Psychometria · Wykresy

Analiza czynnikowa na wykresie: osypisko, analiza równoległa, ładunki

Jedna fikcyjna skala 12 pozycji z trzema czynnikami, pozycją krzyżową i pozycją słabą – pięć rysunków w R: osypisko z analizą równoległą, mapa cieplna ładunków, ładunki przed rotacją i po niej, korelacje czynników i zasoby zmienności wspólnej. Do tego 500 prób Monte Carlo, które pokazują, co rysunek oddaje wiernie, a co zniekształca.

Strona główna / Blog / Analiza czynnikowa na wykresie
W skrócie: Liczbę czynników pokazuj na wykresie osypiska z naniesionymi progami analizy równoległej, a nie samym „łokciem” – w naszej symulacji 500 prób analiza równoległa trafiła w 95.0% prób, kryterium Kaisera w 74.6%. Ładunki narysuj jako mapę cieplną uporządkowaną według czynnika, ze skalą od −1 do 1 i wartościami w polach – pozycja krzyżowa i pozycja słaba są widoczne od razu. Przy skorelowanych czynnikach wybierz rotację ukośną (oblimin): varimax ustawia korelacje czynników na zero i zawyża ładunki obce.

Co wykresy mówią o analizie czynnikowej

Wynik eksploracyjnej analizy czynnikowej to kilka tabel: wartości własne, macierz ładunków, korelacje czynników i zasoby zmienności wspólnej. Każdą z nich da się narysować, a rysunek szybciej niż tabela pokazuje trzy rzeczy:

  • Ile czynników? Odpowiada wykres osypiska z progami analizy równoległej (rysunek 1).
  • Która pozycja należy do którego czynnika? Odpowiada mapa cieplna ładunków i wykres ładunków przed rotacją i po niej (rysunki 2–3).
  • Jak czynniki są powiązane i jak dobrze opisują pozycje? Odpowiadają wykres korelacji czynników i wykres zasobów zmienności wspólnej (rysunki 4–5).

Procedurę EFA krok po kroku opisujemy w poradniku EFA i CFA oraz we wpisach o EFA w SPSS i w jamovi, a logikę progów – w haśle analiza równoległa. Tu są rysunki, kod R i symulacja Monte Carlo: dane są fikcyjne, więc znamy prawdziwą strukturę i widzimy, co wykres oddaje wiernie. Przy każdym rysunku: co widać, czego wykres nie pokazuje, podpis i zdanie do Wyników.

Przykład: skala nawyków uczenia się (dane symulowane)

Fikcyjna Skala Nawyków Uczenia się ma 12 pozycji z odpowiedziami 1–5 i trzy czynniki: planowanie (P1–P4), koncentracja (K1–K4) i szukanie pomocy (S1–S4). Dane 300 osób wylosowaliśmy z modelu, w którym ładunki wynoszą od .60 do .75 dla planowania i od .60 do .70 dla koncentracji, a szukanie pomocy jest czynnikiem słabszym (.45–.55). Celowo wbudowaliśmy dwie pułapki:

  • K4 „Kończę zadanie, zanim zacznę kolejne” to pozycja krzyżowa: w modelu ładuje koncentrację (.45) i planowanie (.40).
  • S4 „Szukam nagrań i forów” to pozycja słaba: ładunek w modelu wynosi tylko .25.

Czynniki są skorelowane: planowanie z koncentracją .40, planowanie z szukaniem pomocy .25, koncentracja z szukaniem pomocy .20. Średnie pozycji wynoszą od 3.13 do 3.28. Macierz korelacji nadaje się do analizy: KMO = .78, test sferyczności Bartletta χ²(66) = 639.93, p < .001 (zob. KMO i test Bartletta). Plik CSV pobierzesz przy pierwszym bloku kodu.

Rysunek 1: osypisko i analiza równoległa

Wykres osypiska pokazuje wartości własne macierzy korelacji w kolejności od największej. Test osypiska opisał Cattell (1966): szukasz miejsca, w którym stroma ściana przechodzi w płaskie „osypisko”, i zatrzymujesz czynniki leżące nad nim. Ocena „na oko” bywa niejednoznaczna, dlatego na ten sam wykres nanosi się progi analizy równoległej: wartości własne z danych losowych o tej samej liczbie osób i pozycji (Horn, 1965). Panel B to dodatek: osypiska 50 innych prób z tej samej populacji.

Dwa wykresy osypiska. A: wartości własne z próby 3.20, 1.53, 1.38 i 0.97 na tle niebieskich linii analizy równoległej (95. centyl 1.42, 1.31, 1.23, 1.16) i kropkowanej linii Kaisera na poziomie 1; trzy pierwsze punkty leżą nad progami. B: szare osypiska 50 innych prób z tej samej populacji, trzecia wartość własna waha się od 1.08 do 1.57, a czwarta od 0.83 do 1.07
Rysunek 1. Wartości własne składowych 12 pozycji (N = 300) na tle progów analizy równoległej z 1000 losowych zbiorów (A) i osypiska 50 innych prób z tej samej populacji (B). Obliczenia: R (dane symulowane, set.seed(571)).

Co widać. Trzy pierwsze wartości własne (3.20, 1.53 i 1.38) leżą nad progami analizy równoległej (95. centyl: 1.42, 1.31 i 1.23), a czwarta (0.97) – pod swoim progiem (1.16). Analiza równoległa, zarówno ze średnią, jak i z 95. centylem, wskazuje trzy czynniki, a kryterium Kaisera (wartość własna > 1) w tej próbie także trzy. Panel B pokazuje, że to szczęśliwy zbieg okoliczności: w 50 innych próbach trzecia wartość własna wahała się od 1.08 do 1.57, a czwarta od 0.83 do 1.07, więc czasem przekraczała 1. W 500 próbach Monte Carlo kryterium Kaisera wskazało trzy czynniki w 74.6% prób (błąd Monte Carlo 1.9 pp), a analiza równoległa z 95. centylem – w 95.0% (błąd 1.0 pp); w pozostałych 5.0% wskazała za mało czynników, nigdy za dużo.

Czego ten wykres nie pokazuje i jak może zmylić. Osypisko w tej próbie ma dwa „łokcie”: po pierwszej i po trzeciej składowej. Kto patrzy tylko na największy spadek, wybierze jeden czynnik. Trzy wartości własne nad progiem to propozycja, którą trzeba sprawdzić w ładunkach. Lim i Jahng (2019) w symulacji pokazali, że analiza równoległa jest zawodna przy niskich ładunkach i silnie skorelowanych czynnikach, i zalecają rozważać także rozwiązania o jeden czynnik mniejsze i większe. Rysunek dotyczy składowych (pełna macierz korelacji); wersję dla czynników omawia hasło o analizie równoległej, a różnicę między podejściami – wpis PCA czy analiza czynnikowa.

Podpis do pracy (w pracy zostaw zwykle tylko panel A):

Rysunek 1. Wykres osypiska dla 12 pozycji Skali Nawyków Uczenia się (N = 300). Uwaga. Punkty – wartości własne macierzy korelacji pozycji. Linie niebieskie – progi analizy równoległej (średnia i 95. centyl wartości własnych z 1000 losowych zbiorów danych 300 × 12); linia kropkowana – kryterium Kaisera.

Zdanie do Wyników:

Analiza równoległa (1000 losowych zbiorów, próg: 95. centyl) wskazała trzy czynniki: trzy pierwsze wartości własne (3.20, 1.53 i 1.38) przekraczały odpowiadające im progi (1.42, 1.31 i 1.23), a czwarta (0.97) była od swojego progu niższa (1.16; Rysunek 1).
Kod rysunku 1

Kod rysunku 1: dane, osypisko i analiza równoległa

Pobierz plik analiza-czynnikowa-na-wykresie-dane.csv (300 osób, 12 pozycji 1–5, dane symulowane) albo wygeneruj te same dane pierwszym blokiem. Bloki uruchamiaj po kolei w jednej sesji R – kolejne korzystają z obiektów i funkcji utworzonych wcześniej (model, motyw, paleta, dopasuj()). Rysunki na tej stronie powstały dokładnie z tego kodu: motyw motyw to skrócona wersja motywu serwisu, a pliki zapisano w formacie SVG (w kodzie – zakomentowane wywołanie ggsave()). Ziarno (571) ustalono raz, bez dobierania pod wynik; z tego samego ciągu losowego pochodzą też próby Monte Carlo.

1. Model populacyjny, dane, KMO, analiza równoległa i osypiska innych prób

Dane wejściowe: brak – dane losowane w kodzie (set.seed(571)); ten sam zbiór jest w pliku CSV.

Co odczytać: średnie pozycji, KMO, test Bartletta, wartości własne z progami (srednia, c95), liczbę czynników według Kaisera i analizy równoległej oraz zakres 3. i 4. wartości własnej w 50 innych próbach.

R
# Rysunek 1. Wykres osypiska z analizą równoległą: fikcyjna skala 12 pozycji, N = 300 (dane symulowane)
library(ggplot2)
library(patchwork)
library(psych)                                   # fa(), fa.parallel(); rotacje ukośne liczy pakiet GPArotation

# Motyw i paleta Okabe–Ito (czytelna przy zaburzeniach widzenia barw; kolor zawsze z kształtem lub etykietą)
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.05)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        axis.text = element_text(colour = "grey25"), strip.text = element_text(face = "bold", colour = "#0f1d3a"),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA),
        plot.margin = margin(10, 14, 10, 10))
kolory <- c(Planowanie = "#0072B2", Koncentracja = "#E69F00", `Szukanie pomocy` = "#009E73")
ksztalty <- c(Planowanie = 16, Koncentracja = 17, `Szukanie pomocy` = 15)
napis <- function(x, d = 2) {                    # zapis APA bez zera wiodącego, z minusem typograficznym
  s <- sprintf(paste0("%.", d, "f"), round(x, d) + 0)
  sub("-", "−", sub("^(-?)0\\.", "\\1.", s))
}

# Model populacyjny: prawdziwą strukturę znamy, bo sami ją ustalamy
pozycje <- c(paste0("P", 1:4), paste0("K", 1:4), paste0("S", 1:4))
czynniki <- names(kolory)
Lambda <- matrix(0, 12, 3, dimnames = list(pozycje, czynniki))
Lambda[1:4, "Planowanie"] <- c(.75, .70, .65, .60)
Lambda[5:8, "Koncentracja"] <- c(.70, .65, .60, .45)
Lambda["K4", "Planowanie"] <- .40                # K4 – pozycja krzyżowa (dwa czynniki)
Lambda[9:12, "Szukanie pomocy"] <- c(.55, .50, .45, .25)   # słabszy czynnik; S4 – pozycja słaba
Phi <- matrix(c(1, .40, .25,
                .40, 1, .20,
                .25, .20, 1), 3, dimnames = list(czynniki, czynniki))
h2_prawdziwe <- diag(Lambda %*% Phi %*% t(Lambda))         # prawdziwe zasoby zmienności wspólnej
losuj_skale <- function(n) {                     # odpowiedzi 1–5 z modelu trzech skorelowanych czynników
  F <- matrix(rnorm(n * 3), n) %*% chol(Phi)
  Z <- F %*% t(Lambda) + matrix(rnorm(n * 12), n) %*% diag(sqrt(1 - h2_prawdziwe))
  X <- apply(Z, 2, function(z) as.integer(cut(z, c(-Inf, -1.8, -0.7, 0.3, 1.3, Inf))))
  colnames(X) <- pozycje
  as.data.frame(X)
}
set.seed(571)                                    # ziarno ustalone raz, bez dobierania pod wynik
dane <- losuj_skale(300)
write.csv(dane, "analiza-czynnikowa-na-wykresie-dane.csv", row.names = FALSE)
round(colMeans(dane), 2)
c(KMO = round(KMO(dane)$MSA, 2))
b <- cortest.bartlett(cor(dane), n = nrow(dane))
c(chi2 = round(b$chisq, 2), df = b$df, p_mniejsze_niz_001 = b$p.value < .001)

# Analiza równoległa: 1000 losowych zbiorów 300 × 12 z rozkładu normalnego
pa <- fa.parallel(dane, fm = "minres", fa = "both", n.iter = 1000, plot = FALSE)
los <- pa$values[, paste0("CSim", 1:12)]         # wartości własne składowych z danych losowych
d1 <- data.frame(nr = 1:12, dane = pa$pc.values, srednia = colMeans(los),
                 c95 = apply(los, 2, quantile, .95), row.names = NULL)
round(head(d1, 6), 2)
c(Kaiser = sum(d1$dane > 1), PA_srednia = which(d1$dane <= d1$srednia)[1] - 1,
  PA_95 = which(d1$dane <= d1$c95)[1] - 1)

# Panel B: osypiska 50 innych prób z tej samej populacji (osypisko też ma błąd losowania)
inne <- do.call(rbind, lapply(1:50, function(i)
  data.frame(proba = i, nr = 1:12, wartosc = eigen(cor(losuj_skale(300)), only.values = TRUE)$values)))
round(tapply(inne$wartosc, inne$nr, range)[[3]], 2)    # zakres 3. wartości własnej w 50 próbach
round(tapply(inne$wartosc, inne$nr, range)[[4]], 2)    # zakres 4. wartości własnej

linie <- data.frame(nr = rep(1:12, 3), wartosc = c(d1$srednia, d1$c95, rep(1, 12)),
                    co = rep(c("Analiza równoległa: średnia", "Analiza równoległa: 95. centyl", "Kaiser: 1"), each = 12))
skala_linii <- scale_linetype_manual(values = c("Analiza równoległa: średnia" = "dashed",
                                                "Analiza równoległa: 95. centyl" = "solid", "Kaiser: 1" = "dotted"),
                                     name = NULL)
p1a <- ggplot(d1, aes(nr, dane)) +
  geom_line(data = linie, aes(y = wartosc, linetype = co), colour = "#0072B2", linewidth = 0.8) +
  geom_line(colour = "grey25") + geom_point(size = 2.6, colour = "grey10") +
  geom_text(data = d1[1:4, ], aes(label = sprintf("%.2f", dane)), nudge_x = 0.3, nudge_y = 0.22, hjust = 0, size = 3.9) +
  skala_linii + scale_x_continuous(breaks = 1:12) + scale_y_continuous(limits = c(0, 4.2)) +
  labs(x = "Numer składowej", y = "Wartość własna", title = "A. Twoja próba (N = 300)") +
  motyw + theme(legend.direction = "vertical")
p1b <- ggplot(inne, aes(nr, wartosc, group = proba)) +
  geom_line(colour = "grey45", alpha = 0.35, linewidth = 0.4) +
  geom_line(data = d1, aes(nr, dane), inherit.aes = FALSE, colour = "grey10", linewidth = 0.9) +
  geom_line(data = d1, aes(nr, c95), inherit.aes = FALSE, colour = "#0072B2", linewidth = 0.8) +
  scale_x_continuous(breaks = 1:12) + scale_y_continuous(limits = c(0, 4.2)) +
  labs(x = "Numer składowej", y = NULL, title = "B. 50 innych prób z populacji") + motyw
p1 <- p1a + p1b + plot_layout(guides = "collect") & theme(legend.position = "bottom")
# p1   # wyświetl; zapis: ggsave("osypisko-rownolegla.svg", p1, width = 9, height = 5.6)
Wynik w R
  P1   P2   P3   P4   K1   K2   K3   K4   S1   S2   S3   S4 
3.14 3.14 3.16 3.25 3.19 3.13 3.19 3.22 3.19 3.20 3.20 3.28 
 KMO 
0.78 
              chi2                 df p_mniejsze_niz_001 
            639.93              66.00               1.00 
Parallel analysis suggests that the number of factors =  3  and the number of components =  3 
  nr dane srednia  c95
1  1 3.20    1.34 1.42
2  2 1.53    1.25 1.31
3  3 1.38    1.18 1.23
4  4 0.97    1.12 1.16
5  5 0.85    1.07 1.10
6  6 0.69    1.02 1.05
    Kaiser PA_srednia      PA_95 
         3          3          3 
[1] 1.08 1.57
[1] 0.83 1.07

Rysunek 2: mapa cieplna ładunków

Tabela ładunków czynnikowych z 36 liczbami jest czytelna dopiero wtedy, gdy pozycje ułożysz według czynnika, a w czynniku – od najsilniejszej. Mapa cieplna robi to samo kolorem: skala rozbieżna z bielą w zerze i stałymi granicami −1 i 1 (te same zasady co przy mapie cieplnej korelacji), a w polach – wartości ładunków. Rozwiązanie: trzy czynniki, metoda minres, rotacja ukośna oblimin.

Mapa cieplna ładunków 12 pozycji na trzech czynnikach po rotacji oblimin. Pozycje P1–P4 mają ładunki od .63 do .70 na planowaniu, K1–K3 od .58 do .66 na koncentracji, S1–S3 od .33 do .74 na szukaniu pomocy. K4 ma dwa jaśniejsze pola: .34 na planowaniu i .42 na koncentracji. S4 ma tylko .26, bez pogrubienia
Rysunek 2. Ładunki (macierz wzoru) po rotacji oblimin, pozycje uporządkowane według czynnika i siły ładunku. Obliczenia: R (dane symulowane).

Co widać. Trzy bloki: planowanie (.63–.70), koncentracja (K1–K3: .58–.66) i szukanie pomocy (S1: .74, S2: .42, S3: .33). Ładunki poza blokami są bliskie zera: poza K4 największy co do wartości bezwzględnej to −.11 u słabej pozycji S4. Obie pułapki są widoczne od razu. K4 ma dwa jasnopomarańczowe pola (.34 na planowaniu i .42 na koncentracji), czyli ładunek krzyżowy. S4 ma ładunek .26, poniżej umownej granicy .30. W 500 próbach Monte Carlo K4 miała dwa ładunki co najmniej .30 w 82.4% prób (błąd MC 1.7 pp), a ładunek S4 spadał poniżej .30 w 75.4% prób (błąd 1.9 pp) – obie pułapki są więc wyraźne nie tylko w tej jednej próbie.

Czego ten wykres nie pokazuje i jak może zmylić. Przy rotacji ukośnej to macierz wzoru – ładunki to tu współczynniki podobne do wag regresji, a nie korelacje pozycji z czynnikiem (te są w macierzy struktury). Granica .30 jest umowna: pole .29 i pole .31 różnią się kolorem prawie niezauważalnie, a pogrubieniem już tak, więc nie traktuj pogrubienia jak wyroku. Mapa nie mówi też, jak dokładne są ładunki.

Podpis do pracy (do rozdziału o narzędziu; dokładne wartości podaj w tabeli analizy czynnikowej w APA):

Rysunek 2. Ładunki czynnikowe pozycji Skali Nawyków Uczenia się w rozwiązaniu trzyczynnikowym (N = 300). Uwaga. Metoda minimalnych reszt (minres), rotacja oblimin; pokazano macierz wzoru. Pozycje uporządkowano według czynnika z najwyższym ładunkiem; pogrubiono ładunki o wartości bezwzględnej co najmniej .30. Kolor: znak i siła ładunku na skali od −1 do 1.

Zdanie do Wyników:

W rozwiązaniu trzyczynnikowym (minres, oblimin) pozycje planowania miały ładunki od .63 do .70, a pozycje koncentracji od .42 do .66. Pozycja K4 ładowała zarówno koncentrację (.42), jak i planowanie (.34), a pozycja S4 miała niski ładunek na czynniku szukania pomocy (.26; Rysunek 2).
Kod rysunku 2

Kod rysunku 2: EFA i mapa cieplna ładunków

2. Trzy czynniki (minres, oblimin), dopasowanie czynników i mapa ładunków

Dane wejściowe: dane, Lambda, czynniki, motyw i napis() z bloku 1.

Co odczytać: ładunki (macierz wzoru) i h² każdej pozycji, korelacje czynników i kolejność pozycji na mapie.

R
# Rysunek 2. Mapa cieplna ładunków: EFA, 3 czynniki, minres, oblimin (kontynuacja: dane, Lambda, czynniki, motyw, napis)
tresc <- c(P1 = "Planuję naukę z wyprzedzeniem", P2 = "Rozpisuję materiał na dni", P3 = "Ustalam cel każdej sesji",
           P4 = "Trzymam się harmonogramu", K1 = "Łatwo skupiam się na nauce", K2 = "Nie rozpraszają mnie powiadomienia",
           K3 = "Długo utrzymuję uwagę", K4 = "Kończę zadanie przed kolejnym", S1 = "Pytam prowadzących",
           S2 = "Uczę się z innymi", S3 = "Chodzę na konsultacje", S4 = "Szukam nagrań i forów")
# dopasowanie kolejności i znaku czynników z próby do czynników modelu (największa kongruencja Tuckera)
dopasuj <- function(L, wzor = Lambda) {
  perm <- rbind(c(1, 2, 3), c(1, 3, 2), c(2, 1, 3), c(2, 3, 1), c(3, 1, 2), c(3, 2, 1))
  kong <- factor.congruence(unclass(L), wzor)                      # wiersze: czynniki próby, kolumny: wzorca
  najl <- perm[which.max(apply(perm, 1, function(k) sum(abs(kong[cbind(k, 1:3)])))), ]
  list(kolejnosc = najl, znak = sign(kong[cbind(najl, 1:3)]))
}
efa <- fa(dane, nfactors = 3, fm = "minres", rotate = "oblimin")
dop <- dopasuj(efa$loadings)
L_obl <- unclass(efa$loadings)[, dop$kolejnosc] %*% diag(dop$znak)
dimnames(L_obl) <- list(pozycje, czynniki)
Phi_obl <- (diag(dop$znak) %*% efa$Phi[dop$kolejnosc, dop$kolejnosc] %*% diag(dop$znak))
dimnames(Phi_obl) <- list(czynniki, czynniki)
round(cbind(L_obl, h2 = efa$communality), 2)
round(Phi_obl, 2)

# kolejność pozycji: według czynnika z największym ładunkiem, w czynniku – malejąco
glowny <- apply(abs(L_obl), 1, which.max)
kolejnosc <- pozycje[order(glowny, -apply(abs(L_obl), 1, max))]
kolejnosc
etykiety <- setNames(paste(kolejnosc, tresc[kolejnosc], sep = "  "), kolejnosc)
d2 <- data.frame(pozycja = rep(pozycje, 3), czynnik = rep(czynniki, each = 12), ladunek = as.vector(L_obl))
d2$pozycja <- factor(d2$pozycja, levels = rev(kolejnosc))
d2$czynnik <- factor(d2$czynnik, levels = czynniki)
d2$wyrazny <- abs(d2$ladunek) >= .30
p2 <- ggplot(d2, aes(czynnik, pozycja, fill = ladunek)) +
  geom_tile(colour = "white", linewidth = 0.8) +
  geom_text(aes(label = napis(ladunek), colour = wyrazny, fontface = ifelse(wyrazny, "bold", "plain")),
            size = 4.2, show.legend = FALSE) +
  scale_colour_manual(values = c(`TRUE` = "grey5", `FALSE` = "grey50")) +
  scale_fill_gradient2(low = "#0072B2", mid = "white", high = "#D55E00", midpoint = 0, limits = c(-1, 1),
                       breaks = seq(-1, 1, 0.5), labels = function(x) napis(x, 1), name = "Ładunek (macierz wzoru)") +
  scale_y_discrete(labels = etykiety) + scale_x_discrete(position = "top") +
  labs(x = NULL, y = NULL, title = "Ładunki po rotacji oblimin",
       caption = "Pogrubione: |ładunek| ≥ .30.\nPozycje uporządkowane według czynnika i siły ładunku.") +
  motyw + theme(panel.grid.major = element_blank(), legend.key.width = unit(1.6, "cm"),
                legend.title.position = "top", plot.caption = element_text(colour = "grey30", hjust = 0),
                axis.text.y = element_text(hjust = 0))
# p2   # zapis: ggsave("mapa-ladunkow.svg", p2, width = 8, height = 7.4)
Wynik w R
   Planowanie Koncentracja Szukanie pomocy   h2
P1       0.69         0.02            0.00 0.49
P2       0.70        -0.06            0.02 0.46
P3       0.63         0.05            0.02 0.42
P4       0.64        -0.02           -0.02 0.40
K1      -0.04         0.66            0.04 0.42
K2      -0.02         0.65           -0.02 0.40
K3       0.02         0.58           -0.01 0.35
K4       0.34         0.42            0.00 0.42
S1       0.00        -0.01            0.74 0.54
S2       0.03         0.00            0.42 0.18
S3       0.05         0.09            0.33 0.14
S4      -0.11         0.00            0.26 0.07
                Planowanie Koncentracja Szukanie pomocy
Planowanie            1.00         0.44            0.16
Koncentracja          0.44         1.00            0.18
Szukanie pomocy       0.16         0.18            1.00
 [1] "P2" "P1" "P4" "P3" "K1" "K2" "K3" "K4" "S1" "S2" "S3" "S4"

Rysunek 3: ładunki przed rotacją i po niej

Rotacja obraca osie czynników tak, by każda pozycja ładowała możliwie jeden czynnik. Najłatwiej to zobaczyć na wykresie, na którym każda pozycja jest punktem o współrzędnych równych ładunkom na dwóch czynnikach. Rysunek 3 pokazuje te same dane bez rotacji i po trzech rotacjach: ortogonalnej varimax (Kaiser, 1958) oraz ukośnych oblimin (Jennrich i Sampson, 1966) i promax. Trzeci czynnik nie mieści się na płaszczyźnie, więc pozycje S leżą blisko początku układu.

Cztery wykresy punktowe ładunków 12 pozycji na czynnikach 1 i 2. Bez rotacji wszystkie pozycje P i K mają ładunki od .46 do .64 na pierwszym czynniku, a P ujemne na drugim. Po varimax pozycje P leżą przy osi poziomej, K przy pionowej, a K4 między nimi (.43 i .49). Po oblimin i promax chmury przylegają do osi jeszcze ciaśniej, ładunki obce do .11; K4 nadal między osiami
Rysunek 3. Ładunki 12 pozycji na dwóch pierwszych czynnikach bez rotacji i po rotacjach varimax, oblimin i promax. Kolor i kształt: czynnik pozycji w modelu populacyjnym. Obliczenia: R (dane symulowane).

Co widać. Bez rotacji pierwszy czynnik jest „ogólny”: wszystkie pozycje planowania i koncentracji mają na nim ładunki od .46 do .64, a drugi czynnik je rozdziela (planowanie ujemnie, koncentracja dodatnio). Po varimax obie grupy leżą przy osiach, ale nie na nich – najwyższy ładunek obcy (poza K4) wynosi .19. Po oblimin i promax chmury przylegają do osi ciaśniej (najwyższy ładunek obcy .11 i .10). K4 we wszystkich rotacjach leży między osiami: .43 i .49 po varimax, .34 i .42 po oblimin. Rotacja nie zmienia zasobów zmienności wspólnej: we wszystkich czterech rozwiązaniach wynoszą od .07 do .54.

Czego ten wykres nie pokazuje i jak może zmylić. Przy rotacji ukośnej osie nie są prostopadłe, a wykres rysuje je jako prostopadłe – kąt między czynnikami widać dopiero w ich korelacji (rysunek 4). To rzut na dwa wymiary z trzech: pozycja blisko zera może mieć wysoki ładunek na trzecim czynniku. Przy skorelowanych czynnikach varimax daje wyższe ładunki obce – Sass i Schmitt (2010) pokazali, że interpretacja ładunków i korelacji czynników może się znacznie różnić zależnie od kryterium rotacji. O wyborze rotacji piszemy w hasłach o varimax i rotacji ukośnej.

Podpis do pracy (rysunek dobry do aneksu albo do uzasadnienia wyboru rotacji):

Rysunek 3. Ładunki pozycji Skali Nawyków Uczenia się na dwóch pierwszych czynnikach przed rotacją i po rotacjach varimax, oblimin i promax (N = 300). Uwaga. Metoda minres, trzy czynniki; trzeci czynnik (szukanie pomocy) nie jest przedstawiony. Po rotacji czynniki uporządkowano i dopasowano znakiem do struktury zakładanej.

Zdanie do Wyników:

Zastosowano rotację ukośną oblimin, ponieważ czynniki teoretycznie mogą być skorelowane; po rotacji varimax najwyższy ładunek pozycji na czynniku innym niż zakładany wynosił .19, a po rotacji oblimin .11 co do wartości bezwzględnej (z wyjątkiem pozycji K4; Rysunek 3).
Kod rysunku 3

Kod rysunku 3: ładunki przed rotacją i po niej

3. Brak rotacji, varimax, oblimin i promax na jednym rysunku

Dane wejściowe: dane, Lambda, dopasuj(), paleta i motyw z bloków 1–2.

Co odczytać: ładunki bez rotacji na dwóch pierwszych czynnikach, ładunki K4 i najwyższy ładunek obcy po każdej rotacji oraz zakres h² (taki sam w każdym rozwiązaniu).

R
# Rysunek 3. Te same ładunki bez rotacji, po varimax, oblimin i promax (kontynuacja: dane, Lambda, czynniki, dopasuj, motyw)
library(ggrepel)
rotacje <- c("brak rotacji" = "none", varimax = "varimax", oblimin = "oblimin", promax = "promax")
wyniki <- lapply(rotacje, function(r) fa(dane, nfactors = 3, fm = "minres", rotate = r))
ladunki <- lapply(names(rotacje), function(r) {
  L <- unclass(wyniki[[r]]$loadings)
  if (r != "brak rotacji") { d <- dopasuj(L); L <- L[, d$kolejnosc] %*% diag(d$znak) }  # bez rotacji: czynniki 1 i 2 z ekstrakcji
  data.frame(rotacja = r, pozycja = pozycje, F1 = L[, 1], F2 = L[, 2], F3 = L[, 3],
             czynnik = czynniki[apply(Lambda, 1, function(x) which.max(abs(x)))])
})
d3 <- do.call(rbind, ladunki)
d3$rotacja <- factor(d3$rotacja, levels = names(rotacje))
d3$czynnik <- factor(d3$czynnik, levels = czynniki)
# po rotacji: ładunki pozycji krzyżowej K4 i najwyższy ładunek „obcy” wśród pozostałych pozycji
round(unclass(wyniki[["brak rotacji"]]$loadings)[, 1:2], 2)   # bez rotacji: pierwszy czynnik „ogólny”
round(sapply(split(d3, d3$rotacja)[-1], function(d) {
  M <- as.matrix(d[, c("F1", "F2", "F3")]); glowny <- cbind(1:12, match(d$czynnik, czynniki))
  obce <- abs(M); obce[glowny] <- NA
  c(K4_F1 = M[8, 1], K4_F2 = M[8, 2], max_obcy_bez_K4 = max(obce[-8, ], na.rm = TRUE))
}), 2)
# te same zasoby zmienności wspólnej niezależnie od rotacji
round(sapply(wyniki, function(w) range(w$communality)), 2)

p3 <- ggplot(d3, aes(F1, F2, colour = czynnik, shape = czynnik)) +
  geom_hline(yintercept = 0, colour = "grey60") + geom_vline(xintercept = 0, colour = "grey60") +
  geom_point(size = 2.8) +
  geom_text_repel(aes(label = pozycja), size = 4, show.legend = FALSE, seed = 1, min.segment.length = 0.2,
                  box.padding = 0.25, max.overlaps = Inf) +
  facet_wrap(~ rotacja, ncol = 2) +
  scale_colour_manual(values = kolory, name = "Czynnik w modelu") +
  scale_shape_manual(values = ksztalty, name = "Czynnik w modelu") +
  scale_x_continuous(limits = c(-0.35, 0.95), breaks = seq(-0.25, 0.75, 0.25), labels = function(x) napis(x)) +
  scale_y_continuous(limits = c(-0.35, 0.85), breaks = seq(-0.25, 0.75, 0.25), labels = function(x) napis(x)) +
  coord_equal() +
  labs(x = "Ładunek na czynniku 1 (po rotacji: Planowanie)", y = "Ładunek na czynniku 2\n(po rotacji: Koncentracja)",
       title = "Ładunki w przestrzeni dwóch pierwszych czynników") + motyw
# p3   # zapis: ggsave("rotacje.svg", p3, width = 8, height = 8.6)
Wynik w R
     MR1   MR2
P1  0.64 -0.24
P2  0.59 -0.25
P3  0.61 -0.20
P4  0.56 -0.25
K1  0.48  0.28
K2  0.48  0.22
K3  0.46  0.20
K4  0.63  0.03
S1  0.22  0.54
S2  0.15  0.30
S3  0.22  0.26
S4 -0.03  0.23
                varimax oblimin promax
K4_F1              0.43    0.34   0.32
K4_F2              0.49    0.42   0.42
max_obcy_bez_K4    0.19    0.11   0.10
     brak rotacji varimax oblimin promax
[1,]         0.07    0.07    0.07   0.07
[2,]         0.54    0.54    0.54   0.54

Rysunek 4: korelacje czynników

Rotacja ukośna szacuje korelacje czynników, a ortogonalna ustawia je na zero. Znamy prawdziwe korelacje, więc porównujemy z nimi oszacowania z próby i z 500 prób Monte Carlo (każda N = 300).

Wykres punktowy korelacji trzech par czynników. Planowanie z koncentracją: prawda .40, oblimin .44 z zakresem 500 prób od .27 do .52, promax .51 (od .29 do .57). Planowanie z szukaniem pomocy: prawda .25, oblimin .16, promax .12, zakresy od .02 do .34 i do .43. Koncentracja z szukaniem pomocy: prawda .20, oblimin .18, promax .22. Varimax we wszystkich parach 0
Rysunek 4. Korelacje czynników w próbie (punkty) na tle prawdziwych korelacji w modelu (kreski) i 95% wyników z 500 prób Monte Carlo (odcinki). Obliczenia: R (dane symulowane).

Co widać. Oblimin oszacował korelację planowania z koncentracją na .44 (prawda: .40), a promax na .51. Korelacje ze słabszym czynnikiem szukania pomocy są mniejsze i mniej dokładne: oblimin .16 i .18 (prawda: .25 i .20). W 500 próbach 95% wyników oblimin dla pary planowanie–koncentracja mieściło się między .27 a .52 (średnio .39). Promax dawał średnio wartości bliższe prawdzie przy słabszym czynniku (.24 i .20), ale z szerszym rozrzutem. Varimax we wszystkich parach pokazuje zero – nie dlatego, że czynniki nie są skorelowane, tylko dlatego, że taką ma konstrukcję.

Czego ten wykres nie pokazuje i jak może zmylić. W prawdziwym badaniu nie masz ani kresek, ani 500 prób – masz jeden punkt. Odcinki pokazują, jak bardzo ten punkt mógłby się różnić w innej próbie tej samej wielkości; to nie jest przedział ufności z Twojej analizy (ten możesz policzyć np. bootstrapem). Korelacja czynników zależy też od kryterium rotacji: przy parze planowanie–koncentracja oblimin i promax różnią się o .07 na tych samych danych.

Podpis do pracy:

Rysunek 4. Korelacje między czynnikami Skali Nawyków Uczenia się po rotacjach oblimin, promax i varimax (N = 300). Uwaga. Przy rotacji varimax korelacje czynników są z założenia równe zeru.

Zdanie do Wyników:

Czynniki planowania i koncentracji korelowały umiarkowanie (r = .44), a czynnik szukania pomocy słabo korelował z planowaniem (r = .16) i z koncentracją (r = .18), co uzasadnia zastosowanie rotacji ukośnej (Rysunek 4).
Kod rysunku 4

Kod rysunku 4: korelacje czynników i 500 prób Monte Carlo

4. Symulacja Monte Carlo: liczba czynników, pułapki i korelacje czynników

Dane wejściowe: losuj_skale(), Phi, d1 (progi analizy równoległej) z bloku 1, dopasuj() z bloku 2, wyniki z bloku 3. Czas: ok. pół minuty.

Co odczytać: odsetki prób z błędem Monte Carlo (pp) oraz korelacje czynników: prawda, próba, 2.5. i 97.5. centyl i średnia z 500 prób.

R
# Rysunek 4. Korelacje czynników: oblimin, promax i varimax wobec prawdy z modelu; 500 prób Monte Carlo
# (kontynuacja: losuj_skale, Lambda, Phi, czynniki, dopasuj, d1, wyniki, kolory, motyw, napis)
pary <- rbind(c(1, 2), c(1, 3), c(2, 3))
nazwy_par <- c("Planowanie – Koncentracja", "Planowanie – Szukanie pomocy", "Koncentracja – Szukanie pomocy")
phi_pary <- function(w) {                        # korelacje czynników po dopasowaniu kolejności i znaku
  d <- dopasuj(w$loadings)
  P <- diag(d$znak) %*% w$Phi[d$kolejnosc, d$kolejnosc] %*% diag(d$znak)
  P[pary]
}
R_mc <- 500                                      # liczba prób Monte Carlo (każda N = 300); ciąg losowy z set.seed(571)
mc <- t(replicate(R_mc, {
  X <- losuj_skale(300)
  ev <- eigen(cor(X), only.values = TRUE)$values
  w_o <- fa(X, nfactors = 3, fm = "minres", rotate = "oblimin")
  w_p <- fa(X, nfactors = 3, fm = "minres", rotate = "promax")
  d <- dopasuj(w_o$loadings); L <- unclass(w_o$loadings)[, d$kolejnosc] %*% diag(d$znak)
  c(kaiser = sum(ev > 1), pa95 = which(ev <= d1$c95)[1] - 1, obl = phi_pary(w_o), pro = phi_pary(w_p),
    K4_dwa = all(abs(L[8, 1:2]) >= .30), S4_ponizej_30 = unname(abs(L[12, 3]) < .30), w_o$communality)
}))
odsetek <- function(x) c(odsetek = round(100 * mean(x), 1), blad_MC_pp = round(100 * sqrt(mean(x) * (1 - mean(x)) / length(x)), 1))
rbind(Kaiser_3 = odsetek(mc[, "kaiser"] == 3), PA95_3 = odsetek(mc[, "pa95"] == 3),
      PA95_mniej_niz_3 = odsetek(mc[, "pa95"] < 3), K4_dwa_ladunki_30 = odsetek(mc[, "K4_dwa"] == 1),
      S4_ponizej_30 = odsetek(mc[, "S4_ponizej_30"] == 1))

# prawda, Twoja próba i rozrzut 500 prób (2.5. i 97.5. centyl)
d4 <- do.call(rbind, lapply(1:3, function(k) data.frame(
  para = nazwy_par[k], metoda = c("oblimin", "promax", "varimax"),
  prawda = Phi[pary][k],
  proba = c(phi_pary(wyniki$oblimin)[k], phi_pary(wyniki$promax)[k], 0),
  dol = c(quantile(mc[, paste0("obl", k)], .025), quantile(mc[, paste0("pro", k)], .025), 0),
  gora = c(quantile(mc[, paste0("obl", k)], .975), quantile(mc[, paste0("pro", k)], .975), 0),
  srednia_mc = c(mean(mc[, paste0("obl", k)]), mean(mc[, paste0("pro", k)]), 0))))
cbind(d4[, 1:2], round(d4[, 3:7], 2))
d4$para <- factor(d4$para, levels = rev(nazwy_par))
d4$metoda <- factor(d4$metoda, levels = c("oblimin", "promax", "varimax"))
p4 <- ggplot(d4, aes(y = para)) +
  geom_point(aes(x = prawda), data = d4[d4$metoda == "oblimin", ], shape = 124, size = 9, colour = "grey10") +
  geom_errorbar(aes(xmin = dol, xmax = gora, colour = metoda), width = 0, linewidth = 1, orientation = "y",
                position = position_dodge(width = 0.6)) +
  geom_point(aes(x = proba, colour = metoda, shape = metoda), size = 3.2, fill = "white", stroke = 1.1,
             position = position_dodge(width = 0.6)) +
  scale_colour_manual(values = c(oblimin = "#0072B2", promax = "#E69F00", varimax = "grey45"), name = NULL) +
  scale_shape_manual(values = c(oblimin = 16, promax = 24, varimax = 15), name = NULL) +
  scale_x_continuous(limits = c(-0.05, 0.65), breaks = seq(0, 0.6, 0.1), labels = function(x) napis(x, 1)) +
  labs(x = "Korelacja czynników", y = NULL, title = "Ile korelacji widzi rotacja?",
       caption = "Kreska pionowa: prawdziwa korelacja w modelu. Punkt: Twoja próba.\nOdcinek: 95% wyników z 500 prób N = 300.") +
  motyw + theme(plot.caption = element_text(colour = "grey30", hjust = 0))
# p4   # zapis: ggsave("korelacje-czynnikow.svg", p4, width = 8, height = 5)
Wynik w R
                  odsetek blad_MC_pp
Kaiser_3             74.6        1.9
PA95_3               95.4        0.9
PA95_mniej_niz_3      4.6        0.9
K4_dwa_ladunki_30    82.4        1.7
S4_ponizej_30        75.4        1.9
                            para  metoda prawda proba   dol gora srednia_mc
1      Planowanie – Koncentracja oblimin   0.40  0.44  0.27 0.52       0.39
2      Planowanie – Koncentracja  promax   0.40  0.51  0.29 0.57       0.44
3      Planowanie – Koncentracja varimax   0.40  0.00  0.00 0.00       0.00
4   Planowanie – Szukanie pomocy oblimin   0.25  0.16  0.02 0.34       0.19
5   Planowanie – Szukanie pomocy  promax   0.25  0.12  0.02 0.43       0.24
6   Planowanie – Szukanie pomocy varimax   0.25  0.00  0.00 0.00       0.00
7 Koncentracja – Szukanie pomocy oblimin   0.20  0.18 -0.02 0.30       0.15
8 Koncentracja – Szukanie pomocy  promax   0.20  0.22 -0.02 0.39       0.20
9 Koncentracja – Szukanie pomocy varimax   0.20  0.00  0.00 0.00       0.00

Rysunek 5: zasoby zmienności wspólnej

Zasób zmienności wspólnej h² to część wariancji pozycji wyjaśniona przez wszystkie czynniki razem. Na rysunku 5 obok wartości z próby są wartości prawdziwe i rozrzut w 500 próbach.

Wykres punktowy zasobów zmienności wspólnej 12 pozycji uporządkowanych według wartości prawdziwej. Najwyższe w próbie: S1 .54, P1 .49, P2 .46; najniższe: S3 .14 i S4 .07. Szare pasy rozrzutu w 500 próbach są szerokie dla pozycji szukania pomocy, np. S1 od .12 do .58, a romb wartości prawdziwej S1 leży na .30
Rysunek 5. Zasoby zmienności wspólnej (h²) w rozwiązaniu trzyczynnikowym: próba (punkty), model populacyjny (romby) i 95% wyników z 500 prób Monte Carlo (pasy). Obliczenia: R (dane symulowane).

Co widać. Zasoby wynoszą od .07 (S4) do .54 (S1), średnio .36; trzy czynniki wyjaśniają razem 35.8% wariancji pozycji. S4 jest najsłabsza zarówno w próbie, jak i w modelu (.06). Ciekawsza jest S1: w próbie ma najwyższy zasób (.54), choć w modelu tylko .30. Pas rozrzutu (.12–.58) pokazuje, że w słabym czynniku pozycje „konkurują” o czynnik i jedna z nich może go przejąć.

Czego ten wykres nie pokazuje i jak może zmylić. Wartości prawdziwe dotyczą ciągłych odpowiedzi przed podziałem na pięć kategorii, a podział nieco obniża korelacje, dlatego pasy pozycji o wysokim h² leżą trochę na lewo od rombów. Nie ma jednego progu „za niskiego” zasobu: o losie pozycji decydują treść, ładunek i rola w skali, a nie sama liczba – a każda taka decyzja w EFA ma konsekwencje dla wyników (Fabrigar i in., 1999). Usunięcie S4 zmieni rozwiązanie, więc przelicz analizę i opisz tę decyzję. Zasoby przydają się też dalej: z ładunków policzysz rzetelność podskal w kalkulatorze alfy i omegi, a strukturę sprawdzisz na nowej próbie w CFA.

Podpis do pracy:

Rysunek 5. Zasoby zmienności wspólnej (h²) pozycji Skali Nawyków Uczenia się w rozwiązaniu trzyczynnikowym (N = 300). Uwaga. Metoda minres; zasoby nie zależą od rotacji. Pozycje uporządkowano według wartości h².

Zdanie do Wyników:

Zasoby zmienności wspólnej wynosiły od .07 do .54 (M = .36); najniższe miały pozycje S4 (.07) i S3 (.14), a trzy czynniki wyjaśniały łącznie 35.8% wariancji pozycji (Rysunek 5).
Kod rysunku 5

Kod rysunku 5: zasoby zmienności wspólnej

5. Zasoby zmienności wspólnej: próba, model i rozrzut w 500 próbach

Dane wejściowe: efa z bloku 2, macierz mc z bloku 4, h2_prawdziwe i tresc.

Co odczytać: h² z próby, prawdziwe i zakres 95% w 500 próbach dla każdej pozycji, średnią, sumę i odsetek wariancji wspólnej.

R
# Rysunek 5. Zasoby zmienności wspólnej (h²): Twoja próba, prawda z modelu i rozrzut w 500 próbach
# (kontynuacja: efa, mc, h2_prawdziwe, tresc, pozycje, kolory, ksztalty, motyw, napis)
h2_mc <- mc[, pozycje]
d5 <- data.frame(pozycja = pozycje, prawda = h2_prawdziwe, proba = efa$communality,
                 dol = apply(h2_mc, 2, quantile, .025), gora = apply(h2_mc, 2, quantile, .975),
                 czynnik = czynniki[apply(Lambda, 1, function(x) which.max(abs(x)))], row.names = NULL)
cbind(d5[, c(1, 6)], round(d5[, 2:5], 2))
c(srednia_h2 = round(mean(d5$proba), 2), suma_h2 = round(sum(d5$proba), 2),
  procent_wariancji_wspolnej = round(100 * sum(d5$proba) / 12, 1))
d5$etykieta <- factor(paste(d5$pozycja, tresc[d5$pozycja], sep = "  "),
                      levels = paste(d5$pozycja, tresc[d5$pozycja], sep = "  ")[order(d5$prawda)])
d5$czynnik <- factor(d5$czynnik, levels = czynniki)
p5 <- ggplot(d5, aes(y = etykieta)) +
  geom_errorbar(aes(xmin = dol, xmax = gora), width = 0, linewidth = 2.6, colour = "grey85", orientation = "y") +
  geom_point(aes(x = prawda), shape = 23, size = 3.4, fill = "white", colour = "grey10", stroke = 1) +
  geom_point(aes(x = proba, colour = czynnik, shape = czynnik), size = 3) +
  geom_text(aes(x = gora, label = napis(proba)), hjust = -0.35, size = 3.9, colour = "grey20") +
  scale_colour_manual(values = kolory, name = NULL) + scale_shape_manual(values = ksztalty, name = NULL) +
  scale_x_continuous(limits = c(0, 0.8), breaks = seq(0, 0.8, 0.2), labels = function(x) napis(x, 1)) +
  labs(x = "Zasób zmienności wspólnej h²", y = NULL, title = "Ile wariancji pozycji wyjaśniają czynniki?",
       caption = "Punkt: Twoja próba (liczba obok). Romb: prawda w modelu.\nSzary pas: 95% wyników z 500 prób N = 300.") +
  motyw + theme(axis.text.y = element_text(hjust = 0), plot.caption = element_text(colour = "grey30", hjust = 0))
# p5   # zapis: ggsave("zasoby-wspolne.svg", p5, width = 8, height = 6.4)
Wynik w R
   pozycja         czynnik prawda proba  dol gora
1       P1      Planowanie   0.56  0.49 0.40 0.64
2       P2      Planowanie   0.49  0.46 0.33 0.58
3       P3      Planowanie   0.42  0.42 0.28 0.50
4       P4      Planowanie   0.36  0.40 0.23 0.45
5       K1    Koncentracja   0.49  0.42 0.33 0.61
6       K2    Koncentracja   0.42  0.40 0.27 0.56
7       K3    Koncentracja   0.36  0.35 0.23 0.47
8       K4    Koncentracja   0.51  0.42 0.37 0.56
9       S1 Szukanie pomocy   0.30  0.54 0.12 0.58
10      S2 Szukanie pomocy   0.25  0.18 0.10 0.43
11      S3 Szukanie pomocy   0.20  0.14 0.08 0.40
12      S4 Szukanie pomocy   0.06  0.07 0.01 0.17
                srednia_h2                    suma_h2 
                      0.36                       4.29 
procent_wariancji_wspolnej 
                     35.80 

Bibliografia oprogramowania

Liczby na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (analiza czynnikowa, analiza równoległa, KMO i test Bartletta – pakiet psych; rotacje ukośne – GPArotation; wartości własne i losowanie – pakiet stats). Rysunki wykonano w ggplot2 z pakietami patchwork i ggrepel i zapisano pakietem svglite; paletę sprawdzono w symulacji zaburzeń widzenia barw pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (R package version 2.6.5) [Computer software]. Northwestern University. https://CRAN.R-project.org/package=psych
  3. GPArotation (wersja 2025.3.1): Bernaards, C. A., & Jennrich, R. I. (2005). Gradient projection algorithms and software for arbitrary rotation criteria in factor analysis. Educational and Psychological Measurement, 65(5), 676–696. https://doi.org/10.1177/0013164404272507
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  6. ggrepel (wersja 0.9.8): Slowikowski, K. (2026). ggrepel: Automatically position non-overlapping text labels with 'ggplot2' [R package]. https://doi.org/10.32614/CRAN.package.ggrepel
  7. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  8. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Które rysunki do rozdziału o narzędziu

Pięć rysunków to za dużo na opis narzędzia. Rozsądny podział:

  • W tekście: wykres osypiska z analizą równoległą (tylko panel A) – uzasadnia liczbę czynników – oraz tabela ładunków w APA z korelacjami czynników w nocie. Mapa cieplna nie zastąpi tabeli – z koloru nikt nie odczyta ładunku do dwóch miejsc – ale może stać obok niej.
  • W aneksie: mapa ładunków, wykres rotacji (gdy porównujesz rotacje) i wykres zasobów zmienności wspólnej, jeśli usuwasz pozycje.
  • Tylko w Twoich plikach: symulacje Monte Carlo – służą do zrozumienia, nie do raportu.

Ogólne zasady formatowania rysunków są we wpisie wykresy w pracy dyplomowej. Paletę sprawdziliśmy w symulacji deuteranopii funkcją deutan() z pakietu colorspace (Zeileis i in., 2020): zielony staje się szarooliwkowy, ale odróżnia się od niebieskiego i pomarańczowego, a kolor zawsze idzie w parze z kształtem punktu. Ten sam pomysł „wielu prób z jednej populacji” pokazujemy we wpisie przedział ufności w obrazkach.

Najczęstsze błędy

  • Osypisko bez progów. Sam „łokieć” bywa podwójny (rysunek 1); dodaj linie analizy równoległej i napisz, który próg przyjęto.
  • Liczba czynników z kryterium Kaisera. W naszych 500 próbach trafiło w trzech czwartych przypadków, analiza równoległa – w 95%.
  • Mapa ładunków w kolejności z kwestionariusza. Bloki znikają; sortuj według czynnika i siły ładunku.
  • Varimax „z przyzwyczajenia” przy skorelowanych czynnikach. Ładunki obce rosną, a korelacje czynników znikają z wyniku (rysunki 3–4).
  • Usuwanie pozycji tylko po progu .30 lub po niskim h². Pozycja słaba w jednej próbie może być przyzwoita w innej (rysunek 5); decyduj z treścią przed oczami i opisz decyzję.
  • Brak informacji w nocie: metoda ekstrakcji, rotacja, N, która macierz, jaki próg pogrubienia.

Najczęstsze pytania

Jak odczytać wykres osypiska z analizą równoległą?

Zatrzymaj tyle czynników, ile kolejnych wartości własnych z danych leży nad linią progu z danych losowych (średnia albo 95. centyl), i skończ na pierwszej, która progu nie przekracza. Sam „łokieć” bywa niejednoznaczny, a wynik analizy równoległej traktuj jako propozycję – sprawdź też rozwiązania o jeden czynnik mniejsze i większe.

Jak zrobić wykres osypiska z analizą równoległą w R?

Funkcja fa.parallel() z pakietu psych liczy wartości własne z danych i z losowych zbiorów (argument n.iter). Progi, np. 95. centyl, policz z macierzy values (kolumny CSim dla składowych), a wykres narysuj w ggplot2: punkty z danych, linie progów i linię na poziomie 1.

Jak narysować mapę cieplną ładunków czynnikowych?

Ułóż pozycje według czynnika z najwyższym ładunkiem, a w czynniku – malejąco, użyj rozbieżnej skali barw z bielą w zerze i granicami −1 i 1 oraz wpisz wartości w pola. Przy rotacji ukośnej napisz w nocie, że to macierz wzoru, i podaj próg pogrubienia (np. |λ| ≥ .30).

Varimax czy oblimin – jak to zobaczyć na wykresie?

Narysuj ładunki pozycji jako punkty w układzie dwóch czynników. Gdy czynniki są skorelowane, po varimax punkty leżą obok osi (wyższe ładunki obce), a po oblimin bliżej osi; oblimin podaje też korelacje czynników, które varimax z założenia ustawia na zero. Zasoby zmienności wspólnej są w obu rozwiązaniach takie same.

Jaki zasób zmienności wspólnej (h²) jest za niski?

Nie ma jednego progu. Niski h² oznacza, że czynniki słabo wyjaśniają pozycję, ale w małej próbie i przy słabym czynniku wartość mocno się waha – w naszej symulacji ta sama pozycja miała w 95% prób h² od .12 do .58. O usunięciu pozycji decyduj z treścią przed oczami, przelicz analizę i opisz decyzję.

Powiązane hasła

Przeczytaj też

Budujesz lub adaptujesz skalę do pracy?

Pomożemy przeprowadzić analizę czynnikową, dobrać liczbę czynników i rotację, przygotować czytelne rysunki i tabelę APA oraz opisać wyniki tak, żebyś umiał(a) je wyjaśnić na obronie.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276. https://doi.org/10.1207/s15327906mbr0102_10
  2. Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989x.4.3.272
  3. Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185. https://doi.org/10.1007/BF02289447
  4. Jennrich, R. I., & Sampson, P. F. (1966). Rotation for simple loadings. Psychometrika, 31(3), 313–323. https://doi.org/10.1007/bf02289465
  5. Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200. https://doi.org/10.1007/bf02289233
  6. Lim, S., & Jahng, S. (2019). Determining the number of factors using parallel analysis and its recent variants. Psychological Methods, 24(4), 452–467. https://doi.org/10.1037/met0000230
  7. Sass, D. A., & Schmitt, T. A. (2010). A comparative investigation of rotation criteria within exploratory factor analysis. Multivariate Behavioral Research, 45(1), 73–103. https://doi.org/10.1080/00273170903504810
  8. Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01 ● Otwarty dostęp

Cytowania BibTeX

@article{cattell1966scree, author={Cattell, Raymond B.}, title={{The scree test for the number of factors}}, journal={Multivariate Behavioral Research}, year={1966}, volume={1}, number={2}, pages={245--276}, doi={10.1207/s15327906mbr0102_10}}
@article{fabrigar1999evaluating, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={{Evaluating the use of exploratory factor analysis in psychological research}}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989x.4.3.272}}
@article{horn1965rationale, author={Horn, John L.}, title={{A rationale and test for the number of factors in factor analysis}}, journal={Psychometrika}, year={1965}, volume={30}, number={2}, pages={179--185}, doi={10.1007/bf02289447}}
@article{jennrich1966rotation, author={Jennrich, Robert I. and Sampson, P. F.}, title={{Rotation for simple loadings}}, journal={Psychometrika}, year={1966}, volume={31}, number={3}, pages={313--323}, doi={10.1007/bf02289465}}
@article{kaiser1958varimax, author={Kaiser, Henry F.}, title={{The varimax criterion for analytic rotation in factor analysis}}, journal={Psychometrika}, year={1958}, volume={23}, number={3}, pages={187--200}, doi={10.1007/bf02289233}}
@article{lim2019determining, author={Lim, Sangdon and Jahng, Seungmin}, title={{Determining the number of factors using parallel analysis and its recent variants}}, journal={Psychological Methods}, year={2019}, volume={24}, number={4}, pages={452--467}, doi={10.1037/met0000230}}
@article{sass2010comparative, author={Sass, Daniel A. and Schmitt, Thomas A.}, title={{A comparative investigation of rotation criteria within exploratory factor analysis}}, journal={Multivariate Behavioral Research}, year={2010}, volume={45}, number={1}, pages={73--103}, doi={10.1080/00273170903504810}}
@article{zeileis2020colorspace, author={Zeileis, Achim and Fisher, Jason C. and Hornik, Kurt and Ihaka, Ross and McWhite, Claire D. and Murrell, Paul and Stauffer, Reto and Wilke, Claus O.}, title={{colorspace: A toolbox for manipulating and assessing colors and palettes}}, journal={Journal of Statistical Software}, year={2020}, volume={96}, number={1}, doi={10.18637/jss.v096.i01}}
R