Co to jest metoda Cattella?
Metoda Cattella, czyli test osypiska (ang. scree test), to reguła ustalania liczby czynników lub składowych do zachowania w analizie czynnikowej. Wartości własne macierzy korelacji, uporządkowane od największej, układa się na wykresie osypiska i szuka miejsca, w którym stromy spadek przechodzi w płaski „ogon”. Zachowuje się czynniki leżące przed tym załamaniem. Regułę zaproponował Raymond Cattell (1966). Nazwa nawiązuje do rumowiska skalnego u podnóża zbocza: duże wartości własne tworzą zbocze, a małe, podobne do siebie – osypisko.
Wykres i metodę łatwo pomylić, więc warto je rozdzielić. Wykres osypiska to narzędzie – rysunek wartości własnych. Metoda Cattella to reguła decyzyjna stosowana do tego rysunku. Jak czytać sam wykres, krok po kroku i z kalkulatorem, pokazuje hasło o wykresie osypiska. Tu zajmujemy się samą regułą: jej logiką, wariantami liczbowymi i tym, jak często prowadzi do trafnej decyzji.
Logika reguły
Cattell założył, że wartości własne mają dwa źródła. Kilka pierwszych odpowiada wspólnym czynnikom i jest wyraźnie większych od reszty. Pozostałe odzwierciedlają głównie wariancję specyficzną i błąd pomiaru, a ich wielkość maleje powoli i w przybliżeniu liniowo. Te końcowe wartości tworzą prostą – „osypisko”. Czynniki, które leżą wyraźnie nad przedłużeniem tej prostej, uznaje się za rzeczywiste.
W praktyce oznacza to trzy kroki:
- Przeprowadź przez końcowe wartości własne prostą (wzrokiem albo linijką).
- Znajdź pierwszy punkt, który odrywa się od tej prostej w górę, idąc od prawej strony.
- Zachowaj czynniki leżące nad prostą, czyli przed łokciem. Punkt łokcia należy już do osypiska.
W literaturze spotyka się też wariant, w którym punkt na samym łokciu dolicza się do zachowanych czynników. Dlatego w pracy zawsze napisz, którą wersję reguły zastosowałeś.
Przykład: osypisko z dwoma łokciami
Dwanaście pozycji kwestionariusza mierzy trzy skorelowane czynniki (po cztery pozycje, korelacja czynników .30). Kwestionariusz wypełniło 300 osób (dane symulowane). Wartości własne macierzy korelacji wynoszą: 3.05, 1.81, 1.70, 0.77, 0.74, 0.68, 0.61, 0.60, 0.56, 0.54, 0.50 i 0.43.
Spadki między kolejnymi wartościami wynoszą 1.24, 0.10, 0.93, a potem 0.01–0.07. Na wykresie widać więc dwa łokcie: po pierwszej wartości i po trzeciej. Osoba, która patrzy na największe załamanie, zobaczy jeden czynnik. Osoba, która prowadzi prostą przez osypisko i szuka punktów nad nią, zobaczy trzy. Prawdziwa odpowiedź – trzy czynniki – wymaga drugiego odczytania. To typowa sytuacja, gdy czynniki są skorelowane: pierwszy z nich zbiera wspólną wariancję wszystkich pozycji i wyraźnie odstaje od reszty.
Jak zgodnie ludzie czytają osypisko?
Subiektywność to najczęstszy zarzut wobec metody Cattella. Streiner (1998) dał 17 osobom – 6 doświadczonym i 11 początkującym – do oceny 10 wykresów osypiska. Zgodność ocen była niska. Dla danych rzeczywistych korelacje wewnątrzklasowe wyniosły .05 u początkujących i .00 u doświadczonych, a dla danych sztucznych – po .33. Autor wskazuje, że trudność rośnie, gdy dane zawierają błąd, a wykresy mają różne proporcje osi. Wniosek praktyczny: decyzji z osypiska nie podejmuj sam, „na oko”, i zawsze zestaw ją z metodą liczbową.
Liczbowe wersje testu osypiska
Raîche i in. (2013) zaproponowali dwa rozwiązania niegraficzne. Jedno odwołuje się do części „osypiska” wykresu, drugie – do łokcia:
- Współrzędne optymalne (OC, optimal coordinates). Dla każdej wartości własnej λi prowadzi się prostą przez następną wartość (λi+1) i ostatnią (λp), przedłuża ją do pozycji i i sprawdza, czy λi leży nad nią. W naszej implementacji zachowujemy kolejne czynniki, dopóki ten warunek jest spełniony i jednocześnie λi > 1.
- Czynnik przyspieszenia (AF, acceleration factor). Łokieć to miejsce największej drugiej różnicy: λi+1 − 2λi + λi−1. Zachowuje się czynniki przed łokciem.
W przykładzie z rysunku 1 obie wersje wskazały jeden czynnik. OC zatrzymał się, bo druga wartość (1.81) leży tuż pod prostą poprowadzoną przez trzecią i ostatnią wartość. AF wybrał największe załamanie, czyli to po pierwszej wartości. Kryterium Kaisera (λ > 1) i analiza równoległa wskazały trzy czynniki.
Jak często metoda Cattella trafia? Symulacja
Pojedynczy przykład niczego nie dowodzi, więc wygenerowano po 100 zbiorów danych (12 pozycji, trzy czynniki, N = 300) w dwóch warunkach: z silnymi, słabo skorelowanymi czynnikami i ze słabszymi, silniej skorelowanymi. Dla każdego zbioru zastosowano cztery reguły.
Przy silnych czynnikach liczbowe wersje testu osypiska trafiały w 80% (OC) i 89% (AF) przypadków. Przy słabszych, skorelowanych czynnikach AF trafił tylko w 2% przypadków – w pozostałych 98% wskazał jeden czynnik, bo wybierał pierwsze, największe załamanie. OC trafił w 75% przypadków. Analiza równoległa trafiała w 100% i 97% przypadków. Kryterium Kaisera również wypadło tu dobrze, ale to zasługa małej liczby pozycji. Przy wielu pozycjach to kryterium zwykle zawyża liczbę czynników (zob. metoda Kaisera).
Porównywanie reguł zatrzymywania składowych na danych o znanej strukturze ma długą tradycję (Zwick i Velicer, 1986). Hayton i in. (2004) wskazują analizę równoległą jako jedną z najtrafniejszych, a zarazem najrzadziej stosowanych metod. Analizę równoległą zaproponował Horn (1965): od wartości własnych odejmuje się to, czego można oczekiwać z samego błędu losowania, oszacowane na danych losowych. Test osypiska jest przydatnym uzupełnieniem – pokazuje kształt rozwiązania i ostrzega przed dwoma łokciami – ale nie powinien rozstrzygać sam.
Kiedy metoda Cattella się przydaje
Test osypiska ma sens jako jedno z kilku kryteriów, zwłaszcza gdy różne reguły dają różne odpowiedzi. Kształt wykresu pomaga wtedy zrozumieć przyczynę rozbieżności: czy jeden czynnik dominuje, czy kilka ostatnich wartości własnych leży tuż nad progiem, czy osypisko jest wyraźnie płaskie. Na tej podstawie wybierasz rozwiązania do porównania – zwykle liczbę wskazaną przez analizę równoległą oraz o jeden czynnik mniej i więcej. Każde z nich oszacuj (np. metodą osi głównych), obróć tą samą rotacją i oceń pod kątem interpretowalności, liczby pozycji na czynnik i zasobów zmienności wspólnej. Inne proste reguły, takie jak kryterium procenta wyjaśnianej wariancji, traktuj z równą ostrożnością.
Jak opisać decyzję w pracy (APA)
Wymień wszystkie kryteria, które brałeś pod uwagę, i ich wyniki, także gdy były rozbieżne. Napisz, na którym oparłeś decyzję i dlaczego. Dołącz wykres osypiska do aneksu albo jako rysunek.
Kolejne kroki – ekstrakcję, rotację i interpretację macierzy modelowej – opisuje wpis Analiza czynnikowa EFA i CFA. Przed ustalaniem liczby czynników sprawdź też, czy macierz korelacji w ogóle nadaje się do analizy (KMO i test Bartletta).
Przykład w R
Kod liczy wartości własne dla przykładowego zbioru, implementuje dwie liczbowe wersje testu osypiska (współrzędne optymalne i czynnik przyspieszenia), kryterium Kaisera i analizę równoległą, a następnie porównuje trafność tych reguł w symulacji. Liczby w tekście i na rysunkach pochodzą z tego kodu.
Test osypiska: OC, AF, Kaiser i analiza równoległa
R
# R168 – metoda Cattella (test osypiska) i jej wersje liczbowe; dane symulowane
# 12 pozycji, 3 czynniki (po 4 pozycje), N = 300
suppressPackageStartupMessages(library(MASS))
dane_czynnikowe <- function(N, lad, phi, seed) {
set.seed(seed)
F <- mvrnorm(N, rep(0, 3), matrix(c(1, phi, phi, phi, 1, phi, phi, phi, 1), 3))
sapply(1:12, function(j) { f <- (j - 1) %/% 4 + 1; l <- lad[(j - 1) %% 4 + 1]
lad_j <- l; lad_j * F[, f] + rnorm(N, 0, sqrt(1 - l^2)) })
}
# Współrzędne optymalne (OC): wartość λ_i porównana z prostą przez λ_(i+1) i ostatnią wartość, cofniętą do pozycji i
oc <- function(ev) {
p <- length(ev); k <- 0
for (i in 1:(p - 2)) {
przewid <- ev[i + 1] - (ev[p] - ev[i + 1]) / (p - i - 1)
if (ev[i] > przewid && ev[i] > 1) k <- i else break
}
k
}
# Czynnik przyspieszenia (AF): łokieć tam, gdzie druga różnica jest największa; zatrzymujemy składowe przed łokciem
af <- function(ev) { p <- length(ev); a <- sapply(2:(p - 1), function(i) ev[i + 1] - 2 * ev[i] + ev[i - 1]); which.max(a) }
# Analiza równoległa: 95. centyl wartości własnych ze 100 zbiorów losowych
progi_pa <- function(N, p, B = 100) apply(replicate(B, eigen(cor(matrix(rnorm(N * p), N)), only.values = TRUE)$values), 1, quantile, 0.95)
pa <- function(ev, N, p, B = 100) {
prog <- progi_pa(N, p, B)
k <- which(ev <= prog)[1] - 1; if (is.na(k)) p else k
}
X <- dane_czynnikowe(300, c(.70, .65, .60, .55), 0.30, 168)
ev <- eigen(cor(X))$values
round(ev, 2)
round(-diff(ev), 2) # spadki między kolejnymi wartościami
c(Kaiser = sum(ev > 1), OC = oc(ev), AF = af(ev), PA = pa(ev, 300, 12))
# Symulacja: jak często każda reguła wskazuje prawdziwe 3 czynniki (100 zbiorów na warunek)
warunki <- list(silne = list(lad = c(.75, .70, .70, .65), phi = 0.2),
slabe_skorelowane = list(lad = c(.60, .55, .55, .50), phi = 0.4))
wyniki <- sapply(names(warunki), function(w) {
r <- t(sapply(1:100, function(i) {
e <- eigen(cor(dane_czynnikowe(300, warunki[[w]]$lad, warunki[[w]]$phi, 5000 + i)), only.values = TRUE)$values
c(Kaiser = sum(e > 1), OC = oc(e), AF = af(e), PA = pa(e, 300, 12))
}))
colMeans(r == 3) * 100
})
wyniki
# Rozkład wskazań AF w słabszym warunku (ile razy 1, 2, 3 …)
table(sapply(1:100, function(i) af(eigen(cor(dane_czynnikowe(300, warunki[[2]]$lad, warunki[[2]]$phi, 5000 + i)), only.values = TRUE)$values)))Wynik w R
[1] 3.05 1.81 1.70 0.77 0.74 0.68 0.61 0.60 0.56 0.54 0.50 0.43
[1] 1.24 0.10 0.93 0.04 0.06 0.06 0.01 0.04 0.02 0.04 0.07
Kaiser OC AF PA
3 1 1 3
silne slabe_skorelowane
Kaiser 100 98
OC 80 75
AF 89 2
PA 100 97
1 3
98 2Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; wartości własne policzono funkcją eigen(), funkcje OC, AF i analizy równoległej napisano w kodzie powyżej, dane wygenerowano funkcją mvrnorm() z pakietu MASS, a rysunki 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/
- 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
- Metoda Cattella jako jedyne kryterium. Ocena wykresu bywa nierzetelna, a przy skorelowanych czynnikach reguła łatwo wskazuje za mało czynników.
- Liczenie punktu na łokciu bez informacji o tym. Różnica między wariantami reguły to jeden czynnik. Napisz, którą wersję stosujesz.
- Patrzenie tylko na największe załamanie. W przykładzie dawało jeden czynnik zamiast trzech. Szukaj punktów nad prostą przeprowadzoną przez osypisko.
- Wykres z wartości własnych PCA przy interpretacji czynników wspólnych bez komentarza. Wartości własne pełnej macierzy korelacji (jak w PCA) i macierzy zredukowanej różnią się, więc napisz, którą macierz przedstawiasz.
- Dopasowywanie odczytu do oczekiwanej liczby czynników. Przy dwóch łokciach łatwo „zobaczyć” to, co pasuje do hipotezy. Zapisz kryteria przed analizą.
- Zmiana proporcji osi wykresu. Rozciągnięcie albo spłaszczenie osi pionowej zmienia wrażenie stromości i może przesunąć odczyt łokcia.
Najczęstsze pytania
Na czym polega metoda Cattella?
Wartości własne macierzy korelacji układa się od największej na wykresie i przeprowadza prostą przez płaski ogon małych wartości, czyli osypisko. Za rzeczywiste uznaje się czynniki, których wartości własne leżą wyraźnie nad tą prostą – przed punktem załamania. Reguła pochodzi z pracy Raymonda Cattella z 1966 roku.
Czy punkt na łokciu wykresu osypiska liczy się do czynników?
W najczęściej stosowanej wersji nie: łokieć to początek osypiska, a zachowuje się czynniki przed nim. Istnieje jednak wariant, w którym punkt łokcia dolicza się do czynników. Różnica wynosi jeden czynnik, dlatego w pracy napisz, którą wersję reguły zastosowałeś.
Co zrobić, gdy wykres osypiska ma dwa łokcie?
Dwa łokcie pojawiają się często przy skorelowanych czynnikach: pierwszy czynnik zbiera wspólną wariancję wszystkich pozycji i mocno odstaje. Nie wybieraj wtedy po prostu największego załamania. Rozstrzygnij na podstawie analizy równoległej, interpretowalności rozwiązań i teorii, a oba możliwe rozwiązania opisz w pracy.
Czy test osypiska można policzyć bez patrzenia na wykres?
Tak. Raîche i współpracownicy zaproponowali dwie wersje liczbowe: współrzędne optymalne, które porównują każdą wartość własną z prostą przez dalsze wartości, oraz czynnik przyspieszenia, który szuka największej drugiej różnicy. Czynnik przyspieszenia ma jednak tendencję do wskazywania jednego czynnika, gdy pierwsza wartość własna mocno odstaje.
Czy metoda Cattella jest lepsza od kryterium Kaisera?
Obie reguły są uproszczone i żadna nie powinna decydować sama. Kryterium Kaisera przy wielu pozycjach zawyża liczbę czynników, a test osypiska jest subiektywny i przy skorelowanych czynnikach łatwo ją zaniża. Jako główne kryterium stosuj analizę równoległą, a obie klasyczne reguły traktuj jako uzupełnienie.
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)
- 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
- 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
- Raîche, G., Walls, T. A., Magis, D., Riopel, M., & Blais, J.-G. (2013). Non-graphical solutions for Cattell’s scree test. Methodology, 9(1), 23–29. https://doi.org/10.1027/1614-2241/a000051 ● Otwarty dostęp: pełny tekst
- Streiner, D. L. (1998). Factors affecting reliability of interpretations of scree plots. Psychological Reports, 83(2), 687–694. https://doi.org/10.2466/pr0.1998.83.2.687
- Zwick, W. R., & Velicer, W. F. (1986). Comparison of five rules for determining the number of components to retain. Psychological Bulletin, 99(3), 432–442. https://doi.org/10.1037/0033-2909.99.3.432
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{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{raiche2013non, author={Raîche, Gilles and Walls, Theodore A. and Magis, David and Riopel, Martin and Blais, Jean-Guy}, title={{Non-graphical solutions for Cattell’s scree test}}, journal={Methodology}, year={2013}, volume={9}, number={1}, pages={23--29}, doi={10.1027/1614-2241/a000051}}@article{streiner1998factors, author={Streiner, David L.}, title={{Factors affecting reliability of interpretations of scree plots}}, journal={Psychological Reports}, year={1998}, volume={83}, number={2}, pages={687--694}, doi={10.2466/pr0.1998.83.2.687}}@article{zwick1986comparison, author={Zwick, William R. and Velicer, Wayne F.}, title={{Comparison of five rules for determining the number of components to retain}}, journal={Psychological Bulletin}, year={1986}, volume={99}, number={3}, pages={432--442}, doi={10.1037/0033-2909.99.3.432}}