Факторний аналіз у психології: що це, для чого потрібен і як пов’язаний з латентними конструкціями
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Факторний аналіз — це сімейство статистичних методів, які пояснюють закономірності спільної варіації багатьох спостережуваних показників через меншу кількість прихованих, або латентних, факторів. У психології його застосовують, коли дослідник має десятки відповідей, завдань чи рейтингів і хоче з’ясувати, чи можна їхню структуру описати кількома змістовними вимірами: наприклад, тривожністю, самоконтролем, робочою пам’яттю або окремими компонентами складнішого конструкта.
Саме тому факторний аналіз є одним із центральних інструментів психометрії. Він пов’язує теоретичний психологічний конструкт із системою спостережуваних індикаторів і допомагає перевіряти, чи має набір пунктів ту внутрішню структуру, яку припускає теорія. У сучасних Standards for Educational and Psychological Testing внутрішня структура розглядається як одне з джерел доказів валідності інтерпретації тестових балів, а не як окремий «сертифікат якості» тесту. Standards for Educational and Psychological Testing прямо вбудовують аналіз внутрішньої структури у ширший валідизаційний аргумент.
Ключове розрізнення таке: факторний аналіз працює зі структурою зв’язків між показниками. Він може показати, що групи індикаторів поводяться так, ніби за ними стоять спільні латентні виміри, але статистичний фактор не перетворюється автоматично на психологічну «сутність». Його зміст визначають теорія, формулювання показників, дизайн дослідження, вибірка, модель і сукупність інших доказів.
Що таке факторний аналіз
У найзагальнішій формі факторна модель припускає, що кожен спостережуваний показник можна описати як поєднання внесків одного або кількох спільних факторів і специфічної частини, яку ці фактори не пояснюють. Умовно це записують так: xᵢ = λᵢ₁F₁ + … + λᵢₘFₘ + εᵢ. Тут xᵢ — спостережуваний показник, F — латентні фактори, λ — факторні навантаження, а ε — специфічна або залишкова частина.
Факторний аналіз працює передусім із коваріаціями або кореляціями між змінними. Якщо кілька пунктів стабільно змінюються разом, модель намагається описати цю спільність одним або кількома факторами. Такий підхід історично виріс із робіт Чарльза Спірмена, який у 1904 році аналізував кореляційну структуру розумових здібностей, а подальший розвиток багатофакторних моделей пов’язаний, зокрема, з Луїсом Терстоуном. Першоджерела Спірмена та Терстоуна показують, як від ранньої двофакторної логіки метод перейшов до ширших моделей кількох спільних факторів. Spearman, 1904; Thurstone, 1931.
Сучасний факторний аналіз значно ширший за історичні моделі інтелекту. Його використовують у дослідженнях особистості, симптомів, установок, мотивації, благополуччя, когнітивних здібностей, поведінки та багатьох інших психологічних характеристик. Методологічні огляди підкреслюють, що результат залежить від низки рішень: типу факторної моделі, способу оцінювання, кількості факторів, обертання, типу даних і характеристик вибірки. Schmitt, 2011; Goretzko, Pham & Bühner, 2021.
Для чого факторний аналіз потрібен у психології
Психологія часто вимірює те, що не можна безпосередньо побачити або зчитати одним сенсором. Людина може відповісти на запитання про свої думки, виконати серію завдань або бути оцінена спостерігачем, але самі поняття «тривожність», «екстраверсія» чи «виконавчий контроль» є теоретичними конструкціями. Детальніше цей перехід від поняття до вимірювання розглядає стаття про психологічний конструкт.
Факторний аналіз допомагає відповісти на кілька пов’язаних питань. Чи справді набір пунктів групується у передбачені виміри? Чи є шкала приблизно одновимірною або в ній виразно присутні кілька факторів? Чи мають окремі пункти сильний зв’язок зі своїм фактором? Чи з’являються небажані перехресні навантаження? Чи можна обґрунтовано інтерпретувати загальний бал або окремі підшкали? Ці питання безпосередньо стосуються внутрішньої структури вимірювання.
Огляд Rios і Wells описує внутрішню структуру як один із п’яти основних типів доказів валідності, передбачених Standards, поряд зі змістом тесту, процесами відповіді, зв’язками з іншими змінними та наслідками використання. Отже, факторний аналіз дає важливу, але локальну частину доказової картини. Rios & Wells, 2014.
Латентні конструкції та спостережувані показники
Латентна змінна — це змінна, яку модель не спостерігає безпосередньо. Спостережувані змінні — відповіді на пункти, результати завдань, рейтинги, часові показники або інші виміряні величини. У факторній моделі латентний фактор потрібен для пояснення закономірності їхньої спільної варіації. Це розрізнення докладно пояснює стаття «Латентні й спостережувані змінні».
Наприклад, дослідник створює шість пунктів про соціальну тривогу. Якщо відповіді на них корелюють, одна можлива модель припускає спільний латентний фактор. Якщо ж частина пунктів стосується страху оцінювання, а інша — тілесної напруги, дані можуть краще узгоджуватися з двома пов’язаними факторами. Факторний аналіз формалізує такі гіпотези, але зміст факторів не народжується з матриці кореляцій сам по собі: назви та інтерпретації повинні спиратися на теорію й зміст індикаторів.
Теоретичний статус латентних змінних є окремою методологічною проблемою. Borsboom, Mellenbergh і van Heerden показали, що інтерпретація латентних змінних містить онтологічні та причинні припущення, а модель міжіндивідуальних відмінностей не дає автоматичного права робити висновки про причинні процеси всередині конкретної людини. Borsboom, Mellenbergh & van Heerden, 2003. Тому фактор, виділений у групових даних, слід трактувати як параметр моделі вимірювання, а психологічну реальність конструкта обґрунтовувати ширшим набором доказів.
Експлораторний і конфірматорний факторний аналіз
Під назвою «факторний аналіз» у психології часто об’єднують дві логіки. Експлораторний факторний аналіз (EFA) використовують, коли дослідник вивчає можливу структуру: скільки факторів доцільно розглядати, які індикатори з ними пов’язані, чи є перехресні навантаження. Конфірматорний факторний аналіз (CFA) застосовують для перевірки заздалегідь сформульованої вимірювальної моделі: скільки факторів очікується, які індикатори належать кожному фактору, які зв’язки дозволені або обмежені.
Українське професійне вживання закріплює терміни «експлораторний факторний аналіз» і «конфірматорний факторний аналіз»; у частині текстів трапляються відповідно «розвідувальний» та «підтверджувальний». У цьому ХАБі канонічними назвами є EFA та CFA з формами «експлораторний» і «конфірматорний», оскільки вони точно відповідають сучасній методологічній термінології та реальному українському академічному вжитку.
Межа між EFA і CFA пов’язана не з тим, що один метод «добрий», а інший «суворий», а з роллю попередньої моделі. EFA залишає більше структури для дослідження даними; CFA накладає конкретні теоретичні обмеження і перевіряє їх. Методологічні огляди застерігають від механічного вибору процедури й радять узгоджувати її з реальним дослідницьким питанням. Fabrigar et al., 1999; Schmitt, 2011.
Факторний аналіз і PCA: споріднені інструменти з різними моделями
Аналіз головних компонентів (principal component analysis, PCA) часто з’являється поруч із факторним аналізом, але його мета інша. PCA формує компоненти, що стискають загальну спостережувану варіацію набору змінних. Спільна факторна модель намагається пояснити коваріацію індикаторів латентними факторами та відокремлює спільну частину від специфічної.
Для задачі суто зменшення розмірності PCA може бути корисним. Якщо ж дослідницьке питання стосується латентного психологічного конструкта та вимірювальної моделі, PCA не є автоматичною заміною common factor analysis. Класичний методологічний огляд Fabrigar та співавторів і сучасні рекомендації Watkins наголошують на важливості вибирати метод відповідно до мети, а не за звичкою програмного пакета. Fabrigar et al., 1999; Watkins, 2018.
Як працює факторна модель
Факторне навантаження
Факторне навантаження показує, наскільки сильно індикатор пов’язаний із фактором у межах конкретної моделі. Чим більша абсолютна величина навантаження, тим більше спільної інформації індикатора пов’язано з цим фактором за заданими припущеннями. Знак показує напрям зв’язку. Водночас універсальної межі на кшталт «0,40 завжди добре, 0,39 завжди погано» немає: рішення залежить від мети шкали, вибірки, кількості індикаторів, точності оцінки та змісту пункту.
Навантаження треба читати разом із довірчими інтервалами або стандартними похибками, структурою інших навантажень і теоретичною роллю індикатора. Статистична значущість сама по собі теж недостатня: у великій вибірці слабкий зв’язок може бути статистично відмінним від нуля, залишаючись малоінформативним для вимірювання.
Спільність і специфічна варіація
Спільність (communality) описує частку варіації індикатора, яку в межах факторної моделі пояснюють спільні фактори. Решта залишається специфічною для індикатора та включає унікальну варіацію і вимірювальну похибку. Низькі спільності можуть ускладнювати стабільне відновлення структури й збільшувати вимоги до даних. Саме тому правила розміру вибірки, що ігнорують спільності та силу факторів, часто працюють погано. MacCallum et al., 1999.
Перехресні навантаження
Перехресне навантаження виникає, коли індикатор суттєво пов’язаний із кількома факторами. Воно може сигналізувати про змістову складність пункту, погане формулювання, реальне перекриття конструктів або надто спрощену модель. Автоматичне видалення всіх таких пунктів може зробити шкалу статистично «чистішою», але змістово вузькою. Спочатку потрібно зрозуміти, яку саме психологічну інформацію несе індикатор.
Кореляції між факторами
У психології латентні виміри часто корелюють. Самоконтроль може бути пов’язаний із плануванням, різні форми тривоги — між собою, а підшкали особистості — з близькими рисами. Тому косокутні обертання в EFA або корельовані фактори в CFA часто є реалістичнішими за примусову ортогональність. Вибір незалежних факторів має бути теоретичним припущенням, а не автоматичним налаштуванням.
Головні рішення в експлораторному факторному аналізі
EFA не є однією кнопкою. Fabrigar та співавтори, а пізніше Goretzko, Pham і Bühner описують низку рішень, кожне з яких може змінити отриману структуру: підготовку даних, кореляційну матрицю, метод виділення, кількість факторів, обертання та спосіб інтерпретації. Fabrigar et al., 1999; Goretzko, Pham & Bühner, 2021.
1. Вибір матриці зв’язків
Для приблизно безперервних показників часто аналізують Pearson-кореляції. Для порядкових категоріальних відповідей, характерних для пунктів типу Лайкерта, можуть бути доречними поліхоричні кореляції та методи, розраховані на ordinal data. Вибір залежить від кількості категорій, їхніх розподілів, розміру вибірки та оцінювача; правило «п’ять категорій завжди можна вважати безперервною змінною» не є універсальним.
2. Вибір кількості факторів
Кількість факторів — одне з найважливіших рішень. Якщо залишити замало факторів, різні виміри штучно зливаються; якщо забагато — випадковий шум може отримати змістовні назви. Візуальний scree plot, паралельний аналіз, модельні критерії та теоретична інтерпретованість дають різні види інформації, тому сильне рішення зазвичай спирається на їхнє узгодження.
Паралельний аналіз порівнює спостережувані власні значення з тими, які очікуються у випадкових даних. Hayton, Allen і Scarpello описують його як один із найточніших методів утримання факторів у досліджених умовах. Для порядкових політномічних пунктів Timmerman і Lorenzo-Seva показали, що варіант паралельного аналізу на поліхоричних кореляціях може краще відповідати структурі таких даних, ніж механічне використання Pearson-кореляцій. Hayton, Allen & Scarpello, 2004; Timmerman & Lorenzo-Seva, 2011.
Критерій Kaiser «eigenvalue > 1» історично поширений, але його не варто використовувати як єдине правило. Сучасні методологічні огляди рекомендують поєднувати емпіричні критерії з теорією, якістю рішення та стабільністю структури. Goretzko, Pham & Bühner, 2021.
3. Метод виділення факторів
Методи на кшталт maximum likelihood, principal axis factoring або minimum residual мають різні припущення та статистичні властивості. Вибір залежить від типу даних, розподілу, мети й бажаного способу оцінювання невизначеності. Немає одного extraction method, який автоматично оптимальний для кожної психологічної шкали.
4. Обертання
Після виділення факторів EFA часто використовує обертання, щоб отримати структуру, яку легше інтерпретувати. Ортогональне обертання фіксує фактори як некорельовані. Косокутне дозволяє їм корелювати. Оскільки психологічні характеристики часто пов’язані, косокутна модель нерідко змістовно доречніша. Обертання змінює представлення факторного рішення, тому називати одну конкретну ротацію «істинною» без додаткових аргументів не варто.
Скільки учасників потрібно для факторного аналізу
Універсального мінімального N для факторного аналізу не існує. Так само немає загального правила «10 учасників на пункт», яке гарантує стабільну структуру в будь-якій ситуації. MacCallum, Widaman, Zhang і Hong показали, що потрібний розмір вибірки залежить від спільностей, кількості індикаторів на фактор, сили факторів та інших характеристик моделі. MacCallum et al., 1999.
На практиці слабкі навантаження, низькі спільності, складна багатофакторна структура, мало індикаторів на фактор, рідкі категорії відповідей та пропуски зазвичай підвищують вимоги до вибірки. Сильні, добре визначені фактори можуть відновлюватися стабільніше. Найкраща стратегія — планувати вибірку під конкретну модель і потрібну точність, а не під магічне число.
Для CFA до цього додаються питання ідентифікації, точності параметрів, потужності для виявлення невідповідності та поведінки глобальних fit-індексів. Тому окрема сторінка про CFA розглядає планування підтверджувальної моделі докладніше.
Пункти Лайкерта і порядкові дані
Відповіді «ніколи — рідко — іноді — часто — завжди» є порядковими категоріями. Відстань між сусідніми відповідями не обов’язково однакова, хоча в прикладних аналізах такі пункти нерідко наближено трактують як безперервні. Якість цього наближення залежить від числа категорій, асиметрії, розміру вибірки та конкретного методу оцінювання.
Для виразно порядкових або сильно асиметричних пунктів факторний аналіз може спиратися на поліхоричні кореляції та категоріальні оцінювачі. У дослідженні Timmerman і Lorenzo-Seva показано, що спосіб побудови паралельного аналізу має значення саме для ordered polytomous items. Timmerman & Lorenzo-Seva, 2011. Це один із прикладів ширшого правила: математична форма даних є частиною вимірювальної моделі, а не технічною дрібницею.
Факторна структура і структурна валідність
Якщо тест претендує на певну внутрішню будову, факторний аналіз може дати докази щодо структурної валідності: наскільки структура взаємозв’язків між пунктами відповідає передбаченій будові конструкта. У COSMIN структурна валідність виділена як окрема властивість вимірювання, а CFA посідає центральне місце в оцінюванні заздалегідь заданої структури. COSMIN Manual Version 2.0.
Водночас добрий факторний результат не вичерпує валідність. Шкала може мати акуратну внутрішню структуру, але недостатньо покривати зміст конструкта, працювати інакше в іншій популяції або не підтримувати потрібне практичне рішення. Standards і сучасна валідизаційна рамка вимагають збирати різні джерела доказів для конкретної інтерпретації та використання балів. Standards; Rios & Wells, 2014.
Надійність, внутрішня узгодженість і факторна структура
Факторний аналіз відповідає на питання про структуру, а коефіцієнти надійності — про інші властивості балів за конкретних припущень. Висока внутрішня узгодженість не доводить одновимірності. Набір пунктів із кількома корельованими факторами також може мати високе значення α Кронбаха. Тому послідовність «альфа висока — отже один фактор — отже тест валідний» методологічно помилкова.
COSMIN прямо розділяє structural validity та internal consistency як різні measurement properties, а оцінювання внутрішньої узгодженості має спиратися на обґрунтовану структуру шкали. COSMIN Manual Version 2.0. Отже, факторний аналіз і показники внутрішньої узгодженості доповнюють один одного, але не замінюють.
Що факторний аналіз не доводить
Факторне рішення не доводить, що психологічний конструкт існує саме в тому вигляді, у якому його назвав дослідник. Алгоритм працює з математичною структурою даних; змістове тлумачення виникає з поєднання теорії, операціоналізації, вибірки та інших доказів.
Високе навантаження не доводить, що пункт «чисто» вимірює тільки один психологічний процес. Воно означає сильний модельний зв’язок із фактором у конкретній структурі. Перехресний зміст, методичні ефекти, подібність формулювань або спільний контекст відповіді можуть створювати додаткову коваріацію.
Однофакторне рішення не означає, що кожен індивідуальний випадок має один внутрішній психологічний механізм. Факторний аналіз зазвичай описує структуру міжіндивідуальних відмінностей у вибірці. Borsboom та співавтори окремо підкреслювали, що з таких моделей не випливає автоматичний висновок про процеси на рівні окремої людини. Borsboom et al., 2003.
Факторний аналіз також не є діагностичною процедурою. Він не встановлює психічний розлад у конкретної людини й не перетворює бал шкали на клінічний діагноз. Скринінг, assessment і diagnosis мають різні цілі, а діагностичні висновки потребують відповідної клінічної процедури, контексту та доказів для конкретного використання інструмента.
Культурна адаптація, мова і вимірювальна еквівалентність
Переклад психологічного тесту українською не гарантує, що його факторна структура збережеться. Навіть точний мовний переклад може змінити семантичні відтінки, частоту досвіду, спосіб використання категорій відповіді або психологічний контекст пунктів. Тому адаптація психологічних тестів включає емпіричну перевірку в цільовій популяції.
International Test Commission розглядає адаптацію як процес, ширший за переклад, і вимагає накопичувати докази еквівалентності конструкта, методу та пунктів у цільових мовних і культурних контекстах. ITC Guidelines for Translating and Adapting Tests. Тому наявність українського тексту опитувальника сама по собі не є доказом валідованої української версії.
Для порівняння груп або мовних версій часто перевіряють вимірювальну інваріантність у межах CFA або споріднених моделей. Навіть підтримана інваріантність відповідає конкретному набору статистичних припущень і не є автоматичним доказом повної відсутності bias чи соціальної несправедливості. Навпаки, локальна неінваріантність є сигналом для змістового та методичного аналізу, а не готовим вироком тесту.
Факторні бали: корисні оцінки, а не пряме читання прихованої риси
Після оцінювання факторної моделі іноді обчислюють factor scores — оцінки положення окремих учасників на латентних факторах. Важливо пам’ятати, що ці значення є модельно залежними оцінками. У EFA факторні бали можуть бути невизначеними в тому сенсі, що одна й та сама коваріаційна структура не завжди задає єдиний індивідуальний набір латентних значень.
Тому factor score не слід подавати як безпосередньо виміряну «кількість тривожності» чи «точний рівень емпатії». Для індивідуальних інтерпретацій потрібні дані про точність, валідність, нормативну базу, цільову популяцію та допустимий спосіб використання. Результат статистичної моделі й практичне рішення щодо людини належать до різних рівнів доказової аргументації.
Типові помилки під час факторного аналізу
Вибір методу за налаштуванням програми
Стандартна кнопка статистичного пакета може запускати PCA, ортогональне обертання або застарілий критерій кількості компонентів. Це не означає, що така комбінація відповідає дослідницькій меті. Метод треба обирати до інтерпретації результату і пояснювати у звіті.
Механічний критерій «eigenvalue > 1»
Власне значення більше одиниці може бути одним із діагностичних сигналів, але як єдине правило воно здатне як завищувати, так і занижувати кількість факторів. Сучасні рекомендації віддають перевагу більш обґрунтованому поєднанню паралельного аналізу, scree plot, теорії та якості рішення. Goretzko, Pham & Bühner, 2021.
Видалення пунктів лише за одним числом
Пункт із нижчим навантаженням може покривати важливу ділянку змісту конструкта. Пункт із високим навантаженням може бути надмірно дубльованим або вузьким. Рішення про збереження індикатора повинно поєднувати статистичні властивості зі змістовою валідністю, зрозумілістю, функціонуванням у різних групах і призначенням шкали.
Пошук структури і підтвердження на тих самих даних
Якщо дослідник багаторазово змінює факторну структуру на одній вибірці, а потім називає остаточну модель «підтвердженою» тими самими даними, невизначеність істотно недооцінюється. Сильніший дизайн розділяє експлораторний та підтверджувальний етапи або принаймні прозоро позначає постфактум-рішення та перевіряє їх на нових даних.
Найменування факторів за одним-двома пунктами
Назва фактора має відображати зміст усього патерну індикаторів, а не найбільш яскравого формулювання. Два статистично подібні рішення можуть отримати зовсім різні психологічні інтерпретації, якщо автори ігнорують теоретичний контекст. Реплікація структури й передбачувані зв’язки з іншими змінними допомагають перевірити, чи назва фактора має зміст поза конкретною матрицею даних.
Ототожнення доброго fit із валідністю
У CFA привабливо звести висновок до кількох індексів відповідності. Проте глобальний fit, локальна відповідність, параметри, зміст моделі, альтернативні моделі та зовнішні джерела валідизації відповідають на різні питання. Структурно правдоподібна модель є важливою частиною доказів, але не завершеним доказом коректності всіх інтерпретацій тесту.
Як читати факторний аналіз у науковій статті
Спочатку з’ясуйте, яке питання ставили автори: досліджували структуру чи перевіряли заздалегідь задану модель. Далі перевірте, який тип даних аналізували, яку кореляційну матрицю та оцінювач використали, як визначали кількість факторів, який спосіб обертання обрали та чи дозволяли факторам корелювати. Ці рішення часто важливіші за красиву фінальну таблицю навантажень.
Потім подивіться на факторні навантаження, перехресні навантаження, спільності, кореляції факторів і стабільність рішення. Для CFA додайте глобальні й локальні показники відповідності, стандартні похибки, неприйнятні параметри та спосіб роботи з категоріальними даними й пропусками. Для EFA зверніть увагу, чи кількість факторів визначали сучасними методами, а не одним автоматичним правилом.
Нарешті, оцініть реплікацію та зміст. Чи перевіряли структуру на незалежній вибірці? Чи відповідають фактори теорії? Чи зберігається модель у релевантних групах? Чи є інші докази валідності? Watkins наголошує, що EFA має цінність тоді, коли факторне рішення не лише математично прийнятне, а й змістовно інтерпретоване та перевірене. Watkins, 2018.
Практичні наслідки для розробки психологічного тесту
У розробці нового інструмента факторний аналіз входить у довший цикл. Спочатку визначають конструкт і його змістову область, створюють та рецензують пункти, проводять пілотування, аналізують відповіді, а потім досліджують латентну структуру. Якщо структура ще не встановлена, EFA може допомогти сформувати емпірично правдоподібну модель. Наступний етап — перевірити її CFA на незалежних даних і далі накопичувати інші види валідизаційних доказів.
Цей цикл не означає, що кожен тест мусить пройти один і той самий ритуал. Дизайн залежить від intended use, популяції, формату індикаторів, наявної теорії та наслідків рішень. Методологічна якість виникає з узгодженості між питанням, моделлю, даними та інтерпретацією.
У клінічних і прикладних контекстах факторна структура допомагає зрозуміти, які бали інструмента можна інтерпретувати, але сама не визначає діагноз, лікування або індивідуальну норму. Для таких рішень потрібні відповідні норми, надійність, похибка вимірювання, валідність для цільової популяції та чітке intended use. Вимірювальна модель задає форму балів; клінічне значення балів потребує окремого обґрунтування.
Науковий статус факторного аналізу
Факторний аналіз є усталеним класом статистичних методів із понад столітньою історією та великим методологічним корпусом. Його застосування в психометрії добре обґрунтоване, коли дослідницьке питання справді стосується латентної структури або внутрішньої будови вимірювання. Основні принципи — відмінність EFA і CFA, залежність рішення від моделі та даних, важливість обґрунтованого вибору кількості факторів, а також включення внутрішньої структури у ширший валідизаційний аргумент — належать до established evidence.
Водночас окремі практичні пороги та алгоритмічні правила залежать від умов і продовжують розвиватися. Розмір вибірки, вибір оцінювача для категоріальних даних, критерії retention та поведінка fit-індексів не зводяться до однієї універсальної таблиці. Тут доречні модельно й контекстно специфічні рішення, а рекомендації слід читати в межах умов, у яких вони були отримані. Goretzko, Pham & Bühner, 2021; Schmitt, 2011.
FAQ
Чим факторний аналіз відрізняється від кореляційного аналізу?
Кореляція описує зв’язок між двома змінними. Факторний аналіз використовує цілу матрицю зв’язків між багатьма індикаторами й намагається пояснити їхню спільну структуру меншою кількістю латентних факторів. Кореляції є вхідною інформацією; факторна модель є структурним поясненням патерну коваріації.
Що краще — EFA чи CFA?
Вони відповідають на різні питання. EFA доречний, коли структуру досліджують і не хочуть наперед жорстко фіксувати всі навантаження. CFA потрібен, коли є конкретна теоретична модель, яку перевіряють. У розробці шкали ці методи часто виконують послідовні, а не взаємозамінні ролі.
Чи можна факторним аналізом довести, що тест валідний?
Ні. Факторний аналіз дає докази щодо внутрішньої структури та може підтримувати structural validity, але валідність інтерпретації балів потребує ширшого корпусу доказів: змісту, процесів відповіді, зв’язків з іншими змінними, наслідків використання та відповідності конкретній популяції й меті. Standards.
Чи є навантаження 0,40 універсальною межею?
Ні. Пороги на кшталт 0,30, 0,40 або 0,50 можуть бути робочими орієнтирами в окремих контекстах, але їх не можна перетворювати на універсальний закон. Важливі точність оцінки, кількість індикаторів, величина перехресних навантажень, мета тесту та зміст пункту.
Скільки факторів треба залишити?
Кількість факторів визначають за сукупністю доказів. Паралельний аналіз є сильним сучасним інструментом, scree plot дає візуальний сигнал, а теорія та інтерпретованість допомагають оцінити зміст рішення. Одного автоматичного правила достатньо рідко. Hayton, Allen & Scarpello, 2004.
Чи можна застосовувати факторний аналіз до пунктів Лайкерта?
Так, але потрібно враховувати, що такі відповіді є порядковими. За певних умов їх наближено аналізують як безперервні; в інших умовах краще використовувати поліхоричні кореляції та категоріальні методи оцінювання. Вибір має відповідати числу категорій, розподілам, вибірці та моделі.
Чи PCA є факторним аналізом?
У прикладній практиці PCA часто стоїть поруч із факторним аналізом, але математична мета інша. PCA стискає загальну варіацію у компоненти, тоді як common factor analysis моделює спільну варіацію через латентні фактори. Для задачі вимірювання психологічного конструкта цю різницю потрібно враховувати.
Чи висока α Кронбаха означає один фактор?
Ні. Внутрішня узгодженість і факторна структура — різні властивості. Кілька корельованих факторів можуть давати високу α. Одновимірність треба оцінювати через відповідну структурну модель, а не виводити з одного коефіцієнта.
Чи може факторний аналіз поставити діагноз?
Ні. Факторний аналіз — метод дослідження структури даних і вимірювальних моделей. Він не є клінічним діагностичним інструментом і не визначає наявність або відсутність розладу в окремої людини.