Słownik metodologiczny · Analiza czynnikowa

Metoda Kaisera – kryterium wartości własnej większej od 1 i jego ograniczenia

Kryterium Kaisera każe zatrzymać tyle czynników, ile wartości własnych przekracza 1. Wyjaśniamy, skąd wziął się ten próg, pokazujemy na przykładzie z R, dlaczego zwykle wskazuje za dużo czynników, i podpowiadamy, jak opisać decyzję o liczbie czynników w pracy.

Strona główna / Słownik / Metoda Kaisera
W skrócie: Metoda Kaisera zatrzymuje tyle czynników lub składowych, ile wartości własnych macierzy korelacji jest większych od 1. Reguła jest domyślna w SPSS, ale w próbach zwykle wskazuje za dużo czynników: w danych czysto losowych „znajduje” ich mniej więcej tyle, ile wynosi połowa liczby pozycji. Liczbę czynników ustalaj analizą równoległą i interpretowalnością rozwiązania, a wynik K1 podawaj najwyżej pomocniczo.

Co to jest metoda Kaisera?

Metoda Kaisera (kryterium Kaisera, kryterium Kaisera–Guttmana, ang. Kaiser criterion, eigenvalue-greater-than-one rule, w skrócie K1) to reguła wyboru liczby czynników lub składowych: zachowujesz tyle wymiarów, ile wartości własnych macierzy korelacji jest większych od 1. Stosuje się ją w analizie głównych składowych i – bardzo często, choć z mniejszym uzasadnieniem – w eksploracyjnej analizie czynnikowej (EFA). W SPSS jest to domyślne ustawienie okna ekstrakcji, dlatego trafia do wielu prac dyplomowych bez żadnej decyzji badacza.

liczba czynników (K1) = liczba wartości własnych λj macierzy korelacji R, dla których λj > 1

Reguła ma prostą intuicję. Po standaryzacji każda pozycja wnosi do analizy jedną jednostkę wariancji, a suma wartości własnych równa się liczbie pozycji. Składowa z wartością własną poniżej 1 wyjaśnia więc mniej niż pojedyncza pozycja – „nie opłaca się” jej zatrzymywać.

Skąd się wzięła reguła „większe od 1”?

Podstawą jest twierdzenie Guttmana (1954): liczba wartości własnych pełnej macierzy korelacji (z jedynkami na przekątnej), które są większe lub równe 1, jest dolnym ograniczeniem liczby czynników wspólnych w populacji. Guttman pokazał przy tym dwa lepsze ograniczenia. Kaiser (1960) spopularyzował tę wartość jako praktyczną regułę zatrzymywania czynników w czasach, gdy obliczenia wykonywały pierwsze komputery, a analiza musiała być w pełni automatyczna.

Z tego rodowodu wynikają dwa ograniczenia, które łatwo przeoczyć:

  • Twierdzenie dotyczy macierzy populacyjnej. W próbie wartości własne rozrzucają się wokół wartości populacyjnych: pierwsze są zawyżone, ostatnie zaniżone. Składowa szumu łatwo przekracza próg 1.
  • Dotyczy macierzy z jedynkami na przekątnej, czyli rozwiązania metodą głównych składowych. W macierzy zredukowanej, z wspólnościami na przekątnej (jak w metodzie osi głównych), wartości własne są mniejsze i próg 1 traci uzasadnienie.

Fabrigar i in. (1999) pokazali, że każda decyzja w EFA – także wybór liczby czynników – wpływa na wynik, a w przeglądzie artykułów psychologicznych badacze rutynowo podejmowali te decyzje w wątpliwy sposób. Hayton i in. (2004) wskazują analizę równoległą jako jedną z najtrafniejszych metod ustalania liczby czynników.

Przykład: skala dobrostanu z 18 pozycji

Studentki i studenci (N = 220) wypełnili 18-pozycyjną skalę dobrostanu z trzema podskalami po 6 pozycji: dobrostan emocjonalny, relacje z innymi i poczucie sensu (odpowiedzi 1–5; dane symulowane z modelu trzyczynnikowego, więc znamy prawidłową odpowiedź: 3 czynniki). Wartości własne macierzy korelacji wyniosły:

Pierwsze osiem wartości własnych macierzy korelacji 18 pozycji wraz z procentem wariancji i progiem analizy równoległej
SkładowaWartość własna λ% wariancjiPróg analizy równoległej (95. percentyl)K1: λ > 1?
13.1317.41.64tak
22.0111.21.50tak
31.8710.41.41tak
41.156.41.33tak
51.096.11.26tak
60.975.41.20nie

Suma wszystkich 18 wartości własnych wynosi 18, więc procent wariancji to λ / 18 × 100. Kryterium Kaisera wskazuje 5 czynników, które razem wyjaśniają 51.4% wariancji całkowitej. Czwarta i piąta wartość własna (1.15 i 1.09) przekraczają 1 tylko nieznacznie – takiej różnicy nie da się odróżnić od losowego wahania. Analiza równoległa porównuje każdą wartość własną z 95. percentylem wartości uzyskanych z 500 zbiorów losowych danych tej samej wielkości (18 pozycji, 220 osób). Czwarta wartość własna (1.15) nie przekracza progu 1.33, więc analiza równoległa wskazuje 3 czynniki – tyle, ile było w modelu, z którego wygenerowano dane.

Panel A: wartości własne 18 pozycji skali dobrostanu; pięć pierwszych (3.13, 2.01, 1.87, 1.15, 1.09) przekracza linię 1, choć model populacyjny ma 3 czynniki. Panel B: w danych losowych bez czynników średnia liczba wartości własnych większych od 1 wynosi około 5 przy 10 pozycjach, 9–10 przy 20 i 13–14 przy 30, niezależnie od liczebności próby
Rysunek 1. A: wartości własne w przykładzie; czerwone słupki przekraczają próg Kaisera (przerywana linia λ = 1). B: średnia liczba wartości własnych większych od 1 w 200 zbiorach czysto losowych danych dla 10, 20 i 30 pozycji. Obliczenia: R (dane symulowane).

Dlaczego kryterium Kaisera tak często się myli?

Panel B rysunku 1 pokazuje sedno problemu. W danych bez żadnej struktury (wszystkie korelacje w populacji równe zero) kryterium Kaisera „znajduje” średnio 4.8–5.0 czynników przy 10 pozycjach, 9.2–9.7 przy 20 i 13.3–14.4 przy 30. Liczba ta prawie nie zależy od liczebności próby: przy rosnącym N wartości własne skupiają się wokół 1, ale mniej więcej połowa z nich nadal leży nieco powyżej progu. Reguła reaguje więc na liczbę pozycji, a nie na strukturę danych.

  • Nadmierna ekstrakcja – przy długich skalach (20–40 pozycji) i umiarkowanych ładunkach kryterium dokłada czynniki zbudowane z dwóch–trzech pozycji o podobnym brzmieniu albo z czystego szumu.
  • Zbyt mała ekstrakcja – przy krótkich, skorelowanych podskalach wartość własna słabszego czynnika może spaść poniżej 1. Braeken i van Assen (2017) pokazali, że empiryczna wersja kryterium Kaisera, uwzględniająca rozkład wartości własnych w próbie, radzi sobie wtedy wyraźnie lepiej niż klasyczna reguła.
  • Arbitralność progu – wartość 1.01 „liczy się”, a 0.99 – nie, choć obie niosą tę samą informację.

Kryterium Kaisera jest jedną z trzech klasycznych reguł opartych na wartościach własnych, obok metody Cattella (wykresu osypiska) i kryterium procenta wyjaśnianej wariancji. Żadna z nich nie powinna decydować samodzielnie. Ostateczna liczba czynników musi też dać się zinterpretować: każdy czynnik powinien mieć co najmniej trzy pozycje z wyraźnym ładunkiem czynnikowym i sensowną treść.

Kiedy kryterium Kaisera może się przydać?

Jako górna granica przeszukiwania. Jeśli K1 wskazuje 5 czynników, a analiza równoległa 3, porównaj rozwiązania 3-, 4- i 5-czynnikowe pod względem interpretowalności, ładunków i rzetelności podskal. Liczba z K1 jest też informacją, której mogą oczekiwać recenzenci przyzwyczajeni do SPSS – podaj ją, ale nie opieraj na niej decyzji. Przy macierzy zredukowanej (wspólności na przekątnej) nie stosuj progu 1 wcale: w przykładzie wartości własne tej macierzy wyniosły 2.41, 1.22, 1.12 i 0.36, więc próg 1 przypadkowo wskazał 3 czynniki, ale nie ma ku temu teoretycznych podstaw.

Jak opisać decyzję w pracy (APA)

Podaj wszystkie zastosowane kryteria i wyjaśnij, które było rozstrzygające. Recenzent powinien móc odtworzyć decyzję: liczba pozycji, N, macierz (korelacji Pearsona czy polichorycznych), wartości własne i wynik analizy równoległej.

Liczbę czynników ustalono na podstawie analizy równoległej (500 losowych zbiorów danych, 95. percentyl) oraz interpretowalności rozwiązań. Pięć wartości własnych macierzy korelacji przekroczyło 1 (3.13, 2.01, 1.87, 1.15 i 1.09), jednak tylko trzy pierwsze były większe od odpowiadających im wartości z danych losowych (1.64, 1.50 i 1.41). Rozwiązania czteroczynnikowe i pięcioczynnikowe porównano z rozwiązaniem trzyczynnikowym; ostatecznie przyjęto rozwiązanie trzyczynnikowe, zgodne z założoną strukturą skali.

Tabelę ładunków przygotujesz według wzoru tabeli analizy czynnikowej w APA. Cały proces – od decyzji o liczbie czynników po CFA na nowej próbie – opisujemy w poradniku Analiza czynnikowa EFA i CFA.

Przykład reprodukowalny

Przykład w R

Kod generuje dane z przykładu, liczy wartości własne, stosuje kryterium Kaisera, porównuje je z analizą równoległą liczoną „ręcznie”, pokazuje wartości własne macierzy zredukowanej i powtarza symulację z rysunku 1B. Liczby w tabeli, tekście i na rysunku pochodzą z tego kodu.

Kryterium Kaisera a analiza równoległa

Dane wejściowe: 18 pozycji skali dobrostanu (1–5), 220 osób (dane symulowane, set.seed(1)).

Co odczytać: wartości własne, liczbę λ > 1 (5), sumę wartości własnych (18), procent wariancji, progi analizy równoległej i jej wynik (3), wartości własne macierzy zredukowanej oraz średnią liczbę λ > 1 w danych losowych.

R
# R169 – Metoda Kaisera (kryterium wartości własnej > 1)
# Dane symulowane: 18 pozycji skali dobrostanu studentów, 3 podskale po 6 pozycji
# (dobrostan emocjonalny, relacje z innymi, poczucie sensu), N = 220, odpowiedzi 1–5
library(MASS)
set.seed(1)
L <- matrix(0, 18, 3)
L[1:6, 1]   <- c(.70, .65, .60, .55, .50, .45)
L[7:12, 2]  <- c(.70, .60, .55, .50, .45, .40)
L[13:18, 3] <- c(.65, .60, .55, .50, .45, .40)
Phi <- matrix(.30, 3, 3); diag(Phi) <- 1
Sigma <- L %*% Phi %*% t(L); diag(Sigma) <- 1
z <- mvrnorm(220, rep(0, 18), Sigma)
dane <- as.data.frame(apply(z, 2, function(x) as.integer(cut(x, c(-Inf, -1.5, -0.5, 0.5, 1.5, Inf)))))
names(dane) <- paste0("dob", 1:18)

R <- cor(dane)
ev <- eigen(R)$values
round(ev, 3)
sum(ev > 1)                          # liczba składowych wg kryterium Kaisera
sum(ev)                              # suma wartości własnych = liczba pozycji
round(100 * ev[1:6] / ncol(dane), 1) # % wariancji całkowitej
round(100 * sum(ev[ev > 1]) / ncol(dane), 1)

# Dla porównania: analiza równoległa (95. percentyl wartości własnych z danych losowych)
set.seed(1690)
losowe <- replicate(500, eigen(cor(matrix(rnorm(220 * 18), 220, 18)))$values)
prog_pa <- apply(losowe, 1, quantile, .95)
round(prog_pa[1:6], 3)
sum(cumprod(ev > prog_pa))           # liczba czynników wg analizy równoległej

# Kaiser na zredukowanej macierzy korelacji (wspólności SMC na przekątnej) – częsty błąd
smc <- 1 - 1 / diag(solve(R))
Rred <- R; diag(Rred) <- smc
round(eigen(Rred)$values[1:5], 3)
sum(eigen(Rred)$values > 1)

# Losowy szum: ile wartości własnych > 1 przy braku jakichkolwiek czynników?
set.seed(16900)
sym <- expand.grid(p = c(10, 20, 30), n = c(100, 200, 500, 1000))
sym$k1 <- mapply(function(p, n) mean(replicate(200, sum(eigen(cor(matrix(rnorm(n * p), n, p)))$values > 1))),
                 sym$p, sym$n)
sym
Wynik w R
 [1] 3.129 2.009 1.866 1.148 1.091 0.971 0.904 0.880 0.828 0.737 0.692 0.623
[13] 0.596 0.561 0.538 0.525 0.476 0.427
[1] 5
[1] 18
[1] 17.4 11.2 10.4  6.4  6.1  5.4
[1] 51.4
[1] 1.643 1.502 1.412 1.331 1.260 1.202
[1] 3
[1] 2.407 1.225 1.119 0.358 0.276
[1] 3
    p    n     k1
1  10  100  4.770
2  20  100  9.160
3  30  100 13.315
4  10  200  4.850
5  20  200  9.430
6  30  200 13.790
7  10  500  4.875
8  20  500  9.560
9  30  500 14.180
10 10 1000  4.955
11 20 1000  9.725
12 30 1000 14.415

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje eigen() i cor() z pakietów bazowych); dane wygenerowano pakietem MASS, rysunek przygotowano w ggplot2 i patchwork. W gotowej analizie analizę równoległą policzysz też funkcją psych::fa.parallel().

  1. 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/
  2. 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Zostawienie domyślnego ustawienia programu – w SPSS kryterium Kaisera działa automatycznie; jeśli liczby czynników nie ustalisz świadomie, program zrobi to za Ciebie.
  • Traktowanie 1.05 jak dowodu na czynnik – wartości własne bliskie 1 są w próbie niestabilne; sprawdź je analizą równoległą.
  • Stosowanie progu 1 do macierzy zredukowanej – reguła ma uzasadnienie tylko dla macierzy korelacji z jedynkami na przekątnej.
  • Zatrzymywanie czynników z jedną lub dwiema pozycjami – taki czynnik zwykle odzwierciedla podobne sformułowanie pozycji, a nie odrębny konstrukt.
  • Podawanie tylko liczby czynników – bez wartości własnych i opisu kryteriów czytelnik nie oceni, czy decyzja była uzasadniona.
  • Usuwanie pozycji, aby „wyszła” zakładana liczba czynników – zmieniasz wtedy zakres konstruktu; decyzje o pozycjach opieraj na treści i ładunkach, nie na regule K1.

Najczęstsze pytania

Na czym polega kryterium Kaisera w analizie czynnikowej?

Liczysz wartości własne macierzy korelacji pozycji i zatrzymujesz tyle czynników, ile z nich jest większych od 1. Uzasadnienie: po standaryzacji każda pozycja ma wariancję 1, więc czynnik z wartością własną poniżej 1 wyjaśnia mniej niż jedna pozycja. W SPSS jest to domyślne ustawienie ekstrakcji.

Dlaczego kryterium Kaisera wskazuje za dużo czynników?

Bo w próbie wartości własne rozrzucają się wokół 1 nawet wtedy, gdy struktury nie ma. W symulacji z 20 pozycjami bez żadnych korelacji w populacji reguła wskazywała średnio 9–10 czynników, niezależnie od liczebności próby. Im więcej pozycji, tym więcej przypadkowych wartości własnych nieco powyżej 1.

Czy w pracy dyplomowej można użyć tylko kryterium Kaisera?

Lepiej nie. Recenzenci i przewodniki metodologiczne oczekują analizy równoległej, a K1 traktują jako kryterium pomocnicze. Podaj wartości własne, wynik analizy równoległej i krótko uzasadnij przyjętą liczbę czynników treścią pozycji.

Czy kryterium Kaisera stosuje się do wartości własnych po ekstrakcji?

Nie. Próg 1 ma uzasadnienie tylko dla macierzy korelacji z jedynkami na przekątnej (rozwiązanie metodą głównych składowych). Wartości własne macierzy zredukowanej, z wspólnościami na przekątnej, są mniejsze, więc ten sam próg traci sens.

Czym jest empiryczne kryterium Kaisera?

To odmiana reguły zaproponowana przez Braekena i van Assena (2017), w której próg dla kolejnych wartości własnych zależy od liczby pozycji i liczebności próby, a nie wynosi zawsze 1. W ich symulacjach działała tak dobrze jak analiza równoległa, a przy krótkich, skorelowanych skalach – lepiej.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Braeken, J., & van Assen, M. A. L. M. (2017). An empirical Kaiser criterion. Psychological Methods, 22(3), 450–466. https://doi.org/10.1037/met0000074 ● Otwarty dostęp
  2. 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
  3. Guttman, L. (1954). Some necessary conditions for common-factor analysis. Psychometrika, 19(2), 149–161. https://doi.org/10.1007/bf02289162
  4. 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
  5. 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

Cytowania BibTeX

@article{braeken2017empirical, author={Braeken, Johan and van Assen, Marcel A. L. M.}, title={{An empirical Kaiser criterion}}, journal={Psychological Methods}, year={2017}, volume={22}, number={3}, pages={450--466}, doi={10.1037/met0000074}}
@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{guttman1954some, author={Guttman, Louis}, title={{Some necessary conditions for common-factor analysis}}, journal={Psychometrika}, year={1954}, volume={19}, number={2}, pages={149--161}, doi={10.1007/bf02289162}}
@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{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}}
R