Co to jest macierz modelowa?
Macierz modelowa, nazywana też macierzą wzorca (ang. pattern matrix), to wynik eksploracyjnej analizy czynnikowej z rotacją ukośną. Zawiera współczynniki, które opisują, w jakim stopniu każdy czynnik „wytwarza” odpowiedzi na daną pozycję, gdy pozostałe czynniki są kontrolowane. Formalnie są to standaryzowane współczynniki regresji pozycji na czynnikach: wynik pozycji = p1 × czynnik 1 + p2 × czynnik 2 + … + część specyficzna.
W SPSS tabela nosi nazwę Pattern Matrix, w pakiecie psych w R to element loadings obiektu zwracanego przez fa() przy rotacji ukośnej. Obok niej program podaje zawsze dwie inne macierze: macierz struktury (korelacje pozycji z czynnikami) i macierz korelacji czynników Φ. Przy rotacji ortogonalnej, np. varimax, czynniki nie korelują, więc macierz modelowa i macierz struktury są identyczne. Wtedy program pokazuje jedną tabelę ładunków czynnikowych.
Jak czytać macierz modelową
To właśnie macierz modelową interpretuje się zwykle przy przypisywaniu pozycji do czynników, bo pokazuje unikatowy związek pozycji z każdym czynnikiem. Czytaj ją wierszami i kolumnami:
- Wiersz – czy pozycja ma jeden wyraźny współczynnik (np. powyżej .40) i małe pozostałe? To tzw. struktura prosta. Pozycja z dwoma podobnymi współczynnikami jest pozycją złożoną.
- Kolumna – które pozycje mają wysokie współczynniki na danym czynniku i co je łączy treściowo? Na tej podstawie nadajesz czynnikowi nazwę.
- Znak – ujemny współczynnik oznacza, że przy kontroli pozostałych czynników wyższy poziom czynnika wiąże się z niższym wynikiem pozycji. Często to sygnał pozycji odwróconej, której nie przekodowano.
Współczynniki macierzy modelowej nie są korelacjami. Mogą więc – przy silnie skorelowanych czynnikach – przekroczyć 1 bez żadnego błędu w danych. Nie mogą też służyć do liczenia procentu wyjaśnionej wariancji tak jak przy rotacji ortogonalnej, o czym niżej. Graham i in. (2003) przypominają, że interpretacja oparta wyłącznie na współczynnikach wzorca prowadzi do błędów. Ich zalecenie dotyczy CFA, ale ta sama logika obowiązuje w EFA: obok macierzy modelowej trzeba patrzeć na macierz struktury i korelacje czynników.
Przykład: trzy wymiary wypalenia akademickiego
Dziewięć pozycji (odpowiedzi 1–5) mierzy trzy aspekty wypalenia akademickiego: wyczerpanie (WYC), cynizm (CYN) i poczucie nieskuteczności (NIE). Kwestionariusz wypełniło 400 osób studiujących (dane symulowane). Pozycja cyn3 („Nauka coraz bardziej mnie męczy i zniechęca”) celowo dotyczy dwóch wymiarów naraz. Zastosowano ekstrakcję minres i rotację oblimin. Wynik w formacie APA:
Tabela 1
Macierz modelowa (wzorca) trzech czynników wypalenia akademickiego po rotacji oblimin
| Pozycja | Wyczerpanie | Cynizm | Nieskuteczność | h² |
|---|---|---|---|---|
| wyc1 | .68 | .06 | .08 | .56 |
| wyc2 | .66 | −.11 | .00 | .38 |
| wyc3 | .70 | .04 | −.05 | .50 |
| cyn1 | .07 | .60 | .07 | .45 |
| cyn2 | −.05 | .73 | −.01 | .49 |
| cyn3 | .37 | .44 | .01 | .50 |
| nie1 | .01 | −.06 | .75 | .54 |
| nie2 | .02 | .03 | .60 | .38 |
| nie3 | −.04 | .14 | .55 | .35 |
Uwaga. N = 400 (dane symulowane). Ekstrakcja minres, rotacja oblimin. Pogrubiono najwyższy współczynnik w wierszu. h² – zasoby zmienności wspólnej. Korelacje czynników: wyczerpanie–cynizm .51, wyczerpanie–nieskuteczność .33, cynizm–nieskuteczność .34. Trzy czynniki wyjaśniają łącznie 46.1% wariancji pozycji.
Osiem pozycji ma strukturę prostą: jeden współczynnik od .55 do .75 i pozostałe w granicach ±.14. Pozycja cyn3 ma dwa podobne współczynniki (.37 i .44), co zgadza się z jej treścią – dotyczy jednocześnie zmęczenia i zniechęcenia. Taką pozycję można przeformułować albo usunąć; nie należy jej „przypisywać” do cynizmu tylko dlatego, że .44 > .37.
Kryterium przypisania ustal przed analizą i stosuj konsekwentnie. Często spotykana reguła to współczynnik główny co najmniej .40, pozostałe poniżej .30, a różnica między dwoma najwyższymi współczynnikami co najmniej .20. To konwencje, a nie wymogi statystyczne. Przy małej próbie współczynniki są niestabilne, więc pozycję tuż poniżej progu oceniaj także po treści. Gdy po usunięciu pozycji złożonych powtarzasz analizę, porównaj nowe rozwiązanie z poprzednim. Jeśli zmienia się struktura pozostałych pozycji, rozwiązanie jest kruche.
Zasoby zmienności wspólnej przy rotacji ukośnej
Przy rotacji ortogonalnej zasoby zmienności wspólnej (h²) to suma kwadratów ładunków w wierszu. Przy rotacji ukośnej to już nie działa, bo czynniki dzielą część wariancji. Trzeba uwzględnić ich korelacje:
Dla pozycji cyn3 suma kwadratów wynosi tylko .37² + .44² ≈ .33. Wzór dodaje jednak składnik 2 × .37 × .44 × .51 wynikający z korelacji wyczerpania z cynizmem, więc h² = .50. Działa to też w drugą stronę. Pozycja wyc2 ma ujemny współczynnik na cynizmie (−.11), więc jej h² (.38) jest mniejsze niż suma kwadratów (.45).
Z tego samego powodu sumy kwadratów kolumn (w SPSS: Rotation Sums of Squared Loadings) nie sumują się do wariancji wspólnej. W przykładzie dają łącznie 3.91, a wariancja wspólna wszystkich pozycji wynosi 4.15. Dlatego po rotacji ukośnej nie podawaj procentu wariancji wyjaśnianego przez poszczególne czynniki – podaj tylko wartość łączną (tu 46.1%).
Jak opisać macierz modelową w pracy (APA)
Opisz metodę ekstrakcji i rotacji, sposób ustalenia liczby czynników, kryterium przypisania pozycji i pozycje złożone. W tabeli podaj macierz modelową z h², a pod nią korelacje czynników. Macierz struktury dołącz w aneksie albo w drugiej tabeli. Watkins (2018) zwraca uwagę, że przeglądy publikacji wciąż wykazują niepełne raporty z EFA, więc lepiej podać za dużo niż za mało. Wzór tabeli znajdziesz w haśle tabela analizy czynnikowej w APA.
Jak dobrać metodę ekstrakcji, rotację i liczbę czynników, opisuje wpis Analiza czynnikowa EFA i CFA. Fabrigar i in. (1999) pokazali, że każda z tych decyzji wpływa na wyniki, a w publikacjach wciąż często stosuje się rozwiązania wątpliwe. Thompson i Daniel (1996) omawiają z kolei, jak raportować analizę czynnikową, gdy ma być dowodem trafności teoretycznej wyników.
Przykład w R
Kod przeprowadza EFA z rotacją oblimin w pakiecie psych, porządkuje czynniki, wypisuje macierz modelową i korelacje czynników, liczy zasoby zmienności wspólnej ze wzoru h² = p′Φp i porównuje je z sumą kwadratów wiersza oraz z wartościami z fa(). Liczby w tekście i w tabeli pochodzą z tego kodu.
Macierz modelowa, korelacje czynników i h²
R
# R166 – macierz modelowa (wzorca) w EFA z rotacją ukośną; dane symulowane
# Wypalenie akademickie: wyczerpanie (WYC), cynizm (CYN), poczucie nieskuteczności (NIE); 9 pozycji 1–5, N = 400
suppressPackageStartupMessages({library(psych); library(GPArotation); library(MASS)})
set.seed(166)
N <- 400
Phi <- matrix(c(1, .55, .40, .55, 1, .45, .40, .45, 1), 3)
F <- mvrnorm(N, rep(0, 3), Phi)
L <- rbind(c(.75, 0, 0), c(.70, 0, 0), c(.68, 0, 0),
c(0, .72, 0), c(0, .70, 0), c(.40, .40, 0), # cyn3 – pozycja złożona
c(0, 0, .70), c(0, 0, .66), c(0, 0, .64))
wsp <- diag(L %*% Phi %*% t(L))
X <- sapply(1:9, function(j) findInterval(F %*% L[j, ] + rnorm(N, 0, sqrt(1 - wsp[j])), c(-1.5, -0.5, 0.5, 1.5)) + 1)
colnames(X) <- c("wyc1", "wyc2", "wyc3", "cyn1", "cyn2", "cyn3", "nie1", "nie2", "nie3")
efa <- fa(X, nfactors = 3, fm = "minres", rotate = "oblimin")
# porządek i nazwy czynników: kolumna z największymi ładunkami w bloku pozycji danego wymiaru
Lw <- unclass(efa$loadings)
kol <- setNames(unname(c(which.max(colSums(abs(Lw[1:3, ]))), which.max(colSums(abs(Lw[4:5, ]))), which.max(colSums(abs(Lw[7:9, ]))))), c("WYC", "CYN", "NIE"))
P <- Lw[, kol]; colnames(P) <- names(kol) # macierz modelowa (wzorca)
Phi_hat <- efa$Phi[kol, kol]; dimnames(Phi_hat) <- list(names(kol), names(kol))
round(P, 2)
round(Phi_hat, 2)
# Zasoby zmienności wspólnej: h² = p' Φ p (przy rotacji ukośnej NIE jest to suma kwadratów wiersza)
h2 <- rowSums((P %*% Phi_hat) * P)
round(cbind(h2_wzor = h2, h2_psych = efa$communality, suma_kwadratow = rowSums(P^2)), 2)
# Pozycja cyn3 krok po kroku
p <- P["cyn3", ]
round(c(p, h2 = drop(t(p) %*% Phi_hat %*% p)), 3)
# Wariancja „przypisana” czynnikom: sumy kwadratów kolumn wzorca nie sumują się do wariancji wspólnej
round(c(colSums(P^2), suma = sum(P^2), wspolna = sum(h2)), 2)
# Odsetek wariancji wyjaśnionej przez trzy czynniki razem (9 pozycji)
round(100 * sum(h2) / 9, 1)Wynik w R
WYC CYN NIE
wyc1 0.68 0.06 0.08
wyc2 0.66 -0.11 0.00
wyc3 0.70 0.04 -0.05
cyn1 0.07 0.60 0.07
cyn2 -0.05 0.73 -0.01
cyn3 0.37 0.44 0.01
nie1 0.01 -0.06 0.75
nie2 0.02 0.03 0.60
nie3 -0.04 0.14 0.55
WYC CYN NIE
WYC 1.00 0.51 0.33
CYN 0.51 1.00 0.34
NIE 0.33 0.34 1.00
h2_wzor h2_psych suma_kwadratow
wyc1 0.56 0.56 0.48
wyc2 0.38 0.38 0.45
wyc3 0.50 0.50 0.49
cyn1 0.45 0.45 0.37
cyn2 0.49 0.49 0.53
cyn3 0.50 0.50 0.33
nie1 0.54 0.54 0.57
nie2 0.38 0.38 0.36
nie3 0.35 0.35 0.32
WYC CYN NIE h2
0.370 0.437 0.014 0.501
WYC CYN NIE suma wspolna
1.54 1.12 1.24 3.91 4.15
[1] 46.1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; EFA policzono funkcją fa() z pakietu psych (rotacja oblimin z pakietu GPArotation), a dane wygenerowano funkcją mvrnorm() z pakietu MASS.
- 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 version 2.6.5) [Computer software]. 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. https://doi.org/10.1177/0013164404272507
- MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
Najczęstsze błędy
- Interpretowanie tylko macierzy modelowej. Bez macierzy struktury i korelacji czynników nie widać, jak silnie pozycja wiąże się z czynnikiem, któremu nie została przypisana.
- Liczenie h² jako sumy kwadratów wiersza. Przy rotacji ukośnej daje to błędne wartości – w przykładzie .33 zamiast .50 dla cyn3.
- Procent wariancji dla każdego czynnika po rotacji ukośnej. Sumy kwadratów kolumn nie są rozłączne i nie sumują się do wariancji wspólnej.
- Przypisywanie pozycji złożonej do czynnika z minimalnie wyższym współczynnikiem. Różnica .44 i .37 to za mało, by uznać pozycję za czysty wskaźnik cynizmu.
- Nazywanie współczynników wzorca „korelacjami”. To współczynniki regresji; korelacje pozycji z czynnikami są w macierzy struktury.
- Panika przy współczynniku większym niż 1. Przy silnie skorelowanych czynnikach jest to możliwe. Sprawdź wtedy korelacje czynników i rozważ mniejszą liczbę czynników.
Najczęstsze pytania
Czym różni się macierz modelowa od macierzy struktury?
Macierz modelowa zawiera współczynniki regresji pozycji na czynnikach, czyli unikatowy wpływ czynnika przy kontroli pozostałych. Macierz struktury zawiera korelacje pozycji z czynnikami, które obejmują także wpływ pośredni przez skorelowane czynniki. Przy rotacji ortogonalnej obie macierze są identyczne.
Którą macierz interpretować po rotacji oblimin lub promax?
Do przypisywania pozycji i nazywania czynników zwykle używa się macierzy modelowej, bo pokazuje unikatowy związek pozycji z każdym czynnikiem. Wnioski sprawdź jednak w macierzy struktury i w korelacjach czynników. W pracy podaj macierz modelową z zasobami zmienności wspólnej i korelacje czynników.
Czy współczynnik w macierzy modelowej może być większy niż 1?
Tak. Współczynniki macierzy modelowej są współczynnikami regresji, a nie korelacjami, więc przy silnie skorelowanych czynnikach mogą przekroczyć 1. Nie musi to oznaczać błędu, ale warto wtedy sprawdzić korelacje czynników i rozważyć rozwiązanie z mniejszą liczbą czynników.
Dlaczego po rotacji ukośnej nie podaje się procentu wariancji dla każdego czynnika?
Bo skorelowane czynniki dzielą część wariancji, a sumy kwadratów kolumn macierzy modelowej nie sumują się do wariancji wspólnej. W przykładzie na tej stronie suma wyniosła 3.91, a wariancja wspólna 4.15. Podaj tylko łączny procent wariancji wyjaśnianej przez wszystkie czynniki.
Jak policzyć zasoby zmienności wspólnej z macierzy modelowej?
Przy rotacji ukośnej h² pozycji to p′Φp: suma kwadratów współczynników w wierszu plus podwojone iloczyny par współczynników pomnożone przez korelacje czynników. Dla pozycji o współczynnikach .37 i .44 na czynnikach skorelowanych .51 daje to .50, a nie .33.
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
- Graham, J. M., Guthrie, A. C., & Thompson, B. (2003). Consequences of not interpreting structure coefficients in published CFA research: A reminder. Structural Equation Modeling: A Multidisciplinary Journal, 10(1), 142–153. https://doi.org/10.1207/s15328007sem1001_7
- Thompson, B., & Daniel, L. G. (1996). Factor analytic evidence for the construct validity of scores: A historical overview and some guidelines. Educational and Psychological Measurement, 56(2), 197–208. https://doi.org/10.1177/0013164496056002001
- Watkins, M. W. (2018). Exploratory factor analysis: A guide to best practice. Journal of Black Psychology, 44(3), 219–246. https://doi.org/10.1177/0095798418771807 ● Otwarty dostęp
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{graham2003consequences, author={Graham, James M. and Guthrie, Abbie C. and Thompson, Bruce}, title={{Consequences of not interpreting structure coefficients in published CFA research: A reminder}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2003}, volume={10}, number={1}, pages={142--153}, doi={10.1207/s15328007sem1001_7}}@article{thompson1996factor, author={Thompson, Bruce and Daniel, Larry G.}, title={{Factor analytic evidence for the construct validity of scores: A historical overview and some guidelines}}, journal={Educational and Psychological Measurement}, year={1996}, volume={56}, number={2}, pages={197--208}, doi={10.1177/0013164496056002001}}@article{watkins2018exploratory, author={Watkins, Marley W.}, title={{Exploratory factor analysis: A guide to best practice}}, journal={Journal of Black Psychology}, year={2018}, volume={44}, number={3}, pages={219--246}, doi={10.1177/0095798418771807}}