Dlaczego opis analizy czynnikowej naprawdę ma znaczenie
Osoba czytająca część „Wyniki” szuka odpowiedzi na jedno pytanie: czy struktura czynnikowa, którą prezentujesz, rzeczywiście coś mówi o badanym konstrukcie, czy jest tylko efektem ubocznym żonglowania algorytmami. Analiza czynnikowa ma być narzędziem uzasadniającym kształt skali, a nie dekoracją statystyczną, którą „wypada mieć”.
Z perspektywy recenzenta liczą się trzy rzeczy: przejrzystość, spójność z teorią oraz uczciwość w pokazywaniu ograniczeń. Samo wstawienie tabeli ładunków czynnikowych z kilkoma zdaniami o wariancji wyjaśnionej zwykle nie wystarczy. Krytyczna lektura zaczyna się tam, gdzie autor tłumaczy, dlaczego wybrał taką, a nie inną liczbę czynników, próg ładunków czy typ rotacji, i jak te decyzje wpływają na interpretację skali.
Różnica między pokazaniem tabeli ładunków a rzeczywistą interpretacją polega na tym, że w tym drugim przypadku prowadzisz czytelnika krok po kroku: od wyników technicznych (ładunki, wariancja, rotacja), przez sensowne nazwanie czynników, aż po wnioski psychometryczne i praktyczne. Tabela to tylko punkt wyjścia – sednem jest opis, który łączy dane liczbowo z treścią pozycji i teorią.
Są też sytuacje, kiedy szczegółowe raportowanie analizy czynnikowej mija się z celem. Jeśli analiza była jedynie wstępnym, roboczym testem kilku pozycji, a ostatecznie zrezygnowano z konstruktu lub przyjęto inny model na podstawie silnych przesłanek teoretycznych, lepiej wskazać to krótko w metodach lub dodatkach, niż rozpisywać się na pół strony o strukturze, która nie ma znaczenia dla głównego argumentu pracy.
Źródło: Pexels | Autor: www.kaboompics.com
Porządek w pojęciach: EFA, CFA, PCA i relacja czynników do skal
Eksploracyjna vs konfirmacyjna analiza czynnikowa
Exploratory Factor Analysis (EFA) służy do odkrywania struktury czynnikowej, gdy nie masz jeszcze ostatecznego, sztywnego modelu. Pytania badawcze brzmią wtedy raczej: „Ile czynników opisuje odpowiedzi?”, „Jakie pozycje łączą się w spójne grupy?”, „Czy struktura zbliża się do założeń narzędzia?”. W EFA akceptowane są decyzje oparte na kombinacji kryteriów statystycznych i interpretowalności.
Confirmatory Factor Analysis (CFA) odpowiada na inne pytania: „Czy z góry założony model, wyprowadzony z teorii lub wcześniejszych badań, pasuje do danych?”, „Na ile dobrze?”. Tu testujesz konkretny układ czynników, przypisanie pozycji oraz powiązania między czynnikami. W opisie wyników akcent przesuwa się z ładunków i wariancji na indeksy dopasowania modelu (CFI, TLI, RMSEA, SRMR itp.).
W raportowaniu dobrze jest wprost nazwać, który typ analizy został użyty. Dla EFA kluczowe jest: metoda ekstrakcji, liczba czynników, rotacja, ładunki, wariancja wyjaśniona, decyzje o pozostawieniu/odrzuceniu pozycji. Dla CFA: specyfikacja modelu, miary dopasowania, modyfikacje modelu (jeśli były), stabilność struktury.
Dlaczego PCA to nie to samo co „prawdziwa” analiza czynnikowa
Analiza głównych składowych (PCA) maksymalizuje wariancję wyjaśnianą przez kolejne składowe. Nie zakłada odrębnej „warstwy” zmiennych latentnych; traktuje wariancję wspólną i unikatową łącznie. Analiza czynnikowa (FA) modeluje natomiast zmienne ukryte, a część wariancji traktuje jako błąd lub składnik specyficzny dla pozycji.
W praktyce publikacyjnej PCA bywa używana jako uproszczony substytut EFA, szczególnie w psychologii czy naukach o zdrowiu. To podejście ma sens głównie wtedy, gdy interesuje Cię redukcja wymiarów bez silnych założeń o strukturze latentnej albo gdy PCA jest tylko krokiem technicznym (np. budowa indeksu z wielu silnie skorelowanych wskaźników). Jeśli jednak celem jest weryfikacja konstruktu teoretycznego i argumentowanie, że skala mierzy konkretne czynniki, lepszą podstawę stanowi klasyczna EFA/CFA.
Przy PCA sposób raportowania warto lekko zmodyfikować. Zamiast pisać ogólnie o „czynnikach”, lepiej użyć określeń „składowe”, „komponenty” i jasno powiedzieć, że zastosowano PCA, a nie EFA. Pozwala to uniknąć nieporozumień, w których recenzent spodziewa się klasycznego modelu czynnikowego, a dostaje de facto narzędzie redukcji danych.
Czynnik statystyczny a skonstruowana skala
Czynnik z analizy statystycznej i gotowa skala, którą raportujesz, nie muszą być tożsame. Zdarza się, że:
czynnik z EFA obejmuje zbyt mało pozycji, żeby tworzyć użyteczną skalę,
pozycja ma przyzwoity ładunek, ale jest konceptualnie niepasująca do reszty pozycji w czynniku,
pozycja ma umiarkowany ładunek, ale pełni ważną rolę treściową (np. odzwierciedla skrajny lub rzadki aspekt konstruktu).
Poprawny opis wyników uwzględnia ten rozdźwięk: pokazujesz strukturę czynnikową, ale osobno uzasadniasz, jak z niej zbudowano skale użyte w dalszej analizie. Nie każdy czynnik musi przełożyć się na odrębną podskalę, a nie każda podskala musi pokrywać się 1:1 z czynnikiem z EFA.
Przykładowa formuła opisu w części „Metody”
Krótki, konkretny opis procedury, który później „zgrywa się” z wynikami, może wyglądać np. tak:
„Strukturę narzędzia zweryfikowano za pomocą eksploracyjnej analizy czynnikowej (EFA) z ekstrakcją metodą głównych czynników (principal axis factoring). Liczbę czynników określono w oparciu o analizę równoległą, wykres osypiska oraz interpretowalność teoretyczną. Zastosowano rotację ukośną (oblimin), zakładając współzależność wymiarów konstruktu.”
Taki zapis od razu komunikuje typ analizy, metodę ekstrakcji, sposób wyboru liczby czynników i rodzaj rotacji – i przygotowuje czytelnika na to, czego powinien oczekiwać w sekcji wynikowej.
Wybór liczby czynników i jak o nim sensownie napisać
Najczęstsze kryteria wyznaczania liczby czynników
W praktyce używa się kilku standardowych kryteriów, które dobrze jest zgrabnie połączyć w opisie:
Wartości własne > 1 (kryterium Kaisera) – intuicyjnie proste, ale często zbyt „hojne”.
Wykres osypiska – liczba czynników odpowiada „złamaniu” krzywej.
Analiza równoległa – porównuje wartości własne z danymi losowymi, zwykle bardziej konserwatywna i rekomendowana.
Interpretowalność i sensowność teoretyczna – czy otrzymane czynniki mają spójną treść, czy da się je nazwać w zgodzie z literaturą.
Dobry opis wyników nie sprowadza się do pojedynczego kryterium, lecz pokazuje, jak te wskaźniki zagrały razem i jaki kompromis przyjęto. Recenzent oczekuje krótkiej historii: „sprawdziliśmy kilka opcji, zestawiliśmy liczby z teorią i wybraliśmy rozwiązanie, które ma sens psychometryczny i merytoryczny”.
Kiedy zasada „eigenvalue > 1” zawodzi
Popularna, ale uproszczona rada brzmi: „bierzemy wszystkie czynniki o wartości własnej powyżej 1”. Problem w tym, że:
przy dużej liczbie pozycji kryterium to potrafi sugerować bardzo wiele czynników, z których część ma wątłe wsparcie w strukturze ładunków,
przy małych próbkach jest niestabilne i wrażliwe na fluktuacje danych,
ignoruje aspekt interpretowalności – nie mówi nic o spójności treści pozycji w czynniku.
Typowa pułapka: w narzędziu teoretycznie dwuczynnikowym kryterium Kaisera „domaga się” czterech–pięciu czynników. Jeśli bezrefleksyjnie przyjmiesz tę liczbę, tabela ładunków stanie się nieczytelna, a nazwy czynników będą sztucznie wydumane. Z perspektywy recenzenta to sygnał, że autor podąża za algorytmem zamiast za sensownym modelem konstruktu.
Łączenie kryteriów statystycznych z teorią narzędzia
Kluczowy krok interpretacyjny polega na połączeniu wskaźników technicznych z założeniami narzędzia i celem badania. Kilka praktycznych zasad:
Jeśli analiza równoległa i wykres osypiska sugerują mniejszą liczbę czynników niż kryterium Kaisera, zwykle lepiej zaufać tym pierwszym, a „nadmiarowe” czynniki potraktować jako szum.
Jeśli teoria i wcześniejsze badania wskazują konkretne rozwiązanie (np. trzy czynniki), a analiza daje podobny, choć nie identyczny obraz, możesz przyjąć model teoretyczny, pod warunkiem, że uzasadnisz to strukturą ładunków i spójnością treściową.
Jeśli celem jest czysto eksploracyjne szukanie nowych wymiarów, możesz pozwolić sobie na odrobinę większą liczbę czynników, ale z zastrzeżeniem, że część z nich ma charakter wstępny i wymaga dalszej weryfikacji.
Opis słowny powinien wyraźnie pokazać ten sposób myślenia – wtedy recenzent widzi, że liczba czynników nie jest przypadkowa, nawet jeśli wybór nie jest „jednoznaczny” na poziomie samych wskaźników statystycznych.
Przykładowe warianty opisu wyboru liczby czynników
Wariant konserwatywny (silne oparcie w teorii)
„Zgodnie z założeniami teoretycznymi oczekiwano trzyczynnikowej struktury skali. Analiza równoległa oraz wykres osypiska wskazały na trzy wyraźnie wyodrębnione czynniki. Choć kryterium Kaisera (wartości własne > 1) sugerowało dodatkowy, czwarty czynnik, jego interpretacja była niejednoznaczna (nieliczne, rozproszone ładunki), dlatego przyjęto rozwiązanie trójczynnikowe.”
Wariant eksploracyjny (bardziej otwarty na dane)
„Analiza równoległa i kryterium wartości własnych > 1 wskazywały na cztero–pięcioczynnikową strukturę danych. W kolejnych rozwiązaniach porównywano interpretowalność czynników oraz spójność treści pozycji. Najlepszy kompromis uzyskano dla modelu czteroczynnikowego: każdy z czynników obejmował co najmniej cztery pozycje o wysokich ładunkach oraz jednolitym profilu treściowym.”
Wariant kompromisowy (mieszanka statystyki i teorii)
„Wstępne analizy (kryterium Kaisera, wykres osypiska) sugerowały od trzech do pięciu czynników. Model pięcioczynnikowy okazał się trudny do interpretacji, z dwoma czynnikami o nielicznych i rozproszonych ładunkach. Model trójczynnikowy lepiej wpisywał się w dotychczasowe ujęcia badanego konstruktu, jednak grupował część pozycji w bardzo szerokie, heterogeniczne czynniki. Ostatecznie przyjęto model czteroczynnikowy jako najlepiej godzący wymagania statystyczne (ładunki > 0,40, brak wyraźnych ładunków krzyżowych) z założeniami teoretycznymi.”
Jakie progi ładunków stosować i od czego je uzależnić
Nie istnieje jeden „święty” próg ładunków czynnikowych, ale kilka konwencji, które trzeba dobrać do kontekstu:
0,30 – dolna granica dla badań eksploracyjnych, małych prób lub wczesnych etapów budowy skali; sygnał raczej słabego powiązania pozycji z czynnikiem.
0,40 – często stosowany kompromis: ładunki średniej siły, zwykle wystarczające do praktycznej interpretacji.
0,50 i wyżej – mocniejsze powiązania, pożądane zwłaszcza przy większych próbach i skalach stosowanych w ważnych decyzjach (np. diagnoza kliniczna, selekcja).
Siła ładunków zależy też od wielkości próby. Przy małych próbach (np. 150–200 osób) nawet ładunki około 0,30 mogą być niestabilne, więc zamiast ślepo z nich korzystać, lepiej wyraźnie zaznaczyć eksploracyjny charakter analizy i konieczność replikacji. Przy dużych próbach oczekuje się wyraźniejszych ładunków, bo przypadkowe korelacje mają mniejsze znaczenie.
Dlaczego „im większe, tym lepsze” bywa pułapką
Odruchowa preferencja dla największych możliwych ładunków bywa szkodliwa z dwóch powodów:
można „wyczyścić” skalę do zestawu bardzo podobnych pozycji, które świetnie ładują na jednym czynniku, ale zawężają zakres treści (redukcja trafności treściowej),
czasem pozycja o umiarkowanym ładunku wnosi unikalny aspekt konstruktu – usuwając ją wyłącznie z powodów czysto statystycznych, zubażasz sens skali.
Opis wyników powinien to odzwierciedlać. Zamiast pisać tylko: „pozostawiono pozycje o ładunkach > 0,50”, lepiej dodać wyjaśnienie, dlaczego niektóre pozycje z nieco niższymi ładunkami zostały zachowane (np. ze względu na istotne znaczenie treściowe lub zgodność z wcześniejszymi wersjami narzędzia).
Ładunki krzyżowe: kiedy są problemem, a kiedy sygnałem złożoności konstruktu
W większości podręczników ładunki krzyżowe (pozycje wysoko ładujące na więcej niż jednym czynniku) traktuje się jako coś, co trzeba jak najszybciej „wyczyścić”. Taka strategia ma sens, jeśli celem jest przejrzysta, jednowymiarowa podskala, ale bywa zbyt agresywna przy złożonych konstruktach.
Praktyczny punkt wyjścia:
za ładunek krzyżowy można uznać sytuację, gdy różnica między dwoma największymi ładunkami < 0,20,
jeśli pozycja ma ładunek np. 0,60 na jednym czynniku i 0,35 na innym, część badaczy pozostawi ją w głównym czynniku, o ile interpretacja jest spójna.
Decyzja nie sprowadza się do suchego progu. Kluczowe pytania:
czy treść pozycji rzeczywiście łączy dwie dziedziny (np. lęk i unikanie), czy to raczej artefakt sformułowania?
czy usunięcie pozycji nie uszczupli ważnego fragmentu konstruktu?
czy liczba pozycji w czynnikach pozostanie po takiej eliminacji wystarczająca?
Opis wyników dobrze, jeśli odsłania ten namysł. Zamiast lakonicznego: „usunięto pozycje z ładunkami krzyżowymi > 0,30”, bardziej użyteczne jest sformułowanie w rodzaju: „pozycje z ładunkami krzyżowymi, których różnica była mniejsza niż 0,20, analizowano indywidualnie pod kątem treści. Usunięto te, które dublowały inne pozycje lub zacierały rozróżnienie między wymiarami, natomiast zachowano pozycje odzwierciedlające naturalne powiązania między czynnikami (np. między pobudzeniem a drażliwością).”
Jak zorganizować tabelę ładunków, żeby była czytelna
Ta sama macierz ładunków może wyglądać jak gęsty „szum” albo jak klarowna mapa konstruktu – różnica leży w sposobie prezentacji. Kilka prostych zabiegów robi dużą robotę:
Sortowanie pozycji w obrębie czynników – pozycje uporządkowane według wysokości ładunku w kolumnie pokazują „rdzeń” i „peryferie” czynnika.
Ukrycie małych ładunków – można w tabeli pokazywać tylko ładunki ≥ 0,30 lub ≥ 0,40, pozostałe zastępując myślnikiem. Ułatwia to wychwycenie struktury.
Grupowanie pozycji tematycznie – jeśli w jednym czynniku są pozycje dotyczące np. regulacji emocji i ekspresji emocji, można rozdzielić je pogrubionymi nagłówkami w tabeli.
Wyraźne oznaczenie czynnika dominującego – pogrubienie największego ładunku w wierszu ułatwia szybkie skanowanie.
Opis w tekście powinien sygnalizować, jak czytać tabelę: „W Tabeli 2 zaprezentowano ładunki czynnikowe ≥ 0,40 po rotacji oblimin. Dla przejrzystości pogrubiono najwyższy ładunek dla każdej pozycji, a ładunki < 0,30 pominięto.”
Co zrobić z pozycjami „problemowymi” i jak o tym napisać
W niemal każdej analizie znajdzie się kilka pozycji, które:
mają niskie ładunki we wszystkich czynnikach,
ładują głównie na „śmieciowy” czynnik z 2–3 pozycjami,
mają sens kliniczny lub praktyczny, ale słabo wpisują się w strukturę statystyczną.
Zamiast maskować ten fakt, lepiej otwarcie opisać, jakie kryteria przyjęto. Przykładowa formuła:
„Usunięto cztery pozycje, które nie osiągnęły ładunku ≥ 0,30 w żadnym z czynników lub tworzyły osobny czynnik złożony z dwóch pozycji o rozproszonym profilu treści. Zachowano natomiast trzy pozycje o umiarkowanych ładunkach (0,30–0,35), które odzwierciedlały ważny klinicznie aspekt konstruktu (objawy rzadziej występujące, ale istotne diagnostycznie).”
Taki opis pokazuje, że decyzje nie były czysto „mechaniczne” i że autor świadomie bilansuje kryteria statystyczne z trafnością treściową.
Źródło: Pexels | Autor: RDNE Stock project
Interpretacja wariancji wyjaśnionej: liczby z komentarzem
Jakie wskaźniki wariancji raportować
Najczęściej raportuje się trzy zestawy informacji:
wartości własne poszczególnych czynników (przed i/lub po ekstrakcji),
procent wariancji wyjaśnionej przez każdy czynnik osobno,
łącznie wyjaśnioną wariancję przez wszystkie zachowane czynniki.
W tabeli można podać osobne kolumny dla rozwiązania przed rotacją i po rotacji, zaznaczając, że interpretacja czynników odbywa się na bazie struktury po rotacji, natomiast wybór liczby czynników często opiera się na wartościach własnych sprzed rotacji.
Krótki, funkcjonalny opis może wyglądać tak: „Cztery wyodrębnione czynniki wyjaśniały łącznie 56% wariancji odpowiedzi (odpowiednio 19%, 16%, 12% i 9% dla poszczególnych czynników; wartości własne od 1,15 do 4,30).”
Ile „procent wariancji” to dużo, a ile mało
Popularny mit głosi, że rozwiązanie jest „dobre”, jeśli wyjaśnia np. ≥ 60% wariancji. W naukach społecznych ten próg bywa nierealistyczny, szczególnie przy heterogenicznych konstrukcjach.
Przydatniejsze jest myślenie relatywne:
przy krótkich, jednorodnych skalach (np. 10 pozycji mierzących silnie zdefiniowany wymiar) wyjaśniona wariancja rzędu 50–60% bywa osiągalna i oczekiwana,
przy rozbudowanych narzędziach wielowymiarowych (np. 40–60 pozycji, kilka różnych domen) łączna wariancja na poziomie 40–50% jest całkowicie akceptowalna,
w badaniach eksploracyjnych nad nowym konstruktem sensownie uargumentowane rozwiązanie z 35–40% wariancji wyjaśnionej może być dobrym punktem wyjścia, pod warunkiem, że czynniki są interpretowalne.
W tekście zamiast wartościującego „to dużo/mało” lepszy jest komentarz odnoszący się do charakteru narzędzia i literatury: „Łączna wariancja wyjaśniona (43%) jest porównywalna z wcześniejszymi badaniami nad tym konstruktem, w których raportowano wartości rzędu 38–45%.”
Nierównomierny rozkład wariancji między czynnikami
Często pierwszy czynnik „ciągnie” dużą część wariancji, a kolejne mają wyraźnie mniejszy udział. To nie zawsze powód do niepokoju – bywa po prostu odzwierciedleniem dominującego aspektu konstruktu (np. ogólny poziom nasilenia objawów).
Kiedy taka sytuacja staje się problematyczna?
gdy pierwszy czynnik wyjaśnia np. trzy razy więcej wariancji niż drugi, a kolejne są bliskie wartości własnej 1 – może to wskazywać na mocny czynnik ogólny i słabe podwymiary,
gdy czynniki „mniejsze” są oparte na 2–3 pozycjach – ich stabilność i użyteczność kliniczna/badawcza stają pod znakiem zapytania.
Opis może to spokojnie zdiagnozować: „Pierwszy czynnik miał charakter dominujący (19% wariancji), podczas gdy pozostałe trzy wyjaśniały od 8% do 11% wariancji. Sugeruje to obecność ogólnego wymiaru nasilenia objawów, obok bardziej wyspecyfikowanych podwymiarów.”
Raportowanie wariancji w rotacjach ukośnych
Przy rotacji ortogonalnej (np. varimax) podział wariancji między czynnikami jest prostszy do interpretacji. Rotacje ukośne komplikują obraz, bo czynniki są skorelowane, a „czysta” wariancja przypisana każdemu z nich mniej intuicyjna.
Z dwóch typów macierzy – pattern (ładunki częściowe) i structure (korelacje z czynnikami) – do interpretacji stosuje się zwykle macierz pattern. Wariancja wyjaśniona bywa wtedy liczona na bazie rozwiązania nierotowanego, o czym warto wprost poinformować czytelnika, np.:
„Wariancja wyjaśniona przez czynniki została oszacowana na podstawie nierotowanego rozwiązania. Interpretacja treści czynników opiera się na macierzy pattern uzyskanej w rotacji oblimin.”
Taki zapis uprzedza pytania recenzenta, skąd wzięły się konkretne wartości i dlaczego nie „sumują się” w oczywisty sposób po rotacji ukośnej.
Rotacja czynników: uzasadnienie wyboru i konsekwencje dla interpretacji
Kiedy rotacja ortogonalna jest sensownym wyborem
Standardowa rada brzmi: „w psychologii czynniki są zwykle skorelowane, więc stosuj rotacje ukośne”. Jest w tym sporo racji, ale są sytuacje, w których rotacja ortogonalna (np. varimax) nadal ma sens:
gdy model teoretyczny zakłada względną niezależność wymiarów (np. odrębne style radzenia sobie, niezależne wymiary osobowości w klasycznych ujęciach),
gdy celem jest prosta, aplikacyjna skala, której podskale mają być interpretowane jako niemal niezależne wyniki (np. osobne indeksy ryzyka bez założenia wspólnej „super-skali”),
gdy korelacje między czynnikami w rotacji ukośnej są bardzo niskie (np. r < 0,20), a przejście na rozwiązanie ortogonalne niewiele zmienia treść czynników, za to upraszcza interpretację.
Kluczowe jest, by nie ukrywać, że wybór varimaxu był świadomy. Przykładowy opis:
„Zastosowano rotację varimax, ponieważ zakładano względną niezależność wymiarów skali, a korelacje między czynnikami w wstępnej rotacji ukośnej były niskie (|r| < 0,20).”
Kiedy rotacja ukośna jest bardziej uczciwa wobec danych
Jeśli czynniki teoretycznie powinny się ze sobą wiązać (np. wymiary depresji, lęku i drażliwości), forsowanie rotacji ortogonalnej tworzy pozorną niezależność. W efekcie współczynniki korelacji z innymi zmiennymi mogą być zniekształcone (część wspólnej wariancji zostaje „schowana”).
Rotacje ukośne (oblimin, promax i inne) są zwykle lepszym wyborem, gdy:
korelacje między czynnikami przekraczają 0,30,
istnieją wiarygodne przesłanki teoretyczne, że podwymiary są aspektami tego samego szerszego konstruktu,
planowane są dalsze analizy modelowe (np. CFA, modele z czynnikiem wyższego rzędu).
Opis może to wprost zakomunikować: „Zastosowano rotację ukośną (oblimin), ponieważ przewidywano współzależność wymiarów, co potwierdziły uzyskane korelacje między czynnikami (r = 0,32–0,48).”
Raportowanie macierzy pattern, structure i korelacji czynników
Przy rotacjach ukośnych pojawia się pytanie, które macierze raportować. Minimalny zestaw, który zwykle wystarcza recenzentowi:
macierz pattern – główna tabela ładunków wykorzystywana do interpretacji treści czynników,
macierz korelacji czynników – mała tabela (czasem w dodatku), pokazująca stopień powiązania między wymiarami.
Macierz structure, choć przydatna diagnostycznie, nie musi być zawsze drukowana w głównym tekście. Można ją przenieść do materiałów dodatkowych i krótko o tym napisać: „Pełną macierz structure przedstawiono w materiałach dodatkowych (Tabela S1). W interpretacji czynników opierano się na macierzy pattern.”
W samym opisie ładunków warto jasno zaznaczyć, do której macierzy się odwołujesz, unikając ogólnego „ładunki po rotacji”: „W macierzy pattern po rotacji oblimin…”, zamiast: „Po rotacji oblimin…”.
Rotacja a porównywalność z innymi badaniami
Dobór rotacji wpływa na to, jak łatwo zestawić twoje wyniki z literaturą. Jeśli większość badań nad daną skalą stosowała np. varimax, a ty przechodzisz na oblimin, sygnalizuj to i pokaż most między podejściami. Jeden z praktycznych zabiegów:
najpierw uruchomić rotację zbliżoną do tej z literatury (np. varimax),
sprawdzić, czy ogólna struktura jest podobna,
następnie przejść na rotację ukośną i raportować ją jako główną, odnotowując zbieżności z wcześniejszymi wynikami.
Opis może to spiąć w jednym akapicie: „Dla zachowania porównywalności z wcześniejszymi badaniami początkowo zastosowano rotację varimax, uzyskując strukturę zbliżoną do raportowanej przez innych autorów (czynniki o podobnym profilu treści). Następnie przeprowadzono rotację ukośną (oblimin), która pozwoliła oszacować korelacje między czynnikami; dalsze analizy oparto na tym rozwiązaniu.”
Najczęściej zadawane pytania (FAQ)
Jak opisać w wynikach różnicę między EFA a CFA?
Klucz polega na tym, żeby od razu powiedzieć, jaki typ analizy wykonano i jakie pytania badawcze za nią stały. Przy EFA piszesz, że celem było „zidentyfikowanie struktury czynnikowej” lub „sprawdzenie, ile wymiarów opisuje dane odpowiedzi”, a następnie raportujesz: metodę ekstrakcji, sposób wyboru liczby czynników, rotację, ładunki i wariancję wyjaśnioną.
Przy CFA komunikat jest inny: „sprawdzano dopasowanie z góry założonego modelu”. Wtedy w centrum opisu stoją: specyfikacja modelu (liczba czynników, powiązania, przypisanie pozycji), miary dopasowania (CFI, TLI, RMSEA, SRMR) oraz ewentualne modyfikacje modelu. Same ładunki są tu tłem, a nie pierwszoplanowym bohaterem.
Jak poprawnie uzasadnić liczbę czynników w analizie czynnikowej?
Zamiast powoływać się na jedno kryterium, lepiej pokazać małą „historię decyzji”. Typowy opis łączy: wartości własne (z komentarzem, że kryterium Kaisera bywa zbyt hojne), wykres osypiska, analizę równoległą oraz interpretowalność teoretyczną otrzymanych czynników.
Przykładowy zapis: „Kryterium Kaisera sugerowało pięć czynników, natomiast analiza równoległa i wykres osypiska wskazywały na rozwiązanie dwuczynnikowe. Ze względu na lepszą interpretowalność teoretyczną oraz bardziej zwartą strukturę ładunków przyjęto model z dwoma czynnikami”. Taki opis pokazuje, że nie śledzisz ślepo jednego wskaźnika.
Czy mogę użyć PCA zamiast EFA i jak to wtedy raportować?
PCA ma sens, gdy chodzi głównie o redukcję wymiarów (np. zbudowanie indeksu z kilkunastu silnie skorelowanych zmiennych), a nie o testowanie hipotez o zmiennych ukrytych. W takiej sytuacji użycie PCA jest w porządku, o ile jasno nazwiesz rzeczy po imieniu: piszesz o „składowych” lub „komponentach”, a nie o „czynnikach latentnych”.
W opisie wyników unikaj sugerowania, że estymujesz model czynnikowy, jeśli faktycznie przeprowadzasz PCA. Zapis w stylu: „przeprowadzono analizę głównych składowych (PCA) w celu redukcji liczby zmiennych; wyodrębniono trzy komponenty, które posłużyły do konstrukcji wskaźników zagregowanych” jest uczciwy i nie wprowadza recenzenta w błąd.
Jak raportować ładunki czynnikowe i próg odrzucania pozycji?
Sam próg (np. 0,30 czy 0,40) to dopiero początek. Dobrą praktyką jest podanie, jakiego progu użyto i dlaczego był adekwatny do danego etapu pracy (pilotaż vs wersja finalna) oraz wielkości próby. Warto też dodać, jak traktowano pozycje z ładunkami krzyżowymi lub tylko umiarkowanymi.
Praktyczny opis może wyglądać tak: „Pozycje o ładunkach 0,30 na co najmniej dwóch czynnikach) pozostawiano jedynie wtedy, gdy ich treść była kluczowa dla konstruktu”. Tym samym łączysz kryterium liczbowo-statystyczne z uzasadnieniem merytorycznym.
Co zrobić, gdy struktura czynnikowa nie pokrywa się z planowanymi skalami?
To dość częsty scenariusz i nie oznacza automatycznie, że narzędzie jest bezużyteczne. Najpierw opisujesz rzetelnie, co pokazała EFA (liczba czynników, ich zawartość, ładunki), a dopiero potem wyjaśniasz, jak z tych wyników zbudowano skale użyte w dalszych analizach.
Czasem oznacza to odrzucenie czynnika zbyt ubogiego treściowo lub pozostawienie pozycji z niższym ładunkiem, ale istotnej konceptualnie. Ważne, by taką rozbieżność nazwać wprost i krótko uzasadnić: „Mimo iż analiza czynnikowa sugerowała wyodrębnienie trzeciego, dwupozycyjnego czynnika, nie utworzono odrębnej podskali ze względu na ograniczoną treść i brak wsparcia teoretycznego”.
Jak opisać wybór rotacji w analizie czynnikowej (orto- vs ukośna)?
Najważniejsze jest uzasadnienie, dlaczego przyjęto założenie o (nie)zależności czynników. Jeśli teoretycznie spodziewasz się powiązanych wymiarów (np. różne aspekty jednego konstruktu psychologicznego), sens ma rotacja ukośna (oblimin, promax). Gdy konstrukty mają być niezależne, można stosować rotację ortogonalną (np. varimax).
W raporcie wystarczy jedno–dwa zdania: „Zastosowano rotację ukośną (oblimin), zakładając współzależność wymiarów konstruktu”. Dodanie krótkiego komentarza, że rotacja ukośna pozwala też sprawdzić realny poziom korelacji między czynnikami, pokazuje, że traktujesz teorię i dane na równych prawach.
Kiedy szczegółowe raportowanie analizy czynnikowej nie ma sensu?
Jeżeli analiza była wyłącznie etapem roboczym, a jej wyniki nie wpływają na główne wnioski (np. konstruktu ostatecznie nie użyto lub przyjęto inny model z powodów teoretycznych), lepiej zasygnalizować to skrótowo niż rozwijać długą sekcję wynikową. Rozbudowany opis struktury, która nie gra żadnej roli w dalszej pracy, tylko rozprasza czytelnika.
W takiej sytuacji wystarczy zapis typu: „Przeprowadzono wstępną analizę czynnikową, która nie wykazała stabilnej i interpretowalnej struktury; z tego względu zrezygnowano z dalszego rozwijania skali. Szczegółowe wyniki udostępniono w materiałach dodatkowych”. To pokazuje uczciwość metodologiczną bez przeciążania głównego tekstu.
