Exploratorní faktorová analýza (EFA)
Exploratory factor analysis (EFA) odhaluje strukturu za sadou položek, když ji předem neznáte: kolik faktorů existuje a které položky ke kterému patří. Běžná doporučení jsou KMO .60 a více (.80 je dobré), významný Bartlettův test (p < .05) a náboje alespoň .40 až .50 pro interpretaci. EFA můžete spustit online v Explonii, v prohlížeči, na datech, která sesbíráte nebo nahrajete.
Tato stránka je překladem recenzovaného anglického originálu. Zobrazit originál (EN)
exploratory factor analysisCo to je
Exploratorní faktorová analýza (EFA) odhaluje strukturu za sadou položek, když ji předem neznáte. Zkoumá korelace mezi položkami a seskupuje ty, které se pohybují společně, čímž naznačuje, kolik základních faktorů existuje a které položky patří ke kterému. EFA je řízená daty: nesdělujete jí strukturu, necháváte ji, aby ji navrhla. Je přirozeným prvním krokem, když vyvíjíte novou škálu nebo upravujete existující na nový kontext, a připravuje pozdější konfirmační test.
Kdy ho použít
- Vyvíjíte novou škálu a ještě neznáte její dimenze.
- Upravili jste škálu na nový kontext, jazyk nebo vzorek a chcete zkontrolovat strukturu.
- Máte mnoho položek a chcete je zredukovat na několik interpretovatelných faktorů.
- Potřebujete důkaz adekvátnosti výběru (KMO, Bartlett) před faktorováním.
Kdy ho nepoužít
- Už máte jasnou hypotetickou strukturu — potvrďte ji raději pomocí CFA.
- Vaše položky jsou formativní indikátory — neočekává se, že sdílejí společný faktor.
Předpoklady
- Položky jsou alespoň přibližně intervalové a lineárně související.
- Výběr je adekvátní — KMO a Bartlettův test sféricity podporují faktorovatelnost.
- Dostatečná velikost vzorku — mnoho vodítek navrhuje N ≥ 200 nebo alespoň 5–10 případů na položku.
- Mezi položkami existují nějaké smysluplné korelace (korelační matici blízkou jednotkové nelze faktorovat).
Prahy a mezní hodnoty
| Criterion | Rule of thumb | Source |
|---|---|---|
| KMO (adekvátnost výběru) | ≥ .60 přijatelné, ≥ .80 dobré | Kaiser (1974) |
| Bartlettův test sféricity | p < .05 (korelace se liší od jednotkové matice) | Bartlett (1954) |
| Vlastní číslo (Kaiserovo pravidlo) | > 1 pro ponechání faktoru (použijte se scree plotem / paralelní analýzou) | Kaiser (1960) |
| Faktorový náboj | ≥ .40 až .50 pro interpretaci | Hair et al. (2019) |
Jak to reportovat v APA
Adekvátnost výběru byla přijatelná, KMO = .XX, a Bartlettův test sféricity byl významný, χ²(df) = X.XX, p < .001. Exploratorní faktorová analýza s [extrakce] a rotací [rotace] ponechala X faktorů s vlastními čísly nad 1, vysvětlujících XX % rozptylu. Všechny položky se nabíjely nad .40 na zamýšleném faktoru bez problematických cross-loadings.
Jak to počítá Explonia
Explonia spouští EFA v prohlížeči na datech, která nasbíráte nebo nahrajete. Reportuje míru KMO a Bartlettův test, vlastní čísla a scree plot a rotované faktorové náboje, takže vidíte, kolik faktorů se objeví a které položky se kam nabíjejí. Výstup připraví „Article description” ve stylu APA, který si prohlédnete a upravíte. Až budete připraveni strukturu potvrdit, tytéž položky přejdou rovnou do CFA. Export do SPSS (.sav) a R je dostupný v placených plánech.
Často kladené otázky
Jaká hodnota KMO je dobrá pro EFA?
KMO ≥ .60 je přijatelné a ≥ .80 je dobré (Kaiser, 1974). Nízké KMO znamená, že položky nesdílejí dost společného rozptylu pro rozumné faktorové řešení.
Jak rozhodnout, kolik faktorů ponechat?
Nespoléhejte jen na pravidlo vlastního čísla nad 1. Zkombinujte ho se scree plotem a ideálně s paralelní analýzou a pak zkontrolujte, že jsou faktory interpretovatelné.
Jakou metodu extrakce mám v EFA použít?
Pro modely latentních faktorů použijte metodu společného faktoru — principal axis factoring nebo maximum likelihood (ML), přičemž ML umožňuje testy dopasování, když jsou položky přibližně normální. Principal components analysis (PCA) je technika redukce dat, ne pravá faktorová analýza, takže ji jako takovou reportujte, pokud ji použijete.
Jakou rotaci mám v EFA použít?
Použijte šikmou rotaci (jako promax nebo oblimin), když se očekává, že faktory korelují, což je v sociálních vědách běžné, a ortogonální rotaci (varimax), když předpokládáte, že nekorelují. Při pochybnostech začněte šikmou: pokud se faktory ukážou jako téměř nekorelované, výsledek je stejně blízký ortogonálnímu řešení.
EFA, nebo CFA — jaký je rozdíl?
EFA odhaluje strukturu, když ji neznáte; CFA potvrzuje strukturu, kterou už předpokládáte. Rozhodovací návod najdete v našem srovnání EFA vs CFA.
Last updated: září 2026
Spusťte EFA na vlastních datech
Sesbírejte nebo nahrajte svá data, spusťte analýzu v prohlížeči a získejte návrh odstavce APA, který můžete upravit. Začněte zdarma. Bez karty.
Začít zdarma