Kim był Henry F. Kaiser?
Henry Felix Kaiser (1927–1992) urodził się w Morristown w stanie New Jersey; gdy miał sześć lat, rodzina przeniosła się do Kalifornii, gdzie odebrał całe wykształcenie (Jensen i Wilson, 1992). Studia w Berkeley przerywała mu służba w marynarce wojennej – w 1945 r. i w czasie wojny koreańskiej – ale wszystkie trzy stopnie, od licencjatu po doktorat, zdobył w tej samej uczelni. Doktorat ze statystyki i pomiaru w psychologii i edukacji obronił w 1956 r.
W 1957 r. został adiunktem pedagogiki i psychologii na University of Illinois (profesorem w 1962 r.), w 1965 r. przeszedł na University of Wisconsin, a w 1968 r. wrócił do Berkeley jako profesor edukacji. Był prezesem Psychometric Society, Towarzystwa Wielozmiennowej Psychologii Eksperymentalnej (SMEP, założonego z inicjatywy Raymonda B. Cattella – Vasić, 2016) i oddziału American Statistical Association w Illinois. Od około 1980 r. ciężko chorował i w 1984 r. przeszedł na wcześniejszą emeryturę; zmarł nagle 14 stycznia 1992 r. w wieku 64 lat (Jensen i Wilson, 1992). Jego bibliografia liczy 110 pozycji.
Najważniejsze pomysły
- Varimax (1958). W rozprawie doktorskiej Kaiser zastąpił subiektywną, graficzną rotację osi analitycznym kryterium: obrót ma maksymalizować wariancję kwadratów ładunków w kolumnach. Pokazał, że znormalizowany varimax prawie pokrywa się ze Thurstone’owską zasadą struktury prostej, a za ostateczne kryterium rotacji uznał niezmienniczość czynnikową (Kaiser, 1958). Artykuł miał ponad 1300 cytowań już w chwili śmierci autora (Jensen i Wilson, 1992) – zob. rotacja varimax.
- Komputery w analizie czynnikowej (1960). Artykuł o zastosowaniu komputerów elektronicznych do analizy czynnikowej pomógł wprowadzić komputer do nauk społecznych (Kaiser, 1960; Jensen i Wilson, 1992).
- Ile czynników? Jensen i Wilson (1992) wymieniają wśród jego wkładów uzasadnienie reguły wartości własnych większych od 1 – dziś znanej jako kryterium Kaisera.
- Miara adekwatności doboru (MSA). Wskaźnik, czy macierz korelacji nadaje się do analizy czynnikowej, przedstawił w procedurze „Little Jiffy” drugiej generacji (Kaiser, 1970) i zmodyfikował z Johnem Rice’em (Kaiser i Rice, 1974); dziś znamy go jako KMO.
- Analiza czynnikowa alfa. Łączy analizę czynnikową z rzetelnością w ujęciu Kudera–Richardsona i szuka czynników o największej uogólnialności; Kaiser opracował też algorytm rotacji ukośnej (Jensen i Wilson, 1992).
Ciekawostka
Swój program do analizy czynnikowej Kaiser nazwał „Little Jiffy” – „Mały Migiem”. Kolejne wersje dostawały oznaczenia: „A second generation little jiffy” było jego wystąpieniem prezesowskim w Psychometric Society w Miami Beach we wrześniu 1970 r. (Kaiser, 1970), a w 1974 r. ukazał się „Little Jiffy, Mark IV” (Kaiser i Rice, 1974).
Wspomnienie Jensena i Wilsona (1992) opisuje go jako prawdziwego ekscentryka: buty malował sprayem na nietypowe kolory, które akurat mu się podobały, a w biogramach po „Ph.D.” dopisywał „E.S.” – od Eagle Scout, najwyższego stopnia harcerskiego – jako swój najwyższy tytuł. Słynął też z ostrych, często zabawnych notatek rozsyłanych do kolegów z wydziału.
Przykład na historycznych danych
Pokazujemy „procedurę Kaisera” na klasycznej macierzy korelacji ośmiu pomiarów ciała 305 dziewcząt w wieku 7–17 lat z podręcznika Harmana (1976, tab. 2.3), dostępnej w R jako datasets::Harman23.cor. Najpierw sprawdzamy, czy dane nadają się do analizy: KMO wynosi .85, a MSA poszczególnych pomiarów od .78 (masa ciała) do .90 (szerokość klatki piersiowej); test sferyczności Bartletta: χ²(28) = 2085.7, p < .001.
Wartości własne to 4.67, 1.77, 0.48, 0.42…, więc kryterium Kaisera wskazuje 2 czynniki (dwie pierwsze składowe wyjaśniają 80.5% wariancji). Bez rotacji wszystkie pomiary mają duże ładunki na pierwszym czynniku (.53–.88), a drugi jest dwubiegunowy (od −.36 do .64) – trudno go nazwać. Po obrocie varimax o 33.4° obraz się porządkuje: wzrost, rozpiętość ramion, przedramię i podudzie ładują pierwszy czynnik („długość”, .86–.93), a masa ciała, szerokość bioder, obwód i szerokość klatki – drugi („masywność”, .62–.93). Kryterium varimax wzrosło z 0.060 do 0.371, a wspólności się nie zmieniły. Test dopasowania modelu dwuczynnikowego metodą największej wiarygodności jest jednak istotny (χ²(13) = 75.7, p < .001), więc dwa czynniki nie odtwarzają korelacji idealnie.
Na rysunku
Co widać. Wszystkie najważniejsze pomysły powstały w ciągu 16 lat (1958–1974), na trzech uczelniach; varimax pochodzi z doktoratu, a artykuły o „Little Jiffy” – z okresu, gdy Kaiser był znów w Berkeley.
Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Lata służby wojskowej i stypendiów pominęliśmy, żeby nie zagęszczać rysunku.
Podpis do pracy:
datasets::Harman23.cor (Harman, 1976, tab. 2.3; n = 305). Obliczenia i rysunek: R, pakiety stats, ggplot2 i patchwork.Co widać. Panel A: każdy pomiar ma MSA wyraźnie powyżej .50, więc żadnego nie trzeba usuwać. Panel B: varimax „rozsuwa” ładunki – duże stają się większe, małe mniejsze – i każdy pomiar ładuje wyraźnie tylko jeden czynnik.
Na co uważać. Varimax zakłada czynniki nieskorelowane. Długość i masywność ciała u rosnących dziewcząt są ze sobą powiązane, więc rozwiązanie z rotacją ukośną może być bardziej realistyczne. Rotacja nie zmienia dopasowania modelu ani wspólności – tylko sposób ich opisu.
Podpis do pracy:
Gdzie spotkasz Kaisera w swojej pracy
- Tabela „KMO i test Bartletta”. To pierwszy wynik analizy czynnikowej w SPSS i innych programach – zob. analiza czynnikowa (EFA) w SPSS.
- Liczba czynników. Kryterium wartości własnej większej od 1 jest w wielu programach ustawieniem domyślnym; w pracy porównaj je z analizą równoległą i testem osypiska Cattella.
- Rotacja. Varimax to najczęściej wybierana rotacja ortogonalna; jej wynik – macierz ładunków czynnikowych – raportujesz w tabeli analizy czynnikowej w APA.
Spory, mity i trudne strony
- Kryterium Kaisera zawodzi. Reguła λ > 1 jest prosta, ale w badaniach symulacyjnych często wskazuje za dużo czynników, zwłaszcza przy wielu zmiennych i małej próbie – zob. metoda Kaisera. Jensen i Wilson (1992) przypominają, że celem Kaisera było wyprowadzenie analizy czynnikowej z obszaru półsztuki i doraźnej numerologii – dzięki matematycznemu rygorowi i komputerom.
- „Little Jiffy” to nie przepis na każdą analizę. Szybka procedura „jednym przyciskiem” kusi, by nie zastanawiać się nad metodą ekstrakcji, liczbą czynników i rodzajem rotacji. Sam Kaiser rozwijał kolejne wersje i dodał rotację ukośną (Jensen i Wilson, 1992).
Kaiser w R
Kod rysuje oś czasu, liczy KMO i MSA wzorem Kaisera i Rice’a, test sferyczności Bartletta i wartości własne (kryterium Kaisera), a potem dopasowuje dwuczynnikowy model metodą największej wiarygodności, obraca go varimaxem z normalizacją Kaisera, podaje kąt obrotu i wartość kryterium varimax przed rotacją i po niej. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
Oś czasu, KMO i varimax na danych Harmana
Kod R rysunków 1 i 2
# Henry F. Kaiser: oś czasu, KMO, reguła λ > 1 i varimax na ośmiu pomiarach ciała (datasets::Harman23.cor)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73", szary = "grey45") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))
# 1. Oś czasu (lata według Jensena i Wilsona 1992 oraz prac Kaisera)
zdarzenia <- data.frame(
rok = c(1927, 1956, 1957, 1958, 1960, 1965, 1968, 1970, 1974, 1992),
opis = c("urodzony w Morristown\n(New Jersey)", "doktorat\n(Berkeley)", "University\nof Illinois", "varimax\n(Psychometrika)",
"komputery w analizie\nczynnikowej", "University\nof Wisconsin", "powrót\ndo Berkeley", "„Second generation\nLittle Jiffy”",
"„Little Jiffy,\nMark IV”", "zmarł"),
rodzaj = c("życie", "nauka", "praca", "metoda", "metoda", "praca", "praca", "metoda", "metoda", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2, 1.2, -1, 2.1, -2, 1.2, -1) # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "metoda" = 23), name = NULL) +
scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
"metoda" = oi[["pomaranczowy"]]), name = NULL) +
scale_x_continuous(breaks = seq(1930, 1990, 10), limits = c(1920, 1998)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
labs(title = "Henry F. Kaiser (1927–1992)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Dane: korelacje ośmiu pomiarów ciała 305 dziewcząt w wieku 7–17 lat (Harman 1976, tab. 2.3)
data(Harman23.cor, package = "datasets")
R <- Harman23.cor$cov
n <- Harman23.cor$n.obs; p <- ncol(R)
nazwy <- c("wzrost", "rozpiętość ramion", "przedramię", "podudzie", "masa ciała", "szer. bioder", "obwód klatki", "szer. klatki")
dimnames(R) <- list(nazwy, nazwy)
c(n = n, zmienne = p)
# Czy macierz nadaje się do analizy czynnikowej? KMO (MSA) w wersji Kaisera i Rice'a (1974) i test Bartletta
Ri <- solve(R)
Q <- -Ri / sqrt(outer(diag(Ri), diag(Ri))) # korelacje cząstkowe (macierz antyobrazu ze zmienionym znakiem)
diag(Q) <- 0; R0 <- R; diag(R0) <- 0
msa <- colSums(R0^2) / (colSums(R0^2) + colSums(Q^2))
kmo <- sum(R0^2) / (sum(R0^2) + sum(Q^2))
round(c(KMO = kmo), 3); round(msa, 3)
chi2 <- -(n - 1 - (2 * p + 5) / 6) * log(det(R)); df <- p * (p - 1) / 2
c(chi2 = round(chi2, 1), df = df); pchisq(chi2, df, lower.tail = FALSE) < .001
# Reguła Kaisera: liczba wartości własnych większych od 1
lambda <- eigen(R, symmetric = TRUE)$values
round(lambda, 3); sum(lambda > 1)
round(cumsum(lambda) / p, 3)[1:3] # odsetek wariancji wyjaśnionej przez pierwsze składowe
# Analiza czynnikowa (największa wiarygodność, 2 czynniki): bez rotacji i po rotacji varimax z normalizacją Kaisera
fa0 <- factanal(covmat = Harman23.cor, factors = 2, rotation = "none")
round(c(chi2 = unname(fa0$STATISTIC), df = unname(fa0$dof)), 1); signif(unname(fa0$PVAL), 3) # test dopasowania modelu 2-czynnikowego
L0 <- unclass(loadings(fa0)); rownames(L0) <- nazwy
vm <- varimax(L0, normalize = TRUE)
L1 <- unclass(vm$loadings)
round(cbind(bez_rotacji = L0, varimax = L1), 2)
kat <- atan2(vm$rotmat[1, 2], vm$rotmat[1, 1]) * 180 / pi # kąt obrotu osi
round(kat, 1)
# Kryterium varimax (Kaiser 1958): suma wariancji kwadratów znormalizowanych ładunków w kolumnach
kryterium <- function(L) { h <- sqrt(rowSums(L^2)); B <- (L / h)^2; sum(apply(B, 2, function(b) mean(b^2) - mean(b)^2)) }
round(c(bez_rotacji = kryterium(L0), varimax = kryterium(L1)), 4)
all.equal(rowSums(L0^2), rowSums(L1^2)) # wspólności się nie zmieniają
# Rysunek 2A: MSA dla każdej zmiennej i KMO całości
d_msa <- data.frame(zmienna = factor(nazwy, levels = nazwy[order(msa)]), msa = msa)
pA <- ggplot(d_msa, aes(msa, zmienna)) +
geom_vline(xintercept = 0.5, colour = oi[["cynober"]], linetype = "dashed") +
geom_vline(xintercept = kmo, colour = oi[["niebieski"]], linewidth = 0.9) +
geom_segment(aes(x = 0, xend = msa, yend = zmienna), colour = "grey70") +
geom_point(shape = 21, size = 3.4, fill = oi[["niebieski"]]) +
annotate("text", x = kmo - 0.02, y = 8.45, label = paste0("KMO = ", sub("^0", "", sprintf("%.2f", kmo))), hjust = 1, size = 3.4, colour = oi[["niebieski"]]) +
annotate("text", x = 0.52, y = 0.6, label = "próg .50", hjust = 0, size = 3.3, colour = oi[["cynober"]]) +
scale_x_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.25)) +
labs(title = "A. MSA pomiarów i KMO", x = "Miara adekwatności doboru (MSA)", y = NULL) +
motyw
# Rysunek 2B: ładunki przed i po varimax
d_l <- rbind(data.frame(zmienna = nazwy, czynnik = "Czynnik 1", ladunek = L0[, 1], rodzaj = "bez rotacji"),
data.frame(zmienna = nazwy, czynnik = "Czynnik 2", ladunek = L0[, 2], rodzaj = "bez rotacji"),
data.frame(zmienna = nazwy, czynnik = "Czynnik 1", ladunek = L1[, 1], rodzaj = "varimax"),
data.frame(zmienna = nazwy, czynnik = "Czynnik 2", ladunek = L1[, 2], rodzaj = "varimax"))
d_l$zmienna <- factor(d_l$zmienna, levels = rev(nazwy))
d_s <- data.frame(zmienna = factor(rep(nazwy, 2), levels = rev(nazwy)), czynnik = rep(c("Czynnik 1", "Czynnik 2"), each = p),
od = c(L0[, 1], L0[, 2]), do = c(L1[, 1], L1[, 2]))
pB <- ggplot(d_l, aes(ladunek, zmienna)) +
geom_vline(xintercept = 0, colour = "grey50") +
geom_segment(data = d_s, aes(x = od, xend = do, y = zmienna, yend = zmienna), colour = "grey60",
arrow = arrow(length = unit(1.6, "mm"))) +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3) +
facet_wrap(~ czynnik) +
scale_shape_manual(values = c("bez rotacji" = 21, "varimax" = 24), name = NULL) +
scale_fill_manual(values = c("bez rotacji" = "white", "varimax" = oi[["pomaranczowy"]]), name = NULL) +
scale_x_continuous(limits = c(-0.45, 1), breaks = c(-0.4, 0, 0.4, 0.8)) +
labs(title = sprintf("B. Ładunki przed i po varimax (obrót o %.1f°)", kat), x = "Ładunek czynnikowy", y = NULL) +
motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1.35))
p_os
p_metodaWynik w R
n zmienne
305 8
KMO
0.845
wzrost rozpiętość ramion przedramię podudzie
0.864 0.816 0.858 0.887
masa ciała szer. bioder obwód klatki szer. klatki
0.780 0.851 0.824 0.898
chi2 df
2085.7 28.0
[1] TRUE
[1] 4.673 1.771 0.481 0.421 0.233 0.187 0.137 0.096
[1] 2
[1] 0.584 0.805 0.866
chi2 df
75.7 13.0
[1] 6.94e-11
Factor1 Factor2 Factor1 Factor2
wzrost 0.88 -0.24 0.86 0.29
rozpiętość ramion 0.87 -0.36 0.93 0.18
przedramię 0.85 -0.34 0.90 0.18
podudzie 0.86 -0.26 0.86 0.25
masa ciała 0.70 0.64 0.23 0.93
szer. bioder 0.59 0.54 0.19 0.77
obwód klatki 0.53 0.55 0.13 0.75
szer. klatki 0.57 0.37 0.28 0.62
[1] 33.4
bez_rotacji varimax
0.0601 0.3711
[1] TRUEBibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (dane – pakiet datasets; analiza czynnikowa i rotacja – funkcje factanal() i varimax() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Henry F. Kaiser?
Amerykańskim psychometrą (1927–1992), absolwentem i profesorem Berkeley, wcześniej profesorem University of Illinois i University of Wisconsin. Wymyślił rotację varimax, regułę wartości własnej większej od 1 i miarę adekwatności doboru, dziś znaną jako KMO. Był prezesem Psychometric Society.
Co to jest kryterium Kaisera?
Reguła, by zatrzymać tyle czynników, ile wartości własnych macierzy korelacji przekracza 1. Jest domyślna w wielu programach, ale często wskazuje za dużo czynników, dlatego warto ją porównać z analizą równoległą i wykresem osypiska.
Co robi rotacja varimax?
Obraca osie czynników tak, by każdy czynnik miał kilka dużych i wiele bliskich zera ładunków. Kaiser opisał ją w 1958 r. jako analityczne kryterium zamiast ręcznej rotacji graficznej. Czynniki po varimaksie pozostają nieskorelowane, a wspólności się nie zmieniają.
Co to jest Little Jiffy?
Tak Kaiser nazwał swoją procedurę i program do analizy czynnikowej. Wersję drugiej generacji przedstawił w 1970 r. w wystąpieniu prezesowskim w Psychometric Society, a wersję „Mark IV” opublikował z Johnem Rice’em w 1974 r.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza czynnikowa (EFA) w SPSS
Okno Factor krok po kroku: KMO i Bartlett, osie główne, liczba czynników, Promax i Oblimin, macierz wzoru i struktury, składnia FACTOR i zapis APA.
Czytaj →PoradnikAnaliza czynnikowa na wykresie
Osypisko z analizą równoległą, mapa ładunków, varimax vs oblimin, korelacje czynników i h² – pięć rysunków z kodem R i symulacją Monte Carlo.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Jensen, A. R., & Wilson, M. (1992). Henry Felix Kaiser, Education: Berkeley, 1927–1992, Professor, Emeritus. In University of California: In memoriam, 1992 (pp. 89–92). University of California Academic Senate. https://calisphere.org/item/ark:/13030/hb7c6007sj/ ● Otwarty dostęp
- Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200. https://doi.org/10.1007/bf02289233
- Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151. https://doi.org/10.1177/001316446002000116
- Kaiser, H. F. (1970). A second generation little jiffy. Psychometrika, 35(4), 401–415. https://doi.org/10.1007/bf02291817
- Kaiser, H. F., & Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement, 34(1), 111–117. https://doi.org/10.1177/001316447403400115
- Vasić, A. (2016). Raymond B. Cattell (1905–1998) and half century of the multivariate experimental methodology. Civitas, 6(2), 35–74. https://doi.org/10.5937/civitas1602035v ● Otwarty dostęp
Cytowania BibTeX
@incollection{jensen1992henry, author={Jensen, Arthur R. and Wilson, Mark}, title={{Henry Felix Kaiser, Education: Berkeley, 1927–1992, Professor, Emeritus}}, booktitle={University of California: In memoriam, 1992}, year={1992}, pages={89--92}, publisher={University of California Academic Senate}, url={https://calisphere.org/item/ark:/13030/hb7c6007sj/}}@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{kaiser1960application, author={Kaiser, Henry F.}, title={{The application of electronic computers to factor analysis}}, journal={Educational and Psychological Measurement}, year={1960}, volume={20}, number={1}, pages={141--151}, doi={10.1177/001316446002000116}}@article{kaiser1970second, author={Kaiser, Henry F.}, title={{A second generation little jiffy}}, journal={Psychometrika}, year={1970}, volume={35}, number={4}, pages={401--415}, doi={10.1007/bf02291817}}@article{kaiser1974little, author={Kaiser, Henry F. and Rice, John}, title={{Little Jiffy, Mark IV}}, journal={Educational and Psychological Measurement}, year={1974}, volume={34}, number={1}, pages={111--117}, doi={10.1177/001316447403400115}}@article{vasic2016raymond, author={Vasić, Aleksandar}, title={{Raymond B. Cattell (1905–1998) and half century of the multivariate experimental methodology}}, journal={Civitas}, year={2016}, volume={6}, number={2}, pages={35--74}, doi={10.5937/civitas1602035v}}