EFA vs PCA - jaka jest różnica

Analiza głównych składowych (PCA) redukuje wiele zmiennych do kilku składowych wyjaśniających jak najwięcej wariancji - to głównie technika redukcji danych. Eksploracyjna analiza czynnikowa (EFA) zakłada natomiast istnienie ukrytych czynników, które „stoją za" obserwowanymi pozycjami.

W psychometrii, gdy chcemy odkryć strukturę cechy (np. wymiary kwestionariusza), zwykle poprawniejsza jest EFA. Warto sprawdzić przydatność danych (miara KMO i test sferyczności Bartletta) oraz uzasadnić liczbę czynników (wykres osypiska, kryterium wartości własnych).

Przykład: masz 20 pozycji nowego kwestionariusza i chcesz sprawdzić, czy układają się w 3 wymiary (np. emocjonalny, poznawczy, behawioralny) - to zadanie dla EFA. Gdy zależy Ci tylko na skróceniu 20 zmiennych do kilku wskaźników do dalszych analiz, wystarczy PCA. Typowy błąd to nazywanie PCA „analizą czynnikową" w pracy psychometrycznej.

Wskazówka: przed analizą sprawdź, czy dane się nadają (KMO powyżej około 0,6 i istotny test Bartletta), a liczbę czynników uzasadnij (wykres osypiska, analiza równoległa). Zastosuj rotację (np. Varimax lub Oblimin) i raportuj ładunki czynnikowe oraz procent wyjaśnionej wariancji.

Analiza czynnikowa (EFA) i PCA to zaawansowane techniki, w których łatwo pomylić cel i interpretację. Ze względu na złożoność zwykle prowadzi je statystyk - jeśli planujesz badanie struktury kwestionariusza, opisz je przy wycenie lub skonsultuj z asystentem.