт — загальний бал» залежить від способу формування загального бала та від інших пунктів шкали. Навантаження оцінюється всередині латентної моделі й має іншу статистичну основу.
Навантаження також не є автоматично тим самим, що параметр дискримінації в item response theory. Між моделями можуть існувати математичні зв’язки, але параметри залежать від обраної IRT-моделі, шкалювання латентної змінної та функції зв’язку. Переносити пороги з CFA на IRT-дискримінацію без перетворення не можна.
Дані Лайкерта, порядкові категорії та оцінювач
Пункти психологічних опитувальників часто мають порядкові відповіді: наприклад, від «ніколи» до «майже завжди». Якщо такі категорії обробляють як неперервні за умов, де це погано виправдано, оцінки навантажень і стандартних похибок можуть змінюватися. Дослідження Flora і Curran показало важливість методів, адаптованих до порядкових даних, зокрема підходів на основі поліхоричних кореляцій і робастного weighted least squares.
Тому один і той самий пункт може отримати різні числові навантаження залежно від того, чи модель оцінено як неперервну ML-модель, чи як категоріальну модель із WLSMV/DWLS-подібним оцінюванням. Це ще одна причина, чому універсальний поріг, відірваний від оцінювача й типу даних, є надто грубим правилом.
Навантаження і невизначеність оцінки
Факторне навантаження в публікації — це оцінка параметра за конкретною вибіркою, а не точне відоме число популяції. Воно має вибіркову невизначеність. Два дослідження можуть отримати 0,42 і 0,51 для того самого пункту через відмінності вибірок, розмірів N, складу популяції, моделі або випадкову похибку.
Саме тому MacCallum та співавтори пов’язували відновлення факторної структури з комунальностями та визначеністю факторів, а Wolf та співавтори показали у SEM, що потрібний розмір вибірки залежить від конфігурації параметрів. З практичного погляду корисно повідомляти стандартні похибки або довірчі інтервали, коли це дозволяє метод оцінювання, і перевіряти стабільність моделі в незалежних даних.
Дуже високі навантаження теж не є автоматичною перемогою
Інтуїтивно здається, що чим ближче навантаження до 1, тим краще. Для окремого добре підібраного індикатора велике навантаження справді може бути бажаним. Але якщо майже всі пункти мають екстремально високі навантаження і дуже подібний зміст, це може означати надмірну семантичну повторюваність: шкала кілька разів запитує майже те саме й звужує охоплення конструкта.
Окремий випадок — стандартизоване навантаження понад 1 або від’ємна залишкова дисперсія. Це може бути Heywood case, тобто ознака неприйнятного або проблемного розв’язку. Сучасний методологічний аналіз Heywood cases показує, що вони можуть проявлятися як спільність понад 1, від’ємна залишкова дисперсія або екстремальні параметри залежно від параметризації. Такий результат треба діагностувати, а не хвалити як «навантаження понад 100%».
Докладний розбір Heywood cases для факторних та IRT-моделей доступний у відкритій методологічній роботі Wang та співавторів. Серед можливих причин розглядають невдалу специфікацію, особливості вибірки, майже нульову залишкову дисперсію та проблеми оцінювання.
Факторне навантаження не дорівнює валідності
Навіть дуже високі й стабільні навантаження є доказом лише щодо певної частини внутрішньої структури. Структурна валідність оцінює, наскільки структура балів відповідає теоретичній будові конструкта, але валідність у ширшому сенсі потребує також доказів щодо змісту, процесу відповіді, зв’язків з іншими змінними та наслідків використання.
Саме такий багатоджерельний підхід закладено в Standards. COSMIN також розводить структурну валідність, внутрішню узгодженість, міжкультурну валідність/інваріантність, надійність, похибку вимірювання, критеріальну валідність і responsiveness як різні властивості або групи доказів. Одне навантаження не може замінити цю систему.
Факторне навантаження не дорівнює надійності
Навантаження впливають на те, як індикатори представляють латентний фактор, але не є самостійним коефіцієнтом надійності. Високі навантаження можуть сприяти високій модельній надійності, проте висновок про надійність потребує відповідної моделі та показника. Так само Cronbach’s alpha не можна використовувати як підтвердження того, що кожен пункт має достатнє навантаження або що шкала одновимірна.
Для конгенеричних моделей, де навантаження різні, модельні коефіцієнти надійності на кшталт omega часто краще відповідають структурі, ніж припущення про однакові внески пунктів. Але й omega не є заміною аналізу структури: спочатку треба мати змістовно й статистично обґрунтовану модель.
Факторні навантаження і культурна адаптація
Після перекладу тесту українською високі навантаження в одній вибірці не доводять, що адаптація завершена. Переклад може змінити семантичну складність, розподіл відповідей, локальні залежності та відношення пунктів до конструкта. Потрібні докази для цільової мовної й культурної популяції.
У міжгрупових моделях рівність навантажень входить до перевірки метричної measurement invariance. Але навіть успішна інваріантність не означає автоматичної відсутності всіх форм bias або справедливості тесту. Fairness потребує ширшого аналізу призначення, наслідків, доступності, групових відмінностей і потенційного differential item functioning.
Що робити досліднику замість механічного порога
Перед аналізом сформулюйте, що саме означатиме достатньо виразний зв’язок індикатора з фактором для вашого конструкта й призначення. Якщо використовуєте числовий поріг, назвіть його евристикою та поясніть походження. Не підміняйте цим рішенням змістову експертизу.
В EFA оцінюйте всю матрицю: основні й перехресні навантаження, спільності, факторні кореляції, метод обертання, число факторів і стабільність рішення. У CFA розглядайте стандартизовані й нестандартизовані параметри, стандартні похибки, залишкові дисперсії, глобальний і локальний fit, факторні кореляції та можливі ознаки misspecification.
Під час розроблення або адаптації шкали корисно спиратися на послідовність рішень, а не на один cutoff. Watkins описує EFA як процес із багатьма взаємозалежними рішеннями; COSMIN оцінює якість структурної валідності на рівні адекватності методів і результатів; Standards вимагають пов’язувати будь-які психометричні докази з конкретною інтерпретацією та використанням балів.
Як правильно звітувати факторні навантаження
Для EFA вкажіть вибірку, тип даних, кореляційну матрицю, метод виділення, спосіб визначення кількості факторів, обертання, чи дозволено кореляції факторів, яку саме матрицю навантажень наведено, правило відображення малих коефіцієнтів і спосіб роботи з cross-loadings. Не приховуйте коефіцієнти лише тому, що вони нижчі за зручний поріг, якщо це змінює зміст висновку.
Для CFA вкажіть специфікацію моделі, оцінювач, обґрунтування роботи з порядковими даними, спосіб ідентифікації, нестандартизовані та/або стандартизовані навантаження, їхню невизначеність, факторні кореляції, залишкові дисперсії та основні індекси відповідності. Якщо модель змінювали після перегляду modification indices, це слід описати прямо.
У статті або звіті не варто писати просто «усі навантаження були прийнятними». Краще показати діапазон, таблицю параметрів, правило інтерпретації та винятки. Читач має бачити дані, з яких зроблено висновок.
Типові помилки інтерпретації
Помилка 1: «0,40 — універсальна межа». Насправді це одна з поширених евристик, придатність якої залежить від задачі.
Помилка 2: «чим вище, тим завжди краще». Дуже високі навантаження можуть співіснувати з надмірною редундантністю, вузьким змістом або improper solution.
Помилка 3: «значуще навантаження = хороший пункт». Статистична значущість залежить від стандартної похибки та N і не оцінює змістову важливість.
Помилка 4: «низьке навантаження треба негайно видалити». Спершу потрібна діагностика змісту, кодування, даних, моделі й наслідків для content validity.
Помилка 5: «навантаження — це кореляція». Таке спрощення іноді працює у простих ортогональних ситуаціях, але ламається для косокутних EFA-рішень і різних стандартизацій CFA.
Помилка 6: «добрі навантаження доводять валідність тесту». Вони дають лише частину доказів щодо внутрішньої структури.
Помилка 7: «однаковий cutoff можна переносити між неперервними, порядковими, бінарними даними й різними оцінювачами». Параметри залежать від моделі та шкалювання.
Приклади читання навантажень
Приклад 1. У простій стандартизованій однофакторній CFA пункт має навантаження 0,70, а розв’язок є коректним. За стандартних умов квадрат 0,70 дорівнює 0,49, тому фактор пов’язаний приблизно з 49% дисперсії цього індикатора. Це не означає «49% валідності тесту».
Приклад 2. В EFA після косокутного обертання пункт має pattern loading 0,55 на фактор A і 0,32 на фактор B. Рішення залежить від змісту обох факторів, factor correlations, структури інших пунктів і того, чи є така багатовимірність теоретично очікуваною. Сам факт 0,32 не наказує видалити пункт.
Приклад 3. У CFA пункт має стандартизоване навантаження 0,35 з p < 0,001 у вибірці N = 3000. Низький p-value показує, що параметр статистично відрізняється від нуля за моделлю, але не робить зв’язок великим. Потрібно оцінити зміст, довірчий інтервал і роль пункту в усьому інструменті.
Приклад 4. Стандартизоване навантаження оцінено як 1,07, а залишкова дисперсія стала від’ємною. Це не «суперпункт», а сигнал про Heywood case або іншу проблему розв’язку, яку треба дослідити.
Факторне навантаження в клінічному та прикладному використанні
Факторне навантаження не є діагностичним cutoff. Воно не показує, чи «є» в людини депресія, тривожний розлад, СДУГ або інший стан. Навантаження описує параметр вимірювальної моделі на рівні індикаторів і факторів; клінічна діагностика потребує зовсім іншої процедури та джерел інформації.
Так само не можна брати пункт із високим навантаженням і використовувати його як самостійний скринінговий тест без окремих даних про його діагностичну точність. Sensitivity, specificity, PPV, NPV та ROC/AUC відповідають іншим питанням і залежать, зокрема, від intended population та base rate.
Короткий висновок
Факторне навантаження — один із найважливіших параметрів факторної моделі, але його сила саме в контексті. Воно показує, як індикатор пов’язаний із латентним фактором у конкретній моделі, за конкретних даних і конкретного способу оцінювання.
Найкраще питання звучить не «який loading хороший?», а «чи є ця величина, знак і патерн навантажень теоретично осмисленими, статистично стабільними та достатніми для тієї інтерпретації балів, яку ми хочемо робити?». Відповідь потребує всієї факторної структури, а не магічної цифри.
FAQ
Яке факторне навантаження вважається хорошим?
Універсальної межі немає. Значення 0,30, 0,40 або 0,50 часто використовують як робочі евристики, але рішення залежить від конструкта, моделі, типу даних, вибірки, перехресних навантажень, змісту пункту та мети вимірювання.
Чи достатньо навантаження 0,50?
Іноді 0,50 може бути цілком переконливим, а іноді — недостатнім для конкретної задачі. Потрібно оцінювати весь патерн параметрів і теоретичну роль індикатора, а не лише порівнювати одне число з cutoff.
Чи треба видаляти пункт із навантаженням нижче 0,40?
Ні, не автоматично. Спершу перевіряють змістову важливість, кодування, розподіл відповідей, можливі cross-loadings, спільність, тип оцінювача, якість моделі й наслідки видалення для охоплення конструкта.
Чи можна порівнювати навантаження в EFA і CFA напряму?
Обережно. EFA і CFA мають різну логіку специфікації, а в EFA результат додатково залежить від обертання. Перед порівнянням треба знати, чи стандартизовані коефіцієнти, яка матриця наведена та які обмеження має модель.
Що означає негативне факторне навантаження?
Воно означає протилежний напрям зв’язку індикатора з фактором. Це може бути очікувано для зворотно сформульованого змісту або орієнтації фактора. Неочікуваний знак потребує перевірки кодування й моделі.
Чи може стандартизоване навантаження бути більшим за 1?
Таке значення може з’явитися в оціненій моделі, але часто воно супроводжує Heywood case — наприклад, від’ємну залишкову дисперсію — і сигналізує про problem solution, яку треба діагностувати.
Чим факторне навантаження відрізняється від спільності?
Навантаження описує зв’язок індикатора з конкретним фактором. Спільність описує частку дисперсії індикатора, пов’язану з усім набором спільних факторів. У багатофакторних моделях це не одне й те саме.
Чи доводить велике факторне навантаження валідність тесту?
Ні. Воно може підтримувати певний аспект внутрішньої структури, але валідність потребує сукупності доказів для конкретної інтерпретації та використання балів.
Чи є статистично значуще навантаження практично важливим?
Не обов’язково. p-value відповідає питанню про сумісність параметра з нульовим значенням за моделлю. Практична величина зв’язку, стабільність і змістова значущість оцінюються окремо.
Пов’язані статті
Джерела
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Офіційна сторінка
Auerswald, M., & Moshagen, M. (2019). How to determine the number of factors to retain in exploratory factor analysis: A comparison of extraction methods under realistic conditions. Psychological Methods, 24(4), 468–491. https://doi.org/10.1037/met0000200
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. https://doi.org/10.1037/1082-989X.4.3.272
Flora, D. B., & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. https://doi.org/10.1037/1082-989X.9.4.466
MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. https://doi.org/10.1037/1082-989X.4.1.84
Mokkink, L. B., Elsman, E., & Terwee, C. B. (2024). COSMIN guideline for systematic reviews of Patient-Reported Outcome Measures version 2.0. Quality of Life Research. https://doi.org/10.1007/s11136-024-03761-6
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. https://doi.org/10.3389/fpsyg.2024.1494261
UCLA Statistical Methods and Data Analytics. A Practical Introduction to Factor Analysis: Exploratory Factor Analysis. Методичний матеріал
Wang, S., et al. (2023). Heywood Cases in Unidimensional Factor Models and Item Response Models for Binary Data. PubMed Central
Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246. https://doi.org/10.1177/0095798418771807
Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample Size Requirements for Structural Equation Models: An Evaluation of Power, Bias, and Solution Propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237