Słownik metodologiczny · Analiza czynnikowa

Wykres osypiska – co to jest i jak go czytać?

Wykres osypiska pomaga zdecydować, ile czynników wyodrębnić w analizie czynnikowej. Zobacz, na czym polega test Cattella, jak czytać łokieć wykresu i dlaczego warto zestawić go z analizą równoległą — na prawdziwych danych przeliczonych w R.

Strona główna / Słownik / Wykres osypiska
W skrócie: wykres osypiska (ang. scree plot) to wykres wartości własnych ułożonych od największej do najmniejszej. Liczbę czynników odczytuje się z miejsca, w którym linia przestaje gwałtownie opadać i przechodzi w płaskie „osypisko”. Na danych z badania ankietowego (N = 303, 12 pozycji) pokazujemy, jak czytać wykres, dlaczego trzeba go zestawić z analizą równoległą i jak opisać decyzję w pracy. Na końcu znajdziesz kalkulator, który narysuje wykres z Twoich wartości własnych.

Co to jest wykres osypiska?

Wykres osypiska to graficzna metoda wyboru liczby czynników w eksploracyjnej analizie czynnikowej (EFA) i w analizie głównych składowych (PCA). Zaproponował ją Raymond Cattell (1966). Nazwa pochodzi z geologii: scree to rumowisko skalne zalegające u podnóża stromego zbocza. Na wykresie „zbocze” tworzą nieliczne, duże wartości własne, a „rumowisko” — długi ogon małych, podobnych do siebie wartości.

Na osi poziomej wykresu leży numer składowej (1, 2, 3…), a na osi pionowej jej wartość własna (λ). Wartość własna mówi, ile wariancji wszystkich zmiennych wyjaśnia dana składowa. W analizie macierzy korelacji suma wszystkich wartości własnych równa się liczbie zmiennych, więc składowa z λ = 6 przy 12 zmiennych wyjaśnia 6 / 12 = 50% łącznej wariancji.

% wyjaśnianej wariancji składowej j = λj / p · 100, gdzie p — liczba zmiennych

Jak czytać wykres osypiska — krok po kroku

  1. Znajdź łokieć. Szukasz miejsca, w którym linia zmienia się ze stromej w niemal płaską.
  2. Policz punkty przed łokciem. Według powszechnie stosowanej reguły zatrzymuje się składowe przed załamaniem. Punkty na płaskim odcinku odzwierciedlają głównie wariancję specyficzną i błąd pomiaru.
  3. Sprawdź, czy łokieć jest jednoznaczny. Przy kilku załamaniach albo łagodnym spadku wykres nie rozstrzyga — wtedy decydują inne kryteria.
  4. Porównaj z analizą równoległą. Analiza równoległa Horna (1965) rysuje na tym samym wykresie wartości własne z danych losowych o tej samej liczbie osób i zmiennych. Zatrzymuje się tyle czynników, ile rzeczywistych wartości własnych leży powyżej tej linii.
  5. Oceń rozwiązania merytorycznie. Oszacuj modele z kandydującą liczbą czynników i wybierz ten, w którym czynniki są interpretowalne, mają co najmniej trzy wyraźne ładunki i zgadzają się z teorią (Costello i Osborne, 2005; Watkins, 2018).

Przykład: wykres osypiska na danych ankietowych

Dane pochodzą z badania ankietowego dotyczącego akceptacji samochodów autonomicznych (N = 303). Badani ocenili na skali od 1 do 5 dwanaście stwierdzeń, po cztery dla trzech konstruktów modelu akceptacji technologii (TAM): łatwości korzystania, użyteczności i intencji zakupu. Teoria przewiduje więc trzy czynniki.

Dane nadają się do analizy czynnikowej: miara KMO wynosi 0,90, a test sferyczności Bartletta jest istotny, χ²(66) = 2327,33, p < 0,001. Wartości własne macierzy korelacji i progi analizy równoległej (1000 losowych zbiorów danych, 95. centyl) przedstawia tabela.

Wartości własne, procent wyjaśnianej wariancji i progi analizy równoległej
Składowaλ% wariancji% skumulowanyPróg PA (95. centyl)λ > próg?
16,00550,0%50,0%1,418tak
22,09117,4%67,5%1,311tak
30,7976,6%74,1%1,232nie
40,6335,3%79,4%1,163nie
50,4493,7%83,1%1,104nie
60,3953,3%86,4%1,053nie
Wykres osypiska dla 12 pozycji z badania ankietowego: dwie duże wartości własne, łokieć przy trzeciej składowej i linia analizy równoległej
Rysunek 1. Wykres osypiska z naniesionymi progami analizy równoległej (N = 303, 12 pozycji). Panel A: wartości własne macierzy korelacji, linia przerywana λ = 1 to kryterium Kaisera. Panel B: wartości własne w modelu czynnikowym (metoda największej wiarygodności). Obliczenia: R, pakiet psych.

Co pokazuje wykres? Dwie pierwsze wartości własne (6,00 i 2,09) wyraźnie odstają od reszty, a od trzeciej składowej (λ = 0,80) linia przechodzi w płaskie osypisko. Wykres osypiska i kryterium Kaisera wskazują więc dwa czynniki, które razem wyjaśniają 67,5% wariancji. Tę samą liczbę daje analiza równoległa dla składowych głównych (panel A).

Inaczej wygląda panel B. W modelu czynnikowym, który oddziela wariancję wspólną od specyficznej, trzecia wartość własna (0,34) leży powyżej progu z danych losowych (0,25), a dopiero czwarta (0,17) spada poniżej (0,19). Analiza równoległa dla czynników wskazuje zatem trzy czynniki — tyle, ile przewiduje teoria.

Rozstrzygnięcie: oszacuj oba rozwiązania

Gdy kryteria się rozchodzą, porównuje się rozwiązania z kandydującą liczbą czynników. Rozwiązanie dwuczynnikowe łączy użyteczność i intencję zakupu w jeden czynnik i jest gorzej dopasowane (RMSEA = 0,114, TLI = 0,883). Rozwiązanie trzyczynnikowe odtwarza strukturę modelu TAM i jest dopasowane wyraźnie lepiej (RMSEA = 0,068, TLI = 0,958, niższe BIC). Oba wyjaśniają podobną część wariancji (61,5% i 66,3%).

Ładunki czynnikowe w rozwiązaniu trzyczynnikowym (ML, oblimin)
PozycjaŁatwość korzystaniaUżytecznośćIntencja zakupu
Łatwość korzystania 10,83−0,020,01
Łatwość korzystania 20,890,000,00
Łatwość korzystania 30,680,020,07
Łatwość korzystania 40,880,01−0,03
Użyteczność 10,030,830,04
Użyteczność 20,040,90−0,08
Użyteczność 3−0,060,520,32
Użyteczność 40,100,460,29
Intencja zakupu 10,030,400,37
Intencja zakupu 20,02−0,070,89
Intencja zakupu 30,030,010,82
Intencja zakupu 4−0,020,160,70

Pogrubiono ładunki co najmniej 0,30. Wszystkie pozycje łatwości korzystania i trzy pozycje intencji zakupu tworzą czyste czynniki. Dwie pozycje mają ładunki krzyżowe: „Użyteczność 3” ładuje także czynnik intencji (0,32), a „Intencja zakupu 1” ładuje niemal po równo intencję (0,37) i użyteczność (0,40). Czynniki użyteczności i intencji są silnie skorelowane, co wyjaśnia, dlaczego w PCA zlały się w jedną składową.

Wniosek: wykres osypiska trafnie pokazał, że w danych są dwa dominujące wymiary, ale nie wychwycił trzeciego, słabszego czynnika, który przewiduje teoria i potwierdza analiza równoległa dla czynników. Dlatego wykres osypiska traktuje się jako jedno z kilku kryteriów, a nie samodzielne rozstrzygnięcie (Zwick i Velicer, 1986; Goretzko i in., 2021).

Porównanie kryteriów liczby czynników na danych z przykładu
KryteriumWskazana liczbaUwagi
Wykres osypiska (łokieć)2łokieć przy 3. składowej; zatrzymujemy składowe przed nim
Kryterium Kaisera (λ > 1)23. wartość własna = 0,80, wyraźnie poniżej 1
Analiza równoległa — składowe główne2λ₃ = 0,80 < próg 1,23
Analiza równoległa — czynniki (ML)3λ₃ = 0,34 > próg 0,25; λ₄ = 0,17 < próg 0,19
Teoria (model TAM)3łatwość korzystania, użyteczność, intencja zakupu
Dopasowanie EFA3RMSEA 0,114 → 0,068; TLI 0,883 → 0,958; BIC niższy dla 3 czynników

Wykres osypiska, kryterium Kaisera i analiza równoległa

  • Kryterium Kaisera (λ > 1; Kaiser, 1960) — proste, ale przy wielu zmiennych zwykle wskazuje zbyt wiele czynników, a przy niewielu — zbyt mało. Nie powinno być jedynym kryterium.
  • Wykres osypiska — uwzględnia kształt całego rozkładu wartości własnych, ale ocena łokcia jest subiektywna; przy łagodnym spadku dwóch badaczy odczyta różną liczbę czynników.
  • Analiza równoległa — porównuje wartości własne z danymi losowymi; w badaniach symulacyjnych należy do najtrafniejszych reguł (Zwick i Velicer, 1986). Wykres osypiska z naniesioną linią analizy równoległej łączy zalety obu metod.
  • Kryterium procentu wyjaśnianej wariancji — zatrzymuje czynniki do osiągnięcia np. 60–70% wariancji; przydatne pomocniczo.

Liczba czynników to decyzja merytoryczna. Kryteria statystyczne zawężają wybór do dwóch, trzech wariantów, a ostateczne rozstrzygnięcie zapada po porównaniu ładunków, korelacji czynników i zgodności z teorią. Gdy struktura jest znana z góry, lepszym narzędziem jest konfirmacyjna analiza czynnikowa (CFA).

Kalkulator: wykres osypiska z własnych wartości własnych

Wklej wartości własne, a narysujemy wykres osypiska

Wartości własne skopiujesz z wyniku eigen(cor(dane))$values w R lub z tabeli „Całkowita wyjaśniona wariancja” w SPSS. Przy macierzy korelacji wszystkich zmiennych liczba zmiennych równa się liczbie wartości własnych.

Wklej wartości własne i kliknij „Narysuj wykres osypiska”. Kalkulator wymaga włączonej obsługi JavaScriptu.

Domyślnie w kalkulatorze są wartości własne i progi analizy równoległej z przykładu. Kalkulator rysuje wykres, liczy procent wariancji, spadki między kolejnymi wartościami własnymi, kryterium Kaisera i analizę równoległą (jeśli podasz progi). Położenie łokcia oceniasz sam — automatyczne reguły szukania łokcia często wskazują punkt największej krzywizny (tu 2. składową), a nie miejsce, w którym zaczyna się płaskie osypisko.

Przykład reprodukowalny

Przykład w R

Kod wczytuje dane, sprawdza KMO i test Bartletta, liczy wartości własne i wykonuje analizę równoległą z wykresem osypiska. Liczby w tekście i na rysunku pochodzą z tego kodu (N = 303).

Wykres osypiska i analiza równoległa

Dane wejściowe: plik Excela z 12 pozycjami skali od 1 do 5.

Co odczytać: wartości własne większe od progów z danych losowych oraz komunikat „Parallel analysis suggests…”.

R
library(readxl); library(psych)
dane <- as.data.frame(read_excel("dane_ankieta_tam.xlsx"))
pozycje <- dane[, c(paste0("Łatwość_korzystania", 1:4), paste0("Użyteczność", 1:4), paste0("Intencja_kupna", 1:4))]
KMO(pozycje)$MSA
cortest.bartlett(cor(pozycje), n = nrow(pozycje))
eig <- eigen(cor(pozycje))$values                 # wartości własne macierzy korelacji
round(data.frame(skladowa = 1:12, wartosc_wlasna = eig,
                 proc_wariancji = 100 * eig / 12, skumulowany = 100 * cumsum(eig) / 12), 2)
options(mc.cores = 1)                            # bez obliczeń równoległych: wynik odtwarzalny z set.seed
set.seed(2026)
pa <- fa.parallel(pozycje, fa = "both", fm = "ml", n.iter = 1000, quant = .95)
Wynik w R
[1] 0.9015001
$chisq
[1] 2327.334

$p.value
[1] 0

$df
[1] 66

   skladowa wartosc_wlasna proc_wariancji skumulowany
1         1           6.00          50.04       50.04
2         2           2.09          17.42       67.46
3         3           0.80           6.64       74.10
4         4           0.63           5.28       79.38
5         5           0.45           3.74       83.12
6         6           0.39           3.29       86.41
7         7           0.35           2.88       89.29
8         8           0.32           2.70       91.99
9         9           0.28           2.37       94.36
10       10           0.27           2.21       96.58
11       11           0.23           1.88       98.46
12       12           0.18           1.54      100.00

Parallel analysis suggests that the number of factors =  3  and the number of components =  2 

Porównanie rozwiązań dwu- i trzyczynnikowego

Dane wejściowe: obiekt pozycje z poprzedniego kroku.

Co odczytać: ładunki co najmniej 0,30, korelacje czynników oraz RMSEA, TLI i BIC obu rozwiązań.

R
# Porównanie rozwiązań: 2 i 3 czynniki (ML, rotacja ukośna oblimin)
efa2 <- fa(pozycje, nfactors = 2, rotate = "oblimin", fm = "ml")
efa3 <- fa(pozycje, nfactors = 3, rotate = "oblimin", fm = "ml")
print(efa3$loadings, cutoff = .30, digits = 2)
round(efa3$Phi, 2)                          # korelacje czynników
round(rbind(`2 czynniki` = c(RMSEA = efa2$RMSEA[[1]], TLI = efa2$TLI, BIC = efa2$BIC),
            `3 czynniki` = c(RMSEA = efa3$RMSEA[[1]], TLI = efa3$TLI, BIC = efa3$BIC)), 3)
Wynik w R

Loadings:
                     ML2   ML1   ML3  
Łatwość_korzystania1  0.83            
Łatwość_korzystania2  0.89            
Łatwość_korzystania3  0.68            
Łatwość_korzystania4  0.88            
Użyteczność1                      0.83
Użyteczność2                      0.90
Użyteczność3                0.32  0.52
Użyteczność4                      0.46
Intencja_kupna1             0.37  0.40
Intencja_kupna2             0.89      
Intencja_kupna3             0.82      
Intencja_kupna4             0.70      

                ML2  ML1  ML3
SS loadings    2.75 2.27 2.16
Proportion Var 0.23 0.19 0.18
Cumulative Var 0.23 0.42 0.60
     ML2  ML1  ML3
ML2 1.00 0.32 0.52
ML1 0.32 1.00 0.68
ML3 0.52 0.68 1.00
           RMSEA   TLI      BIC
2 czynniki 0.114 0.883  -31.754
3 czynniki 0.068 0.958 -108.918

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. 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
  3. 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
  4. readxl (wersja 1.4.5): Wickham, H., & Bryan, J. (2025). readxl: Read Excel files [R package]. https://CRAN.R-project.org/package=readxl
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Jak opisać wykres osypiska w pracy (APA)

W raporcie podaj wszystkie kryteria, którymi się kierowano, i uzasadnij ostateczną decyzję. Przykładowy opis wyników z tej strony:

Przydatność danych do analizy czynnikowej potwierdziły miara KMO = 0,90 i istotny test sferyczności Bartletta, χ²(66) = 2327,33, p < 0,001. Liczbę czynników ustalono na podstawie wykresu osypiska, kryterium Kaisera i analizy równoległej (1000 losowych zbiorów, 95. centyl). Wykres osypiska i kryterium Kaisera wskazały dwa czynniki, natomiast analiza równoległa dla czynników — trzy. Ponieważ rozwiązanie trzyczynnikowe odtwarzało zakładaną strukturę modelu TAM i było lepiej dopasowane (RMSEA = 0,068, TLI = 0,958) niż rozwiązanie dwuczynnikowe (RMSEA = 0,114, TLI = 0,883), zachowano trzy czynniki (metoda największej wiarygodności, rotacja oblimin), które wyjaśniały łącznie 66,3% wariancji.

Najczęstsze błędy

  • Wykres osypiska jako jedyne kryterium. Gdy łokieć jest niewyraźny, decyzja staje się arbitralna. Zawsze zestaw go z analizą równoległą.
  • Mechaniczne stosowanie reguły λ > 1. Kryterium Kaisera powstało dla PCA i często daje zbyt wiele czynników.
  • Brak informacji, czy policzono PCA, czy EFA. Wartości własne macierzy korelacji (PCA) i modelu czynnikowego różnią się — w przykładzie dały inną liczbę czynników.
  • Zbyt mała próba. Przy kilkudziesięciu osobach kolejne wartości własne są niestabilne i łokieć może być przypadkowy. Wymagania co do liczebności opisuje poradnik analiza czynnikowa EFA i CFA.
  • Pomijanie interpretacji. Czynnik z jednym lub dwoma ładunkami albo bez sensownej interpretacji nie powinien zostać zachowany tylko dlatego, że „wskazał go wykres”.

Najczęstsze pytania

Co to jest wykres osypiska?

Wykres osypiska (ang. scree plot) to wykres liniowy wartości własnych uporządkowanych od największej do najmniejszej. Na osi X jest numer składowej lub czynnika, na osi Y jego wartość własna. Służy do wstępnej oceny, ile czynników warto wyodrębnić w analizie czynnikowej lub analizie głównych składowych.

Jak odczytać wykres osypiska?

Szukasz miejsca, w którym stromo opadająca linia gwałtownie się wypłaszcza (tzw. łokieć). Według Cattella zatrzymuje się czynniki leżące przed łokciem — punkty na płaskim odcinku to „osypisko”, czyli składowe odzwierciedlające głównie szum.

Czy punkt łokcia wliczać do liczby czynników?

W literaturze spotyka się dwie konwencje: część autorów zatrzymuje także punkt leżący w samym łokciu, ale najczęściej zatrzymuje się tylko czynniki przed nim. Ponieważ obie konwencje różnią się o jeden czynnik, rozstrzygaj na podstawie analizy równoległej, interpretowalności i teorii, a w pracy napisz, którą regułę przyjęto.

Wykres osypiska czy kryterium Kaisera?

Żadne z nich nie powinno być jedynym kryterium. Kryterium Kaisera (wartość własna większa od 1) zwykle przeszacowuje liczbę czynników przy wielu zmiennych, a wykres osypiska bywa niejednoznaczny. Najlepiej sprawdza się analiza równoległa uzupełniona wykresem osypiska i oceną merytoryczną rozwiązań.

Jak zrobić wykres osypiska w R lub SPSS?

W R wystarczy psych::scree() albo psych::fa.parallel(), która rysuje wykres osypiska razem z progami analizy równoległej. W SPSS zaznacz opcję „Wykres osypiska” w oknie Analiza → Redukcja wymiarów → Czynnikowa → Wyodrębnianie.

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. 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
  2. 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
  3. 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
  4. 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
  5. Costello, A. B., & Osborne, J. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research, and Evaluation, 10, Article 7. https://doi.org/10.7275/jyj1-4868 ● Otwarty dostęp
  6. 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
  7. Goretzko, D., Pham, T. T. H., & Bühner, M. (2021). Exploratory factor analysis: Current use, methodological developments and recommendations for good practice. Current Psychology, 40(7), 3510–3521. https://doi.org/10.1007/s12144-019-00300-2

Cytowania BibTeX

@article{cattell1966the, 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{horn1965a, 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{kaiser1960the, 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}}
@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}}
@article{costello2005best, author={Costello, Anna B. and Osborne, Jason}, title={Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis}, journal={Practical Assessment, Research, and Evaluation}, year={2005}, volume={10}, eid={7}, doi={10.7275/jyj1-4868}}
@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}}
@article{goretzko2021exploratory, author={Goretzko, David and Pham, Trang Thien Huong and B{\"u}hner, Markus}, title={Exploratory factor analysis: Current use, methodological developments and recommendations for good practice}, journal={Current Psychology}, year={2021}, volume={40}, number={7}, pages={3510--3521}, doi={10.1007/s12144-019-00300-2}}
R