Co to jest kryterium procenta wyjaśnianej wariancji?
Kryterium procenta wyjaśnianej wariancji (ang. percentage of variance criterion, cumulative percentage of variance) to reguła wyboru liczby składowych lub czynników: zatrzymujesz tyle pierwszych wymiarów, ile potrzeba, by ich łączny udział w wariancji wszystkich zmiennych osiągnął z góry ustalony próg, np. 60% albo 70%. Reguła pochodzi z analizy głównych składowych (PCA), gdzie każda kolejna składowa wyjaśnia możliwie dużą część pozostałej wariancji. Jolliffe i Cadima (2016) piszą, że stosowanie z góry ustalonego procentu jest powszechne, a 70% to częsty, choć subiektywny próg.
W psychologii kryterium spotkasz w raportach z metody głównych składowych i eksploracyjnej analizy czynnikowej (EFA): w SPSS tabela Total Variance Explained podaje procent i procent skumulowany dla każdego wymiaru. Ta sama tabela służy do kryterium Kaisera (wartości własne > 1), a jej kolumnę wartości własnych rysuje wykres osypiska. Kryterium procenta jest więc jedną z kilku reguł czytanych z tych samych liczb – i często wskazuje inną liczbę wymiarów niż pozostałe.
Jak liczy się procent wyjaśnianej wariancji
W PCA na macierzy korelacji każda z p zmiennych ma wariancję 1, więc wariancja całkowita wynosi p. Udział składowej j to jej wartość własna λj podzielona przez p, a procent skumulowany pierwszych k składowych:
Kryterium wskazuje najmniejsze k, dla którego ta wartość osiąga próg. Przy 12 pozycjach wartość własna 1.26 oznacza 1.26 / 12 = 10.5% wariancji wszystkich pozycji.
W EFA sytuacja jest inna. Czynniki wspólne wyjaśniają tylko zasoby zmienności wspólnej (komunalności), a nie całą wariancję – część wariancji każdej pozycji jest swoista lub jest błędem pomiaru. Dlatego po wyodrębnieniu czynników procent wyjaśnianej wariancji jest wyraźnie niższy niż w PCA dla tej samej liczby wymiarów. SPSS pokazuje obie wersje obok siebie: Initial Eigenvalues (jak w PCA) i Extraction Sums of Squared Loadings. Po rotacji ukośnej procentów dla poszczególnych czynników nie da się już sumować, bo czynniki są skorelowane.
| Cecha | PCA | EFA (czynniki wspólne) |
|---|---|---|
| Co jest w mianowniku | Wariancja całkowita (p) | Wariancja całkowita (p), ale licznik obejmuje tylko wariancję wspólną |
| Typowy wynik dla tej samej liczby wymiarów | Wyższy | Niższy (bez wariancji swoistej i błędu) |
| Kolumna w SPSS | Initial Eigenvalues | Extraction Sums of Squared Loadings |
| Po rotacji ukośnej | Sumy kwadratów ładunków dla czynników – bez procentu skumulowanego | |
Przykład: 12 pozycji, trzy wymiary, cztery progi
Symulowany kwestionariusz stresu akademickiego ma 12 pozycji (skala 1–5) i trzy powiązane wymiary po cztery pozycje: presję ocen, przeciążenie zadaniami i napięcie fizjologiczne. Wypełniło go 320 studentów (dane symulowane). Wiemy więc, że poprawna odpowiedź to trzy wymiary. Pierwsze trzy składowe PCA mają wartości własne 3.57, 1.83 i 1.26 i wyjaśniają razem 55.5% wariancji; czwarta ma już tylko 0.85 (7.1%).
| Reguła | Liczba wymiarów | Procent skumulowany |
|---|---|---|
| Próg 50% | 3 | 55.5% |
| Próg 60% | 4 | 62.5% |
| Próg 70% | 6 | 74.3% |
| Próg 80% | 8 | 84.1% |
| Kryterium Kaisera (λ > 1) | 3 | 55.5% |
| Analiza równoległa | 3 | 55.5% |
Zależnie od progu ta sama macierz korelacji „ma” 3, 4, 6 albo 8 wymiarów. Popularny próg 60% dodaje czwartą składową, która nie odpowiada żadnemu wymiarowi w danych, a próg 70% – trzy kolejne. Kaiser i analiza równoległa wskazują tu trzy wymiary (rysunek 1). Gdy trzy czynniki wyodrębnisz metodą osi głównych, wyjaśniają one 41.5% wariancji całkowitej, a nie 55.5% – to średnia komunalność pozycji.
Kiedy kryterium ma sens, a kiedy wprowadza w błąd
Procent wyjaśnianej wariancji odpowiada na pytanie: ile informacji tracę, zastępując p zmiennych k wymiarami? To dobre pytanie, gdy celem jest redukcja danych – np. zastąpienie 20 wskaźników kilkoma składowymi w dalszej regresji albo wykres w dwóch wymiarach. Jolliffe i Cadima (2016) traktują procent wariancji jako podstawową miarę jakości takiego przybliżenia.
W psychometrii pytanie zwykle brzmi inaczej: ile wymiarów stoi za odpowiedziami? Na to pytanie procent wariancji nie odpowiada, bo zależy od rzeczy niezwiązanych z liczbą wymiarów:
- od rzetelności pozycji – przy słabszych ładunkach ta sama struktura trójczynnikowa wyjaśnia mniej wariancji, więc próg „wymusza” dodatkowe składowe;
- od liczby zmiennych – każda pozycja wnosi własną wariancję swoistą, więc przy dłuższym kwestionariuszu ten sam procent wymaga więcej wymiarów;
- od wybranego progu – nie ma uzasadnienia, dlaczego 60%, a nie 50% czy 70%; jak widać w przykładzie, zmiana progu o 10 punktów zmienia odpowiedź.
Fabrigar i in. (1999) pokazują, że decyzje podejmowane w EFA, w tym o liczbie czynników, mają poważne konsekwencje dla wyników, a w publikacjach psychologicznych często stosuje się metody wątpliwe. Hayton i in. (2004) przedstawiają analizę równoległą jako jedną z najtrafniejszych metod decyzji o liczbie czynników. Jej logika pochodzi od Horna (1965): wartości własne porównuje się z tymi, które powstają w danych losowych o tej samej liczbie osób i zmiennych. Lim i Jahng (2019) przypominają jednak, że i jej wynik jest przybliżony, a przy słabych ładunkach i silnie skorelowanych czynnikach warto rozważyć rozwiązania o jeden czynnik mniej lub więcej.
Praktyczna rada: liczbę wymiarów ustal analizą równoległą, wykresem osypiska i interpretowalnością ładunków (zob. ładunek czynnikowy), a procent wyjaśnianej wariancji podaj jako opis przyjętego rozwiązania, nie jako jego uzasadnienie. Wyjątek: czysta redukcja danych w PCA, gdzie próg możesz przyjąć, ale zapisz go przed analizą. Całą procedurę, od doboru metody po raport, opisuje poradnik analiza czynnikowa EFA i CFA, a budowę nowego narzędzia – tekst o tym, jak zbudować i zwalidować skalę psychometryczną.
Jak opisać wynik w pracy (APA)
Podaj, jaka reguła zdecydowała o liczbie czynników, a procent wariancji jako informację dodatkową. Napisz też, czy chodzi o wartości początkowe (PCA), czy o wariancję wyjaśnianą przez wyodrębnione czynniki. Wzór dla przykładu:
Pełne ładunki, komunalności i korelacje czynników pokaż w tabeli – wzór znajdziesz na stronie tabela analizy czynnikowej w APA.
Przykład w R
Kod tworzy dane z przykładu, liczy wartości własne, procent i procent skumulowany, sprawdza cztery progi, porównuje je z kryterium Kaisera i analizą równoległą, a na koniec podaje procent wariancji wyjaśnianej przez trzy czynniki EFA. Liczby w tekście, tabelach i na rysunku 1 pochodzą z tego kodu.
Procent wyjaśnianej wariancji, progi i analiza równoległa
R
# Dane symulowane: 12 pozycji kwestionariusza stresu akademickiego (skala 1–5), N = 320 studentów,
# trzy powiązane wymiary: presja ocen (p1–p4), przeciążenie zadaniami (z1–z4), napięcie fizjologiczne (f1–f4)
set.seed(2231)
n <- 320
phi <- matrix(c(1, .45, .35,
.45, 1, .40,
.35, .40, 1), 3)
F <- MASS::mvrnorm(n, mu = rep(0, 3), Sigma = phi)
lad <- c(.75, .70, .65, .55) # ładunki w każdym wymiarze
X <- sapply(1:12, function(j) {
k <- (j - 1) %/% 4 + 1; l <- lad[(j - 1) %% 4 + 1]
ciagla <- l * F[, k] + sqrt(1 - l^2) * rnorm(n)
as.numeric(cut(ciagla, c(-Inf, -1.3, -0.4, 0.4, 1.3, Inf))) # odpowiedzi 1–5
})
colnames(X) <- c(paste0("p", 1:4), paste0("z", 1:4), paste0("f", 1:4))
dane <- as.data.frame(X)
# 1. Wartości własne macierzy korelacji i procent wyjaśnianej wariancji (PCA)
R <- cor(dane)
ww <- eigen(R)$values
tab <- data.frame(skladowa = 1:12, wartosc_wlasna = round(ww, 3),
procent = round(100 * ww / sum(ww), 1),
skumulowany = round(100 * cumsum(ww) / sum(ww), 1))
print(tab)
# 2. Ile składowych wskazuje kryterium dla różnych progów?
sapply(c(`50%` = 50, `60%` = 60, `70%` = 70, `80%` = 80), function(prog) which(cumsum(ww) / sum(ww) * 100 >= prog)[1])
# 3. Dla porównania: kryterium Kaisera i analiza równoległa
sum(ww > 1) # liczba wartości własnych > 1
set.seed(1)
pa <- psych::fa.parallel(dane, fa = "pc", n.iter = 100, plot = FALSE)
pa$ncomp
suppressPackageStartupMessages(library(GPArotation))
# 4. EFA (oś główna, 3 czynniki, oblimin): procent wariancji wyjaśnianej przez czynniki wspólne
efa <- psych::fa(dane, nfactors = 3, fm = "pa", rotate = "oblimin")
round(efa$Vaccounted, 3)
round(100 * sum(efa$communality) / 12, 1) # % wariancji całkowitej = średnie zasoby zmienności wspólnejWynik w R
skladowa wartosc_wlasna procent skumulowany
1 1 3.568 29.7 29.7
2 2 1.827 15.2 45.0
3 3 1.261 10.5 55.5
4 4 0.847 7.1 62.5
5 5 0.727 6.1 68.6
6 6 0.682 5.7 74.3
7 7 0.638 5.3 79.6
8 8 0.545 4.5 84.1
9 9 0.513 4.3 88.4
10 10 0.497 4.1 92.5
11 11 0.467 3.9 96.4
12 12 0.427 3.6 100.0
50% 60% 70% 80%
3 4 6 8
[1] 3
Parallel analysis suggests that the number of factors = NA and the number of components = 3
[1] 3
PA1 PA3 PA2
SS loadings 1.780 1.626 1.573
Proportion Var 0.148 0.135 0.131
Cumulative Var 0.148 0.284 0.415
Proportion Explained 0.357 0.327 0.316
Cumulative Proportion 0.357 0.684 1.000
[1] 41.5Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietami MASS (symulacja), psych (analiza równoległa i EFA) i GPArotation (rotacja oblimin); rysunek przygotowano w ggplot2.
- 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/
- psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
- 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.
- MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer.
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Próg jako jedyne uzasadnienie liczby czynników. „Zatrzymano cztery czynniki, bo wyjaśniały ponad 60% wariancji” nie mówi, czy czwarty czynnik istnieje. W przykładzie nie istniał.
- Dobieranie progu po obejrzeniu wyników. Jeśli próg zmienia się tak, by pasował do oczekiwanej liczby czynników, kryterium niczego nie sprawdza.
- Mylenie procentu z PCA i z EFA. Wartości początkowe (jak w PCA) są wyższe niż wariancja wyjaśniana przez czynniki wspólne; w raporcie napisz, którą kolumnę podajesz.
- Sumowanie kolumny Rotation Sums of Squared Loadings po rotacji ukośnej. Skorelowane czynniki dzielą wariancję, więc suma ich sum kwadratów ładunków nie jest wariancją wyjaśnianą łącznie; łączny procent bierz z kolumny po wyodrębnieniu (przed rotacją).
- Ocena jakości skali po procencie wariancji. Niski procent nie oznacza złej skali, a wysoki – dobrej; o jakości mówią ładunki, rzetelność i trafność.
- Porównywanie procentów między badaniami o różnej liczbie pozycji – przy innej liczbie zmiennych ten sam procent znaczy co innego.
Najczęstsze pytania
Ile procent wariancji powinny wyjaśniać czynniki?
Nie ma jednej poprawnej wartości. W literaturze spotyka się progi 50–80%, a 70% bywa opisywane jako częsty, ale subiektywny wybór (Jolliffe i Cadima, 2016). W analizie czynnikowej kwestionariuszy procent wariancji traktuj jako opis rozwiązania, a liczbę czynników ustal innymi metodami, np. analizą równoległą.
Czy 40% wyjaśnionej wariancji w EFA to za mało?
Niekoniecznie. Czynniki wspólne wyjaśniają tylko wariancję wspólną pozycji, a nie ich wariancję swoistą i błąd pomiaru, więc w EFA procent jest zwykle niższy niż w PCA. W przykładzie na tej stronie trzy prawdziwe czynniki wyjaśniały 41.5% wariancji 12 pozycji.
Dlaczego procent wariancji w EFA jest niższy niż w tabeli wartości własnych?
Bo kolumna wartości początkowych liczy wariancję tak jak PCA – razem z wariancją swoistą każdej pozycji – a kolumna po wyodrębnieniu tylko wariancję wspólną. Suma kwadratów ładunków po wyodrębnieniu równa się sumie komunalności.
Którą regułę wyboru liczby czynników wybrać zamiast procentu wariancji?
Najczęściej polecana jest analiza równoległa, uzupełniona wykresem osypiska i oceną, czy czynniki dają się sensownie zinterpretować. Kryterium Kaisera (wartości własne > 1) i stały procent wariancji często wskazują za dużo czynników.
Czy procent wyjaśnianej wariancji można podać w pracy?
Tak – jako informację o przyjętym rozwiązaniu, np. „trzy czynniki wyjaśniały 41.5% wariancji pozycji”. Napisz, czy podajesz wartości początkowe, czy wariancję wyjaśnianą przez wyodrębnione czynniki, i która reguła zdecydowała o ich liczbie.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza czynnikowa EFA i CFA: jak dobrać metodę i uniknąć błędów
EFA i CFA w praktyce: liczba czynników, metoda ekstrakcji, rotacja, ładunki, walidacja oraz najczęstsze błędy w analizie czynnikowej.
Czytaj →PoradnikJak zbudować i zwalidować skalę psychometryczną?
Od definicji konstruktu i tworzenia pozycji po pilotaż, EFA, CFA, rzetelność, trafność teoretyczną, różnicową i niezmienniczość.
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)
- 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
- Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675 ● Otwarty dostęp: pełny tekst
- 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
- Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), Article 20150202. https://doi.org/10.1098/rsta.2015.0202 ● Otwarty dostęp: pełny tekst
- 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
Cytowania BibTeX
@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{hayton2004factor, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={{Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis}}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}@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{jolliffe2016principal, author={Jolliffe, Ian T. and Cadima, Jorge}, title={{Principal component analysis: A review and recent developments}}, journal={Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences}, year={2016}, volume={374}, number={2065}, eid={20150202}, doi={10.1098/rsta.2015.0202}}@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}}