Co to jest macierz struktury?
Macierz struktury (ang. structure matrix) to macierz korelacji każdej pozycji z każdym czynnikiem w analizie czynnikowej. Współczynnik struktury odpowiada na proste pytanie: jak silnie wynik pozycji współzmienia się z danym czynnikiem – niezależnie od tego, czy ten związek jest bezpośredni, czy pośredni, przez inny, skorelowany czynnik.
Macierz struktury ma znaczenie przede wszystkim przy rotacji ukośnej (oblimin, promax). Wtedy różni się od macierzy modelowej, która zawiera współczynniki regresji, czyli unikatowy wpływ czynnika przy kontroli pozostałych. Przy rotacji ortogonalnej czynniki nie korelują i obie macierze są identyczne. W SPSS tabela nosi nazwę Structure Matrix, a w pakiecie psych w R to element Structure obiektu zwracanego przez fa().
Związek ze wzorcem: S = PΦ
Macierz struktury powstaje z macierzy modelowej i macierzy korelacji czynników:
Wzór pokazuje, skąd bierze się różnica między macierzami. Współczynnik struktury pozycji na „cudzym” czynniku to jej bezpośredni związek z tym czynnikiem (pi2) plus związek pośredni: ładunek na własnym czynniku pomnożony przez korelację czynników. Gdy czynniki korelują silnie, nawet „czysta” pozycja – z zerowym współczynnikiem wzorca na drugim czynniku – ma z nim wyraźną korelację.
Przykład: zamartwianie i pobudzenie w lęku egzaminacyjnym
Osiem pozycji (odpowiedzi 1–5) mierzy dwa komponenty lęku egzaminacyjnego: zamartwianie się (ZAM, np. „Przed egzaminem myślę o tym, co się stanie, jeśli obleję”) i pobudzenie fizjologiczne (POB, np. „Przed egzaminem pocą mi się dłonie”). Kwestionariusz wypełniło 500 osób (dane symulowane). Po ekstrakcji minres i rotacji oblimin korelacja czynników wyniosła φ = .54.
| Pozycja | Wzorzec: ZAM | Wzorzec: POB | Struktura: ZAM | Struktura: POB |
|---|---|---|---|---|
| zam1 | .66 | .06 | .69 | .42 |
| zam2 | .52 | .12 | .59 | .41 |
| zam3 | .74 | −.04 | .71 | .36 |
| zam4 | .60 | −.05 | .57 | .27 |
| pob1 | .05 | .63 | .39 | .66 |
| pob2 | .09 | .51 | .37 | .56 |
| pob3 | −.06 | .79 | .37 | .76 |
| pob4 | .06 | .54 | .36 | .58 |
W macierzy modelowej struktura jest prosta: każda pozycja ma jeden wyraźny współczynnik, a na drugim czynniku najwyżej .12. W macierzy struktury wszystkie „krzyżowe” współczynniki wynoszą od .27 do .42. Dla pozycji zam1 wynika to wprost ze wzoru: .66 × .54 + .06 = .42. Pozycja zam1 nie mierzy pobudzenia – koreluje z nim, bo zamartwianie i pobudzenie są ze sobą powiązane.
Obie macierze opisują więc te same dane z dwóch perspektyw. Wzorzec mówi, który czynnik „wytwarza” odpowiedź na pozycję, a struktura – z którymi czynnikami pozycja się wiąże. Graham i in. (2003) opisują błędy interpretacji wynikające z pomijania współczynników struktury. Typowy przykład to wniosek, że pozycja „nie ma nic wspólnego” z czynnikiem, z którym w rzeczywistości koreluje na poziomie .40.
Jak korelacja czynników zmienia macierz struktury
Żeby zobaczyć tę zależność w czystej postaci, wygenerowano po 50 zbiorów danych dla pięciu wartości korelacji czynników w populacji, od 0 do .80. Struktura pozycji i ładunki główne (średnio .70) były w każdym warunku takie same.
W macierzy modelowej współczynnik krzyżowy pozostaje bliski zera (od .00 do .04). W macierzy struktury rośnie razem z korelacją czynników: .14 przy φ = .20, .26 przy .40, .40 przy .60 i .52 przy .80 – niemal dokładnie tyle, ile wynosi ładunek główny pomnożony przez φ. Wniosek praktyczny: wysoki współczynnik krzyżowy w macierzy struktury nie świadczy o złej pozycji, jeśli wynika z korelacji czynników. O złej pozycji świadczy dopiero wysoki współczynnik krzyżowy w macierzy modelowej.
Do czego służy macierz struktury
- Nazywanie czynników. Pokazuje, z którymi pozycjami czynnik jest najsilniej skorelowany, więc pomaga ustalić, co czynnik reprezentuje. Thompson i Daniel (1996) omawiają, czego oczekuje się od raportu z analizy czynnikowej, która ma być dowodem trafności teoretycznej wyników.
- Kontrola zjawiska supresji. Gdy współczynnik wzorca jest wyraźnie niezerowy, a współczynnik struktury bliski zera lub o przeciwnym znaku, pozycja może działać jak supresor (zob. supresja).
- Ocena, czy czynniki nie są zbyt podobne. Gdy wiele pozycji ma podobne współczynniki struktury na dwóch czynnikach, sprawdź korelację czynników i trafność różnicową.
- Komunikacja z czytelnikiem. Korelacje są intuicyjne: współczynnik struktury podniesiony do kwadratu to odsetek wariancji pozycji wspólnej z czynnikiem, choć wariancje te dla różnych czynników się nakładają.
Macierz struktury w CFA
To samo rozróżnienie dotyczy konfirmacyjnej analizy czynnikowej. Standaryzowane ładunki, które podaje program, są współczynnikami wzorca: pozycja ma ładunek tylko na swoim czynniku, a na pozostałych – zero z założenia. Nie znaczy to jednak, że pozycja nie koreluje z innymi czynnikami. Jej współczynnik struktury na drugim czynniku to ładunek pomnożony przez korelację czynników, tak jak w EFA. Graham i in. (2003) zwracają uwagę, że w publikowanych analizach CFA współczynniki struktury pojawiają się rzadko, choć bywają niezbędne do poprawnej interpretacji. Gdy dwa czynniki korelują na poziomie .80, każda pozycja koreluje z „cudzym” czynnikiem prawie tak silnie jak z własnym. To sygnał, żeby sprawdzić trafność różnicową i porównać model z modelem o mniejszej liczbie czynników.
Jak opisać macierz struktury w pracy (APA)
Po rotacji ukośnej podaj w tekście lub tabeli macierz modelową (do przypisania pozycji), korelacje czynników i macierz struktury – w drugiej tabeli albo w aneksie. Fabrigar i in. (1999) pokazali, że analizy czynnikowe w psychologii często prowadzi się z użyciem wątpliwych rozwiązań, dlatego przejrzysty raport ma duże znaczenie. Wyjaśnij też, której macierzy użyłeś do interpretacji. Wzór tabeli: tabela analizy czynnikowej w APA.
Cały proces EFA – od oceny macierzy korelacji po interpretację rozwiązania – opisuje wpis Analiza czynnikowa EFA i CFA.
Przykład w R
Kod przeprowadza EFA z rotacją oblimin, zestawia macierz modelową z macierzą struktury, sprawdza zależność S = PΦ, rozkłada współczynnik struktury jednej pozycji na część bezpośrednią i pośrednią, a na końcu w symulacji pokazuje, jak współczynniki krzyżowe obu macierzy zależą od korelacji czynników. Liczby w tekście pochodzą z tego kodu.
Macierz struktury, S = PΦ i symulacja dla różnych φ
R
# R167 – macierz struktury w EFA z rotacją ukośną; dane symulowane
# Lęk egzaminacyjny: zamartwianie (ZAM) i pobudzenie fizjologiczne (POB), 8 pozycji 1–5, N = 500
suppressPackageStartupMessages({library(psych); library(GPArotation); library(MASS)})
generuj <- function(N, phi, seed) {
set.seed(seed)
F <- mvrnorm(N, c(0, 0), matrix(c(1, phi, phi, 1), 2))
lad <- c(.72, .68, .75, .65)
X <- cbind(sapply(lad, function(l) findInterval(l * F[, 1] + rnorm(N, 0, sqrt(1 - l^2)), c(-1.5, -0.5, 0.5, 1.5)) + 1),
sapply(lad, function(l) findInterval(l * F[, 2] + rnorm(N, 0, sqrt(1 - l^2)), c(-1.5, -0.5, 0.5, 1.5)) + 1))
colnames(X) <- c(paste0("zam", 1:4), paste0("pob", 1:4)); X
}
uporzadkuj <- function(efa) { # kolumna 1 = ZAM, kolumna 2 = POB
o <- if (sum(abs(efa$loadings[1:4, 1])) > sum(abs(efa$loadings[1:4, 2]))) 1:2 else 2:1
list(P = unclass(efa$loadings)[, o], S = unclass(efa$Structure)[, o], Phi = efa$Phi[o, o])
}
X <- generuj(500, 0.60, 167)
efa <- fa(X, nfactors = 2, fm = "minres", rotate = "oblimin")
w <- uporzadkuj(efa)
dimnames(w$P)[[2]] <- dimnames(w$S)[[2]] <- c("ZAM", "POB")
round(w$Phi[1, 2], 2)
tab <- cbind(w$P, w$S); colnames(tab) <- c("P_ZAM", "P_POB", "S_ZAM", "S_POB"); round(tab, 2)
# S = P Φ: sprawdzenie dla całej macierzy
max(abs(w$P %*% w$Phi - w$S)) < 1e-8
# Pozycja zam1: współczynnik struktury dla POB krok po kroku
round(c(p_ZAM = w$P["zam1", 1], p_POB = w$P["zam1", 2], phi = w$Phi[1, 2], s_POB = w$P["zam1", 1] * w$Phi[1, 2] + w$P["zam1", 2]), 3)
# Rotacja ortogonalna (varimax): wzorzec = struktura
efa_v <- fa(X, nfactors = 2, fm = "minres", rotate = "varimax")
is.null(efa_v$Phi)
# Symulacja: jak korelacja czynników zmienia „ładunki krzyżowe” w obu macierzach (50 prób na warunek)
phis <- c(0, .2, .4, .6, .8)
sym <- do.call(rbind, lapply(phis, function(ph) {
r <- t(sapply(1:50, function(i) {
u <- uporzadkuj(fa(generuj(500, ph, 1000 * ph + i), nfactors = 2, fm = "minres", rotate = "oblimin"))
c(wzorzec = mean(c(u$P[1:4, 2], u$P[5:8, 1])), struktura = mean(c(u$S[1:4, 2], u$S[5:8, 1])))
}))
data.frame(phi = ph, t(colMeans(r)))
}))
round(sym, 3)Wynik w R
[1] 0.54
P_ZAM P_POB S_ZAM S_POB
zam1 0.66 0.06 0.69 0.42
zam2 0.52 0.12 0.59 0.41
zam3 0.74 -0.04 0.71 0.36
zam4 0.60 -0.05 0.57 0.27
pob1 0.05 0.63 0.39 0.66
pob2 0.09 0.51 0.37 0.56
pob3 -0.06 0.79 0.37 0.76
pob4 0.06 0.54 0.36 0.58
[1] TRUE
p_ZAM p_POB phi s_POB
0.657 0.060 0.543 0.417
[1] TRUE
phi wzorzec struktura
1 0.0 0.000 0.011
2 0.2 0.003 0.137
3 0.4 0.005 0.256
4 0.6 0.012 0.397
5 0.8 0.035 0.522Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; EFA policzono funkcją fa() z pakietu psych (rotacje oblimin i varimax z pakietu GPArotation), dane wygenerowano funkcją mvrnorm() z pakietu MASS, a 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 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Przypisywanie pozycji na podstawie macierzy struktury. Przy skorelowanych czynnikach prawie każda pozycja ma tam wyraźne współczynniki na kilku czynnikach. Do przypisania służy macierz modelowa.
- Usuwanie pozycji z powodu „ładunków krzyżowych” w strukturze. W przykładzie współczynniki .27–.42 wynikały wyłącznie z korelacji czynników (.54).
- Pomijanie macierzy struktury w raporcie. Czytelnik nie zobaczy wtedy, jak silnie pozycje wiążą się z pozostałymi czynnikami.
- Mylenie nazw. W części polskich tekstów „ładunkami” nazywa się raz współczynniki wzorca, raz struktury. Zawsze napisz, którą macierz pokazujesz.
- Sumowanie kwadratów współczynników struktury jako miary wariancji czynnika. Wariancje wspólne skorelowanych czynników się nakładają, więc taka suma zawyża udział każdego czynnika.
- Szukanie macierzy struktury po rotacji varimax. Przy rotacji ortogonalnej jest jedna macierz ładunków czynnikowych, która jest jednocześnie wzorcem i strukturą.
Najczęstsze pytania
Co zawiera macierz struktury w analizie czynnikowej?
Zawiera korelacje każdej pozycji z każdym czynnikiem. Współczynnik struktury obejmuje zarówno bezpośredni związek pozycji z czynnikiem, jak i związek pośredni przez inne, skorelowane czynniki. Przy rotacji ortogonalnej jest równy ładunkowi czynnikowemu.
Dlaczego macierz struktury ma wyższe ładunki krzyżowe niż macierz modelowa?
Bo przy skorelowanych czynnikach pozycja koreluje z drugim czynnikiem także pośrednio, przez swój własny czynnik. Współczynnik struktury to w przybliżeniu ładunek główny pomnożony przez korelację czynników plus współczynnik wzorca. Przy ładunku .66 i korelacji .54 daje to około .42, nawet gdy współczynnik wzorca jest bliski zera.
Czy macierz struktury trzeba podawać w pracy?
Po rotacji ukośnej warto. Macierz modelowa wystarcza do przypisania pozycji, ale bez macierzy struktury i korelacji czynników czytelnik nie zobaczy, jak silnie pozycje wiążą się z pozostałymi czynnikami. Jeśli brakuje miejsca, umieść macierz struktury w aneksie i napisz, której macierzy użyłeś do interpretacji.
Jak obliczyć macierz struktury z macierzy modelowej?
Pomnóż macierz modelową przez macierz korelacji czynników: S = PΦ. Dla dwóch czynników współczynnik struktury pozycji na czynniku 2 to p2 + p1 × φ. W R pakiet psych zwraca gotową macierz w elemencie Structure obiektu z funkcji fa().
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
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}}