探索的因子分析 APA第7版：結果報告基準＆テンプレート

探索的因子分析が必要な場面

探索的因子分析（EFA）は、観測変数間の相関を説明する潜在構成概念を特定する手法です。質問紙の開発・妥当性検証、多数の項目を少数の意味ある因子に縮約する場合、新しい測定尺度の次元性を探索する場合に主に使用されます。

心理学や教育学で最も広く使用される多変量解析手法の一つであるにもかかわらず、多くの研究者がEFAの結果をAPA形式で正確に報告することに困難を感じています。

APA報告の必須構成要素

APA第7版でEFAの結果を報告する際に含めるべき要素：

• 標本妥当性: Kaiser-Meyer-Olkin（KMO）測度
• 因子分析適合性: バートレットの球面性検定
• 抽出方法: 主因子法、最尤法など
• 回転方法: バリマックス、プロマックス、オブリミンなど
• 保持因子数: 使用した基準（固有値 > 1、スクリープロット、平行分析）
• 総説明分散: 保持された因子が説明する割合
• 因子負荷量表: 負荷量、共通性、交差負荷量
• 信頼性: 各因子のCronbach's alpha

ステップ1：標本妥当性の報告

因子解を提示する前に、データが因子分析に適していることを示します。

例：

Kaiser-Meyer-Olkin測度が分析の標本妥当性を確認した、KMO = .87、これは推奨基準の.60を超えている。バートレットの球面性検定の結果、χ²(190) = 2145.30, p < .001、項目間の相関が因子分析に十分な大きさであることが示された。

KMO解釈基準

| KMO | 解釈 | |-----|------| | ≥ .90 | 素晴らしい | | .80-.89 | 非常に良い | | .70-.79 | 普通 | | .60-.69 | やや不十分 | | .50-.59 | 不適切 | | < .50 | 許容不可 |

ステップ2：抽出および回転方法の報告

使用した方法を明示し、回転の選択を正当化します。

潜在構成概念を特定することが主目的であるため、主因子法を使用した。因子間の相関が予想されるため、プロマックス回転（斜交）を適用した。

回転方法の選択基準

• 直交回転（バリマックス）: 因子間に相関がないと仮定する場合
• 斜交回転（プロマックス、オブリミン）: 因子間の相関が予想される場合（社会科学でより一般的）

ステップ3：因子保持基準の報告

因子数の決定方法を説明します。

固有値が1.0を超える3つの因子が抽出され、これはスクリープロットおよび平行分析の結果と一致した。3因子は総分散の62.4%を説明した。

各因子の寄与を報告します：

因子1は分散の28.3%、因子2は19.7%、因子3は14.4%を説明した。

ステップ4：因子負荷量表の報告

有意な負荷量（一般的に > .30または > .40）のみを表示する整理された表を提示します。

例示表形式：

| 項目 | 因子1 | 因子2 | 因子3 | 共通性 | |------|-------|-------|-------|--------| | 項目1 | .78 | | | .65 | | 項目5 | .74 | | | .58 | | 項目3 | .71 | | | .54 | | 項目8 | .65 | | | .49 | | 項目2 | | .82 | | .70 | | 項目6 | | .76 | | .62 | | 項目9 | | .69 | | .51 | | 項目4 | | | .81 | .68 | | 項目7 | | | .73 | .57 | | 項目10 | | | .67 | .48 |

本文での記述：

回転後の因子負荷量を表1に示した。因子1に負荷した項目は認知的関与に関連していた（4項目、負荷量 .65-.78）。因子2の項目は情緒的関与を反映していた（3項目、負荷量 .69-.82）。因子3の項目は行動的関与を捉えていた（3項目、負荷量 .67-.81）。すべての項目の主因子負荷量が.40を超え、.30を超える交差負荷量はなかった。

ステップ5：信頼性の報告

各因子の内的一貫性をCronbach's alphaで評価した。因子1（認知的関与）は良好な信頼性を示し（α = .84）、因子2（情緒的関与）も良好な信頼性を示し（α = .81）、因子3（行動的関与）は許容可能な信頼性を示した（α = .76）。

完全な報告例

結果

10項目の学生関与尺度に対して、主因子法とプロマックス回転を用いて探索的因子分析を実施した。Kaiser-Meyer-Olkin測度が標本妥当性を確認した、KMO = .87。バートレットの球面性検定の結果、χ²(190) = 2145.30, p < .001、項目間の相関がEFAに十分な大きさであることが示された。

固有値が1.0を超える3因子が保持され、総分散の62.4%を説明した。因子1（認知的関与、4項目）は分散の28.3%、因子2（情緒的関与、3項目）は19.7%、因子3（行動的関与、3項目）は14.4%を説明した。すべての項目が主因子に.40以上で負荷し、.30を超える交差負荷量はなかった（表1参照）。すべての因子の内的一貫性は良好であった（α = .76-.84）。

EFAとCFAの主要な違い

探索的因子分析（EFA）と確認的因子分析（CFA）は根本的に異なる目的を持ちますが、研究者が頻繁に混同したり不適切に適用したりしています。この区別を理解することは、研究デザインとAPA報告の両方において不可欠です。

EFAはデータ駆動型です：データが因子数と各項目がどの因子に負荷するかを決定します。因子構造に対する強い理論的根拠がない場合、新しい尺度を開発する場合、既存の尺度の次元性を新しい母集団で探索する場合に使用します。EFAは特定のモデルを検証するのではなく、モデルを生成します。

CFAは理論駆動型です：正確な因子構造を事前に指定し（どの項目がどの因子に属するか、因子間に相関があるか、交差負荷量が許容されるか）、観測データがこの事前指定されたモデルに適合するかを検証します。理論的に根拠のある、または以前に確立された因子構造を確認する場合に使用します。

それぞれの使用場面

| 基準 | EFA | CFA | |------|-----|-----| | 研究段階 | 尺度開発、初期探索 | 尺度妥当性検証、反復検証 | | モデル設定 | 不要；データ駆動 | 事前に完全なモデル指定 | | 因子-項目割当 | 分析により決定 | 研究者が固定 | | 交差負荷量 | 自由に推定 | 通常ゼロに制約 | | 報告する適合度 | KMO、説明分散 | CFI、TLI、RMSEA、SRMR | | 代表的ソフトウェア | SPSS、R（psych）、Stata | Mplus、AMOS、R（lavaan） |

APA報告の違い

EFAでは、抽出方法、回転方法、因子保持基準、結果の負荷量行列を報告します。CFAでは、仮説モデル、推定方法（通常は最尤法）、モデル適合度指標、標準化因子負荷量、理論的根拠のある事後修正を報告します。

EFA例：

20項目尺度の基底構造を検討するために、主因子法とプロマックス回転を用いて探索的因子分析を実施した。

CFA例：

先行EFA結果（著者、2024）から導出された仮説的3因子モデルを検証するため、Mplus 8.6において最尤推定を用いて確認的因子分析を実施した。

一般的なベストプラクティスはEFA-CFA分割標本アプローチです：標本を無作為に分割し、一方の半分でEFAを実施して因子構造を特定し、もう一方の半分でCFAにより確認します。このアプローチは、両方の分析で適切な検定力を維持するために十分に大きな総標本（通常N > 400）が必要です。

EFAからCFAへの移行時のよくある落とし穴

研究者がEFAからCFAへ移行する際に頻繁に発生する間違いがあります：

CFA報告でEFAの用語を使用する。 CFAでは、因子が「抽出された」や項目が「出現した」とは言わないでください。確認的な言語を使用してください：モデルが「設定された」、項目が因子に「割り当てられた」、モデルが「検証された」。

方法効果を考慮しない。 CFAでは、共通の方法を共有する項目（例：すべて逆転項目）は相関残差が必要な場合があります。EFAは誤差共分散をモデル化しないため、方法効果を検出できません。

修正指標への過度な依存。 修正指標はCFAの適合度を改善できますが、データ駆動型の修正は分析の確認的性質を弱めます。明確な理論的正当化のある修正に限定し、すべての修正を透明に報告してください。

測定不変性の無視。 集団間（例：性別、文化）で因子構造を比較する場合、CFAは形態的、測定的、スカラー不変性を順次検定すべきです。各集団で別々のEFAを実施するだけでは、集団間の同等性を実証するには不十分です。

回転方法の詳細説明

回転は初期因子解を変換して、より単純で解釈可能な構造を生成します。回転なしでは、項目が複数の因子に実質的に負荷することが多く、解釈が困難になります。直交回転と斜交回転の選択は、結果とその解釈に意味のある影響を与えます。

直交回転

直交回転は因子間の相関をゼロに制約します。最も一般的な直交回転方法は以下の通りです：

**バリマックス（Varimax）**は各因子内の負荷量二乗の分散を最大化し、各因子に少数の大きな負荷量と多数のほぼゼロの負荷量を生成します。最も広く使用される回転であり、因子が真に独立している場合に適切です。しかし、社会行動科学では真に無相関な構成概念は稀です。

**クォーティマックス（Quartimax）**は各変数について因子間の負荷量二乗の分散を最大化し、ほとんどの変数が負荷する一般因子を生成する傾向があります。単純構造を生成できないことが多く、実際にはほとんど使用されません。一般因子現象は、研究者が単一の支配的な次元ではなく、明確に定義された下位尺度を求める尺度開発において特に問題となります。

**エクィマックス（Equamax）**はバリマックスとクォーティマックスの折衷案で、重み付け関数を通じて両方の基準を組み合わせます。ほとんどの応用でバリマックスに対する明確な利点がなく、ほとんど使用されません。一部の方法論者は、因子数が不確実な場合に不安定な解を生成する可能性があるため、エクィマックスを完全に避けることを推奨しています。

斜交回転

斜交回転は因子間の相関を許容し、ほとんどの心理学的・社会科学的構成概念にとってより現実的です。最も一般的な斜交回転方法は以下の通りです：

**プロマックス（Promax）**はまずバリマックス解を求め、次に負荷量をべき乗（kappa、通常4）して因子間の相関を許容します。計算効率が高く、デフォルトの斜交回転として広く推奨されています。因子が真に無相関の場合、プロマックスはバリマックスと類似した結果を生成します。

直接オブリミン（Direct Oblimin）（delta = 0）は因子間の負荷量の交差積を直接最小化します。数学的にはより洗練された斜交解を提供しますが、非常に高い因子間相関や因子の崩壊を生じることがあります。deltaパラメータが許容される相関の程度を制御します：負の値は相関をより厳しく制約し、正の値はより多くの相関を許容します。delta = 0（デフォルト）は数学的最適化を超える制約を課さず、ほとんどの研究応用に適しています。

**ジオミン（Geomin）**回転は主にMplusおよびその他のSEMソフトウェアで使用されます。交差負荷量をゼロに強制するのではなく、小さな交差負荷量を許容するため、項目に軽微な副次的負荷量がある場合、より現実的な解を生成できます。ジオミンは、ゼロ交差負荷量制約が過度に制限的なCFAモデルでますます推奨されています。

選択と報告の方法

TabachnickとFidell（2019）は斜交回転から開始することを推奨しています。因子が真に無相関であれば斜交解は直交解に類似しますが、因子が相関している場合は斜交解のみが適切だからです。斜交回転後の因子相関行列を確認してください：すべての相関が.32未満であれば直交回転が正当化されます。

APA報告例：

心理学的構成概念は直交であることが稀であるため、プロマックス回転（斜交）を適用した（Tabachnick & Fidell, 2019）。因子相関行列で中程度の相関（r = .28-.41）が確認され、斜交回転の使用が支持された。各因子の各項目に対する固有の寄与を示すパターン行列を報告する。

斜交回転使用時は、構造行列（項目と因子間のゼロ次相関）ではなくパターン行列（項目と因子間の偏相関）を報告します。パターン行列は各因子の各項目への固有の寄与を示すため、解釈に適しています。斜交アプローチの正当化のために因子相関行列も報告してください。

回転方法決定フローチャート

1. 斜交回転から開始（プロマックスまたは直接オブリミン）をデフォルトとして使用
2. 斜交解の因子相関行列を確認
3. すべての因子間相関が**.32未満**であれば、直交回転（バリマックス）が正当化され、より単純な解釈を生成
4. いずれかの因子間相関が**.32を超える**場合、斜交解を維持しパターン行列を報告
5. 因子間相関が**.70を超える**場合、それらの因子が単一の構成概念を表している可能性があるため、統合を検討

因子数の決定方法

何個の因子を保持するかの決定は、EFAにおいて最も重要な決定です。因子を過剰に抽出すると意味のある構成概念が分割されノイズに過適合し、過少に抽出すると異なる構成概念が統合されます。APAガイドラインは複数の基準を使用し、方法間の収束（または不一致）を報告することを推奨しています。

Kaiser基準（固有値 > 1）

Kaiser基準は固有値が1より大きいすべての因子を保持します。因子は少なくとも単一の項目と同じだけの分散を説明すべきという論理です。単純で広く使用されていますが、特に項目が多い場合（20以上）に因子を過剰抽出する傾向があり、最も不正確な保持方法とされています。

APA例：

Kaiser基準（固有値 > 1.0）を適用した結果、固有値4.82、2.67、1.53、1.12の4因子の保持が示唆され、これらは総分散の50.7%を説明した。

スクリープロット

Cattellのスクリープロットは固有値を降順にプロットします。曲線が急勾配から緩やかに変わる「肘」の位置が意味のある因子数を示します。肘より上の因子は保持し、下はノイズを表します。この方法は主観的であり、特に明確な肘がない場合、評価者間の一致度が低くなります。

APA例：

スクリープロットの視覚的検査により、第3成分の後に明確な変曲点が認められ、3因子解が示唆された。

平行分析

平行分析（Horn, 1965）は、観測された固有値を同じ標本サイズと変数数のランダムデータから生成された固有値と比較します。観測された固有値が対応するランダム固有値を超える場合にのみ因子を保持します。最も正確な保持方法として広く認められており、現在推奨される標準です。

APA例：

生データの1000回ランダム順列に基づく平行分析の結果、最初の3つの固有値のみがランダム固有値の95パーセンタイルを超え、3因子解が支持された。

最小平均偏相関（MAP）検定

VelicerのMAP検定（1976）は、各連続的因子抽出後の平均偏相関二乗を計算します。平均偏相関二乗が最小値に達する時点で因子数が決定されます。MAPはやや過少抽出する傾向がありますが、スクリープロットの解釈よりも客観的です。

APA例：

Velicerの最小平均偏相関検定では、3因子で最小平均偏相関二乗（平均偏相関 r² = .012）が示され、平行分析の結果と収束した。

非常に単純な構造（VSS）およびその他の基準

上記の4つの主要方法に加えて、因子保持決定を強化できる補足的基準があります：

非常に単純な構造（VSS）（Revelle & Rocklin, 1979）は、各項目が1つの因子にのみ負荷する単純化された因子解が相関行列をどの程度再現するかを評価します。VSS基準は、単純化されたモデルが最大適合度を達成する因子数を特定します。

**ベイズ情報量基準（BIC）**はモデルの複雑さを罰則化し、異なる因子数のモデルを比較するために使用できます。BIC値が低いほど良い適合度を示します。BICはRのpsychおよびnFactorsパッケージで利用可能であり、他の基準が不一致の場合に特に有用です。

比較データ（CD）（Ruscio & Roche, 2012）は、観測された相関構造により良く一致する比較データを生成することで平行分析を改善し、過剰抽出と過少抽出の両方を削減します。

収束の報告

少なくとも2つの方法を使用し、収束するかどうかを報告することがベストプラクティスです：

保持する因子数は複数の基準を用いて決定した。平行分析は3因子を示し、これはスクリープロットの肘およびMAP検定の結果と一致した。Kaiser基準は4因子を示唆したが、第4因子の固有値は1.0をわずかに超えるのみ（1.12）で、実質的な負荷量を持つ項目が2つしかなく、保持の十分な根拠がなかった。したがって3因子解を採用した。

APAにおける因子負荷量の報告

因子負荷量表はEFA報告の中核です。適切に構成された表により、読者は項目の質、因子の定義、因子構造全体の明確さを一目で評価できます。

パターン行列 vs. 構造行列

斜交回転使用時、分析は2つの行列を生成します。パターン行列は各因子の各項目に対する固有の寄与を示す偏回帰係数を含みます。構造行列は相関した因子間の共有分散を含む、項目と因子間のゼロ次相関を含みます。解釈と報告にはパターン行列が標準です。

プロマックス回転後のパターン行列の因子負荷量を表2に示した。構造行列と因子相関行列は補足資料で確認できる。

抑制閾値の設定

可読性向上のため、選択した閾値未満の負荷量を抑制（空白に）します。最も一般的な閾値は.30と.40です。Stevens（2002）は標本サイズに基づく閾値を提案しています：N = 150では.40、N = 300では.30、N = 600では.21。使用した閾値を必ず明示してください。

Stevens（2002）に従い、明確性のため.40未満の負荷量を抑制した。

交差負荷量の処理

交差負荷量は、項目が2つ以上の因子に実質的に負荷する場合に発生します。一般的なアプローチは以下の通りです：

• 複数の因子に閾値以上で負荷し、主負荷量と副次負荷量の差が.20未満の場合は項目を除外
• 差が.20を超える場合は最も高い負荷量の因子に項目を保持
• 交差負荷量を報告し、その理論的含意を議論

APA例：

項目12（「新しい概念を学ぶことにワクワクする」）は因子1（認知的関与、負荷量 = .52）と因子2（情緒的関与、負荷量 = .38）に交差負荷した。主-副次負荷量の差が.14であり、項目が両構成概念に概念的に関連しているため、最終解から除外した。項目12を除いた再分析では、.30を超える交差負荷量のないより明確な3因子構造が得られた。

共通性の報告

共通性（h²）は、抽出された因子が説明する各項目の分散比率を表します。低い共通性（.30または.40未満）は、項目が他の項目と十分な分散を共有しておらず、除外候補となる可能性があることを示します。

APA例：

共通性は.42から.78の範囲であった（M = .58）。3因子解がすべての項目について実質的な分散比率を捉えていることを示している。推奨閾値の.40未満の共通性を持つ項目はなかった（Costello & Osborne, 2005）。

負荷量の大きさの解釈

因子負荷量の強さは、各項目がその因子をどの程度よく代表しているかを決定します。負荷量の大きさを解釈するための一般的ガイドライン：

| 負荷量 | 解釈 | 推奨 | |--------|------|------| | ≥ .71 | 優秀 | 因子の強力な指標 | | .63-.70 | 非常に良い | 項目が明確に因子に属する | | .55-.62 | 良い | 堅実な寄与者 | | .45-.54 | 普通 | 許容可能だが理想的ではない | | .32-.44 | 不十分 | 理論的に必須でなければ除外を検討 | | < .32 | 無意味 | 表から抑制処理すべき |

これらのベンチマークは、項目と因子間の共有分散割合にほぼ対応します：.71の負荷量は約50%の共有分散を、.32は約10%を表します。

完全な負荷量表の形式

適切にフォーマットされた負荷量表は以下を含むべきです：

1. 各因子内で主因子負荷量の大きさ順に並べた項目（最大のものから）
2. 閾値未満の負荷量の空白処理
3. 視覚的明確性のための主因子負荷量の太字表示
4. 共通性の列
5. 各因子の固有値と説明分散を表の下部に提示
6. 抽出方法、回転方法、抑制閾値を明示する注記
7. 因子間相関（斜交回転の場合）同一表または別表に提示

CFAのモデル適合度指標

EFAからCFAへ移行する場合、または因子構造を妥当化するためのCFA結果を報告する場合、モデル適合度指標がEFA固有の統計量（KMO、バートレット検定、説明分散）に代わります。CFA適合度指標は、仮説的因子構造が観測された相関行列または共分散行列をどの程度再現するかを評価します。

カイ二乗モデル適合度検定

カイ二乗検定（χ²）は、モデルが含意する共分散行列が観測された共分散行列に等しいという帰無仮説を検定します。有意でない結果（p > .05）は許容可能な適合度を示します。しかし、カイ二乗は標本サイズに非常に敏感であり、N > 200では些細なモデルの誤定式化でも棄却されます。したがって、カイ二乗は報告しますが単独基準としてはほとんど使用されません。

APA例：

モデル適合度のカイ二乗検定は有意であった、χ²(32) = 58.74, p = .003、これは標本サイズ（N = 412）を考慮すれば予想された結果である。

比較適合度指標（CFI）とTucker-Lewis指標（TLI）

CFIとTLIは仮説モデルを帰無（独立）モデルと比較します。両方とも0から1の範囲で、1に近いほど良い適合度を示します。HuとBentler（1999）は良好な適合度としてCFI ≥ .95、TLI ≥ .95を推奨していますが、.90以上も許容可能とされています。

近似誤差二乗平均平方根（RMSEA）

RMSEAは、モデルと母集団共分散行列間の自由度あたりの乖離を推定します。.06未満は近接適合、.06から.08は合理的適合、.10以上は不良適合を示します。RMSEAの90%信頼区間を常に報告してください。

標準化残差二乗平均平方根（SRMR）

SRMRは、観測された相関と予測された相関の間の平均標準化差です。.08未満は良好な適合度を示します。SRMRはパラメータが多いほど、標本が大きいほど低く（良く）なる傾向があります。

完全なCFA適合度報告

最低限、自由度とp値を含むカイ二乗、CFI、TLI、90% CIを含むRMSEA、SRMRを報告します。

APA例：

仮説的3因子モデルはデータに対して許容可能な適合度を示した：χ²(32) = 58.74, p = .003, CFI = .97, TLI = .96, RMSEA = .045, 90% CI [.024, .065], SRMR = .038。すべての標準化因子負荷量は統計的に有意であり、.54から.86の範囲であった（すべてp < .001）。

CFA適合度が不十分な場合

仮説モデルが許容可能な適合度を達成しない場合、いくつかの方策があります：

1. 修正指標を検査して誤定式化されたパス（例：解放すべき交差負荷量や誤差共分散）を特定します。理論的に正当化可能なパスのみ追加してください。
2. 適合度の低い項目（標準化残差 > 2.58）を除外するか、理論的に正当化された交差負荷量を許容してモデルを再定式化します。
3. データが一般因子と特殊因子を示唆する場合、双因子モデルや階層的（2次）モデルなどの代替モデルを検討します。
4. 不十分な適合度を透明に報告し、測定モデルへの含意を議論します。交差妥当化なしに広範な事後修正を行わないでください。

不十分な適合度のAPA例：

初期の3因子モデルは不十分な適合度を示した、χ²(32) = 142.56, p < .001, CFI = .88, TLI = .84, RMSEA = .092, 90% CI [.076, .108], SRMR = .071。修正指標の検査により、類似した文言を共有する項目3と7の間の誤差共分散の解放が示唆された。再定式化されたモデルは改善された適合度を示した、χ²(31) = 78.43, p < .001, CFI = .95, TLI = .93, RMSEA = .061, 90% CI [.043, .079], SRMR = .042。

適合度指標要約表

| 指標 | 良好な適合 | 許容可能 | 不良 | |------|----------|---------|------| | CFI | ≥ .95 | .90-.94 | < .90 | | TLI | ≥ .95 | .90-.94 | < .90 | | RMSEA | ≤ .06 | .06-.08 | > .10 | | SRMR | ≤ .08 | .08-.10 | > .10 | | χ²/df | ≤ 2.0 | 2.0-3.0 | > 5.0 |

よくある間違い8つ

1. KMOとバートレット検定の省略

査読者はデータの因子分析適合性の証拠を期待しています。必ず両方を報告してください。KMOが.60未満またはバートレット検定が有意でない場合、EFAの実施自体の妥当性に深刻な疑問が生じます。これらの前提条件が満たされない場合、因子分析がデータに適切かどうか再検討してください。

2. 回転方法の未正当化

直交 vs. 斜交回転の選択理由を説明してください。根拠なくバリマックスをデフォルトとして使用しないでください。社会行動科学では因子はほぼ常に相関しているため、斜交回転がより擁護可能なデフォルトです。バリマックスを選択した場合、理論的根拠を提示するか、因子相関行列（すべてr < .32）からの証拠を引用して直交性を支持してください。

3. 因子の過剰または過少抽出

Kaiser基準（固有値 > 1）のみに依存すると、特に項目が20以上の場合に因子を過剰抽出します。逆に、因子を過少抽出すると異なる構成概念が統合され、信頼性が人為的に高まり多次元性が隠されます。平行分析を主要基準として使用し、少なくとも1つの追加方法（スクリープロット、MAP検定）で三角検証してください。

4. すべての負荷量を報告

.30または.40未満の負荷量は表の可読性のために抑制してください。抑制閾値を明示してください。小さな負荷量で埋め尽くされた表は因子構造を不明瞭にし、読者がパターンを識別することを困難にします。空白セルは「.12」や「.08」を表示するよりも「無視できる負荷量」をより効果的に伝えます。

5. 交差負荷量の無視

複数の因子に.30以上で負荷する項目は問題となり得ます。結果でこれに対処してください。交差負荷する項目は、単一の明確な因子よりも2つの構成概念間の重複を測定していることが多いです。処理方法を記録してください：除外、正当化を伴う保持、または重複が予想される理由の理論的議論。

6. 共通性の無視

.30-.40未満の共通性は、項目が他の項目と十分な分散を共有していないことを示します。低共通性の項目は、測定誤差、測定される構成概念に周辺的な内容、または特異な項目文言を反映している可能性があります。これらの項目の除外と再分析を検討し、除外の根拠を報告してください。

7. 不適切な標本サイズ

最小標本サイズの推奨は様々ですが、ComreyとLee（1992）はN = 300が良好、N = 500が非常に良好と提案しています。項目対参加者比は最低5:1、理想的には10:1以上であるべきです。参加者が150人未満の場合、因子解は通常不安定であり、再現される可能性が低いです。標本サイズと項目対参加者比を報告し、標本がこれらのベンチマークを下回る場合は限界を認めてください。

8. EFAとCFAの混同

EFAは探索的でデータ駆動型です。確認的因子分析（CFA）は事前に指定されたモデルを検証します。CFAを実施する際にEFAの用語を使用したり、その逆を行ったりしないでください。よくある間違いは、同一データでEFAとCFAを実施して探索的結果を「確認」することですが、これは循環論法です。確認には別の標本または事前登録されたモデル仕様が必要です。

因子分析ソフトウェア比較

統計ソフトウェアパッケージごとにEFAとCFAの処理能力とデフォルト設定が異なります。この違いを理解することは再現性にとって重要です。

| ソフトウェア | EFA | CFA | デフォルト回転 | 平行分析 | |------------|-----|-----|--------------|---------| | SPSS | はい | いいえ（AMOS必要） | バリマックス | 非内蔵 | | R（psych） | はい | いいえ（lavaan必要） | オブリミン | はい（fa.parallel） | | R（lavaan） | いいえ | はい | 該当なし | 該当なし | | Mplus | はい（ESEM） | はい | ジオミン | はい | | jamovi | はい | はい（jmv経由） | オブリミン | はい | | JASP | はい | はい | オブリミン | はい | | Stata | はい | はい | バリマックス | 非内蔵 |

SPSSに関する注意： SPSSはバリマックス回転をデフォルトとして使用しており、社会科学研究には適切でない場合があります。因子間の相関が予想される場合は、常にプロマックスまたは直接オブリミンに変更してください。SPSSはまたPCAをデフォルトの抽出方法として使用するため、真の因子分析には主因子法に変更してください。

Rに関する注意： psychパッケージのfa()関数は、平行分析、MAP検定、VSS、複数の回転オプションを含む包括的なEFA出力を提供します。CFAにはlavaanパッケージのcfa()を使用してください。psych + lavaan の組み合わせは、EFA-CFAの完全なワークフローをカバーします。

よくある質問

因子分析の最小標本サイズは？

唯一の正解はありません。ガイドラインは最小100観測から項目あたり10-20人まで様々です。ComreyとLee（1992）はN = 100は不十分、200は普通、300は良好、500は非常に良好、1000は優秀と提案しています。因子解の安定性は共通性にも依存します：高い共通性（> .60）と明確に定義された因子（因子あたり3-4項目）があれば、より小さい標本でも十分な場合があります。方法セクションで標本サイズと項目対参加者比を報告してください。

主成分分析（PCA）と因子分析のどちらを使用すべきですか？

PCAとEFAは数学的に異なります。PCAは共有分散と固有分散を区別せずに変数を合成変数に縮約します。EFAは共有分散のみを分析して潜在構成概念をモデル化します。尺度開発や理論的構成概念の検証にはEFA（主因子法または最尤法）が推奨されます。PCAは潜在構成概念が理論的関心事でないデータ縮約には許容されますが、心理学の多くの学術誌では現在EFAが求められています。

パターン行列と構造行列の違いは？

パターン行列は偏回帰係数（他の因子を統制した後の各因子の各項目に対する固有の寄与）を示します。構造行列はゼロ次相関（相関した因子からの共有分散を含む各項目と因子間の総関係）を示します。因子が無相関の場合、2つの行列は同一です。斜交回転では、解釈のためにパターン行列を報告し、斜交アプローチの正当化のために因子相関行列を報告してください。

どの因子にも負荷しない項目はどう処理しますか？

どの因子にも閾値（例：.40）以上で負荷しない項目は、低い共通性を持つか、関心領域外の内容を測定しているか、文言が不適切である可能性があります。これらの項目を除外し、分析を再実施してください。除外とその根拠を報告してください。項目除外後、残りの因子構造が安定しているか、KMOと説明分散が低下していないか確認してください。

同一標本でEFAとCFAを実施できますか？

この実践は循環的であるため方法論的に問題があります：構造を生成したデータでその構造を「確認」することになります。推奨アプローチは標本を無作為に分割し（N > 400が必要）、一方の半分でEFAを、もう一方でCFAを実施することです。標本が分割するには小さすぎる場合、EFAを実施し、独立した標本を用いた将来の研究でCFAを推奨してください。

各因子に何項目が負荷すべきですか？

因子が十分に定義されていると見なされるには、最低3項目が必要です。2項目のみの因子は不安定であり、再現されない可能性があります。4〜6項目が理想的で、適切な信頼性を提供しつつ尺度を簡潔に保ちます。因子に2項目しかない場合、それらの項目を削除すべきか、追加項目の開発が必要かを検討してください。

負の因子負荷量は何を意味しますか？

負の負荷量は、項目が因子と逆の関係にあることを示します。これは逆転項目で一般的です。例えば、「不安」を測定する因子で、「穏やかでリラックスしていると感じる」項目は負に負荷することが予想されます。符号が概念的に意味をなすか確認してください。ある因子のすべての項目が負に負荷する場合、因子が単に反転しているだけなので、解釈のために負荷量に-1を掛けてください。

SPSSでEFA結果をどのように報告しますか？

SPSSでは、分析 > 次元の縮約 > 因子を通じてEFAを実行します。初期出力のKMOとバートレット検定、説明された分散の合計表の固有値、回転後の因子行列（直交）またはパターン行列（斜交）の負荷量を報告します。「小さい係数を非表示」オプション（.40に設定）を使用して小さな負荷量を抑制します。共通性は共通性表（抽出列）から取得します。SPSS出力を直接コピーせず、APA形式の表に変換してください。

因子分析APA報告チェックリスト

投稿前にEFAまたはCFA報告が完全であることを確認するためにこのチェックリストを使用してください：

EFAチェックリスト

• [ ] 標本サイズと項目対参加者比を報告
• [ ] KMO値と解釈を報告
• [ ] バートレット検定（χ²、df、p）を報告
• [ ] 抽出方法を特定し正当化
• [ ] 回転方法を特定し正当化（斜交回転の場合は因子相関行列を含む）
• [ ] 因子保持基準を記述（少なくとも2つの方法）
• [ ] 保持因子数と固有値を明示
• [ ] 総説明分散および個別因子の説明分散を報告
• [ ] 抑制閾値を明示した因子負荷量表
• [ ] 交差負荷量の処理（該当する場合）
• [ ] 共通性を報告または補足資料で利用可能に
• [ ] 各因子のCronbach's alpha（またはomega）を報告
• [ ] 概念的正当化とともに因子名/ラベルを提供

CFAチェックリスト

• [ ] 理論的根拠とともに仮説モデルを記述
• [ ] 推定方法を明示（例：ML、WLSMV）
• [ ] カイ二乗（df、p）を報告
• [ ] CFIとTLIを報告
• [ ] 90% CIを含むRMSEAを報告
• [ ] SRMRを報告
• [ ] 標準化因子負荷量を報告
• [ ] 因子間相関を報告（多因子モデルの場合）
• [ ] モデル修正がある場合は理論的正当化を記述
• [ ] 測定不変性を検定（集団比較の場合）

自分のデータで分析する

無料の因子分析計算機を使えば、KMO、バートレット検定、固有値、スクリープロット、因子負荷量、説明分散を自動で計算し、APA形式の結果を提供します。