因子分析計算ツール

因子分析（Factor Analysis）とは

因子分析（Factor Analysis）は、多数の観測変数間に存在する相関パターンを 分析し、少数の潜在変数（latent variable）—すなわち因子（factor）—でデータを縮約・説明する多変量 統計手法です。質問紙の開発、心理測定、構成概念妥当性の検証、データの 次元縮約など、社会科学および行動科学の幅広い分野で不可欠な手法として 活用されています。

因子分析の起源は、1904年にイギリスの心理学者Charles Spearmanが知能検査得点間の正の相関を説明する ために一般知能因子（g）を提唱したことに遡ります。その後1930年代にLouis L. Thurstoneが多因子分析法を発展させ、単純構造 （simple structure）の概念と回転（rotation）の技法を導入することで、 現代の因子分析の基礎を築きました。今日、因子分析は心理学、教育学、 マーケティング、医学、社会学など、ほぼすべての実証研究分野で必須の 分析手法となっています。

因子分析は大きく2種類に分けられます： 探索的因子分析（EFA, Exploratory Factor Analysis）と 確認的因子分析（CFA, Confirmatory Factor Analysis）です。 EFAはデータの潜在構造を事前の仮説なしに探索的に把握する際に使用され、 新しい測定尺度の開発や予備的研究で変数のクラスタリングパターンを発見する のに適しています。一方、CFAは理論的に設定した因子構造が実際のデータに 適合するかを検証する確認的な手続きであり、構造方程式モデリング（SEM）の 測定モデル段階で主に使用されます。この計算機は 探索的因子分析（EFA）を実行します。

因子分析の使用が適切な場面としては、以下のようなケースがあります：(1) 質問紙や尺度を新たに開発する際、項目が意図した下位構成概念にまとまるか 確認する場合、(2) 多数の変数を少数の因子に縮約し後続の分析（回帰分析、 クラスター分析など）に投入する場合、(3) 構成概念妥当性（construct validity）を評価し測定尺度の内部構造を検証する場合、(4) 変数間の 多重共線性を解消するために次元を縮約する場合です。

適合性検定：KMO検定とBartlett検定

因子分析を実施する前に、収集したデータが因子分析に適しているかを確認 する必要があります。そのために2つの事前検定を使用します： Kaiser-Meyer-Olkin（KMO）検定と Bartlettの球面性検定（Bartlett's test of sphericity）です。

KMO検定は、変数ペア間の相関が他の変数によって説明 できる程度を示す標本妥当性の指標です。KMO値は0から1の間であり、値が 高いほど因子分析に適しています。Kaiser（1974）が提示した解釈基準は 以下の通りです：

Bartlettの球面性検定は、相関行列が単位行列（identity matrix）と等しいかをカイ二乗（χ²）検定で確認します。帰無仮説は "すべての変数間の相関が0である"（すなわち、相関行列 = 単位行列） です。p < .05で帰無仮説が棄却されれば、変数間に有意な相関が 存在し、因子分析を進めることができます。Bartlett検定が有意でなければ、 変数が互いに独立であるため因子を抽出する根拠がありません。

因子抽出方法：PCA vs PAF

因子分析で最もよく使用される2つの抽出方法は、 主成分分析（PCA, Principal Component Analysis）と 主因子法（PAF, Principal Axis Factoring）です。 両手法は哲学的背景と分析目的が異なります：

注：厳密にはPCAは"因子分析"ではなく別の次元縮約手法ですが、 実務では因子分析の抽出方法として最も広く使用されています。変数数が多く 共通性が高い場合、PCAとPAFの結果は非常に類似します。

因子数の決定方法

因子分析において最も重要な決定の1つは、"何個の因子を抽出するか" です。因子を過剰に抽出すると解釈困難な些末な因子が含まれ、過少に抽出 すると重要な潜在構造を見逃す可能性があります。主に使用される3つの基準は 以下の通りです：

回転方法：Varimax vs Promax

初期の因子抽出結果は解釈が困難な場合が多くあります。因子回転は因子 負荷量のパターンを単純化し、各変数がなるべく1つの因子にのみ高く負荷 するよう調整する過程です。大きく 直交回転（orthogonal rotation）と 斜交回転（oblique rotation）に分けられます。

注：斜交回転におけるパターン行列（pattern matrix）は 他の因子の影響を統制した後の固有の寄与を表し、 構造行列（structure matrix）は因子間相関を含む全体の 相関を表します。因子の解釈には一般的にパターン行列を基準とします。 因子間相関が.32未満であれば直交回転（Varimax）を、.32以上であれば 斜交回転（Promax）を使用するのが一般的なガイドラインです （Tabachnick & Fidell, 2013）。

結果の解釈方法

因子分析の結果を解釈する際に注意すべき3つの核心的な指標があります：

APA形式での報告方法

APA第7版ガイドラインに従い因子分析の結果を報告する際は、使用した抽出方法、 回転方法、因子数決定基準、KMOおよびBartlett検定結果、因子負荷量、分散 説明割合を含める必要があります。以下は計算例に基づく報告テンプレートです：

注：因子負荷量表は本文ではなく別の表（Table）として提示し、.40未満の 負荷量は表から省略するか空欄にして可読性を高めます。統計記号 （χ²、p、df）はイタリック体で 表記し、p値が.001未満の場合はp < .001と 報告します。

よくある間違い

• 標本サイズの不足： 因子分析には十分な標本サイズが 必要です。一般的に変数あたり最低5–10個の観測値（N/p ≥ 5）または全体の標本サイズ100名以上が推奨されます。標本が 小さすぎると因子負荷量が不安定になり再現性が低下します。ComreyとLee （1992）は100 = 不良、200 = 普通、300 = 良好、500 = 非常に良好、 1000 = 素晴らしいと提示しています。
• CFAが適切な状況でEFAを使用する： 理論的に確立された 因子構造が既にあり、それを検証しようとする場合はEFAではなくCFAを 使用する必要があります。EFAは探索的目的に適しており、既存の理論を 確認するにはCFA（構造方程式モデリング）がより適切です。同一データで EFAにより構造を発見した後、同じデータでCFAを行うことも不適切です。
• 因子の過剰抽出： Kaiser基準（固有値 > 1）のみを 使用すると、変数数が多い場合に因子を過剰抽出する可能性があります。 スクリープロットや平行分析など複数の基準を併せて因子数を決定する 必要があります。
• 交差負荷の無視： 2つ以上の因子に.32以上で負荷する 項目は解釈を複雑にします。このような項目を無視して強制的に1つの因子に 割り当てると、因子構造の明確性が低下します。項目の削除または修正を 検討する必要があります。
• KMOを確認せずに分析を進める： KMO値が.50未満の場合、 変数間の相関パターンが因子抽出に不適切です。必ずKMOとBartlett検定を 先に確認し、基準に満たない場合は変数を再構成するか項目を削除してから 再度試行する必要があります。
• 因子回転なしで解釈する： 回転していない初期の因子 負荷量は解釈が困難で、単純構造を示さない場合が多くあります。必ず 適切な回転方法を適用した後に因子を解釈する必要があります。