Analiza czynnikowa EFA w pracy dyplomowej – jak wykonać ją w Jamovi

Analiza czynnikowa EFA pomaga sprawdzić, czy wiele pozycji kwestionariusza układa się w mniejszą liczbę sensownych wymiarów. Nie jest automatycznym testem „dobrego narzędzia” i nie zastępuje teorii. Pokazuje wzór współzmienności w konkretnej próbie, dlatego każdą decyzję — od liczby czynników po usunięcie pozycji — trzeba uzasadnić.

Kiedy EFA odpowiada na właściwe pytanie

EFA ma sens, gdy kilka lub kilkanaście pozycji ma mierzyć konstrukty ukryte, których nie obserwujesz bezpośrednio — na przykład poczucie autonomii, obciążenie albo wsparcie. Analiza szuka wspólnych źródeł korelacji między pozycjami. Nie służy do tworzenia „czynników” z przypadkowego zestawu wieku, płci, dochodu i kilku odpowiedzi ankietowych tylko dlatego, że program oferuje taką opcję.

Przed uruchomieniem programu zapisz, jaka teoria stoi za zestawem pozycji i czy oczekujesz wymiarów powiązanych. Ta decyzja wpływa na rotację i interpretację. Trafność konstruktu jest szerszym problemem niż jeden wynik EFA; zobacz też poradnik o trafności i rzetelności badania.

Przygotuj dane przed analizą

Każdy wiersz powinien reprezentować jedną osobę, a każda kolumna jedną pozycję skali. Ujednolić trzeba kierunek odpowiedzi, typ zmiennych, kody braków oraz zakres wartości. Pozycje odwrócone rekoduj świadomie, zachowując kolumny surowe. Procedurę czyszczenia opisuje osobny poradnik o przygotowaniu danych w Jamovi.

Nie istnieje jedna liczebność próby poprawna dla każdej EFA. Liczy się liczba pozycji, siła wspólnych zależności, liczba czynników, jakość pozycji i stabilność rozwiązania. Reguła „pięć osób na pozycję” nie jest gwarancją. Jeśli próba jest mała lub niejednorodna, ograniczenie trzeba pokazać, a nie przykrywać samym KMO. Ogólne planowanie próby omawia tekst o liczebności i mocy statystycznej.

Uruchom analizę w Jamovi

1. Otwórz Analyses → Factor → Exploratory Factor Analysis.Przenieś do analizy wyłącznie pozycje jednej planowanej rodziny konstruktu.
2. Wybierz sposób ustalenia liczby czynników.Na start użyj parallel analysis i pokaż wykres osypiska.
3. Ustaw ekstrakcję.Minimum residual jest rozsądnym punktem wyjścia; maximum likelihood wymaga mocniejszych założeń.
4. Dobierz rotację do teorii.Oblimin dopuszcza korelację czynników. Varimax wymusza ich ortogonalność, więc nie wybieraj go wyłącznie z przyzwyczajenia.
5. Włącz pełne wyniki kontrolne.Wyświetl KMO, test Bartletta, podsumowanie czynników, korelacje czynników i ładunki. Ukrywaj małe ładunki dopiero w tabeli prezentacyjnej, nie podczas oceny.

Jamovi udostępnia m.in. parallel analysis, kryterium wartości własnej i ręczne wskazanie liczby czynników, metody minres, ML i principal axis oraz rotacje oblimin, promax i varimax. Zrzut ekranu nie zastępuje opisu ustawień — czytelnik powinien móc odtworzyć analizę.

Ustal liczbę czynników bez zgadywania

Analiza równoległa porównuje wartości własne z wartościami powstającymi w danych losowych. Jest lepszym punktem odniesienia niż mechaniczne zachowywanie wszystkiego powyżej 1. Wykres osypiska pokazuje miejsce załamania, ale przy łagodnym spadku bywa niejednoznaczny. Ostateczne rozwiązanie powinno jednocześnie pasować do danych, dawać się zinterpretować i nie tworzyć czynnika opartego na jednej przypadkowej pozycji.

Czytaj ładunki jak mapę relacji

Ładunek pokazuje siłę i kierunek związku pozycji z czynnikiem. Nie oceniaj go w oderwaniu od pozostałych kolumn. Pozycja może mieć umiarkowany ładunek główny, ale jednocześnie podobny ładunek na drugim czynniku. To ładunek krzyżowy, który zaciera interpretację. Mała unikalność oznacza, że czynniki dobrze wyjaśniają pozycję; duża — że znaczna część jej wariancji pozostaje poza modelem.

Progi typu 0,30 czy 0,40 są wskazówkami prezentacyjnymi, nie prawem natury. Znaczenie wyniku zależy od wielkości próby, konstruktu, liczby pozycji i różnicy między ładunkiem głównym a pobocznym. Nie usuwaj pozycji wyłącznie po to, aby „poprawić tabelę”. Sprawdź jej treść, odwrócenie, rozkład oraz wpływ na pokrycie konstruktu.

Połącz strukturę z rzetelnością skali

Najpierw ustalasz, które pozycje tworzą dany wymiar, a dopiero potem liczysz rzetelność wyniku dla tej podskali. Jedna wysoka alfa dla wszystkich pozycji nie dowodzi jednowymiarowości. Również usuwanie pozycji tylko dlatego, że alfa rośnie o setną część, może zubożyć treść skali.

W rozdziale wynikowym podaj metodę ekstrakcji, rotację, sposób wyboru liczby czynników, KMO i Bartletta, tabelę ładunków, wariancję lub podsumowanie czynników oraz nazwy wynikające z treści pozycji. Jeżeli później używasz wyników czynnikowych w regresji liniowej, wyjaśnij dokładnie, jak zostały obliczone.

Najczęstsze błędy w EFA

• Traktowanie PCA i EFA jako zamiennych analiz bez wyjaśnienia celu.
• Wybór liczby czynników wyłącznie według wartości własnej większej od 1.
• Automatyczne użycie varimax mimo że konstrukty mogą się wiązać.
• Ukrycie wszystkich ładunków poniżej progu przed oceną ładunków krzyżowych.
• Nadawanie nazw czynnikom na podstawie jednej najwyższej wartości zamiast wspólnej treści pozycji.
• Usuwanie kolejnych pozycji bez powtarzalnej reguły i bez zapisu decyzji.
• Raportowanie jedynie KMO, Bartletta i procentu wariancji bez tabeli ładunków.
• Uznanie struktury z jednej próby za ostatecznie potwierdzoną.

Źródła i dalsza lektura