Eksploratorna faktorska analiza (EFA)
Eksploratorna faktorska analiza (EFA) pronalazi strukturu iza skupa čestica kada je unaprijed ne poznajete: koliko ima faktora i koje čestice pripadaju kojem. Uobičajene smjernice su KMO od .60 ili više (.80 je dobar), značajan Bartlettov test (p < .05) i zasićenja od najmanje .40 do .50 za tumačenje. EFA možete pokrenuti online u Exploniji, u pregledniku, na podacima koje prikupite ili učitate.
Ova je stranica prijevod recenziranog engleskog izvornika. Pogledaj izvornik (EN)
eksploratorna faktorska analizaŠto je to
Eksploratorna faktorska analiza (EFA) otkriva strukturu iza skupa čestica kada je ne znate unaprijed. Promatra korelacije među česticama i grupira one koje se kreću zajedno, sugerirajući koliko temeljnih faktora postoji i koje čestice pripadaju svakome. EFA je vođena podacima: vi joj ne govorite strukturu, nego joj dopuštate da je predloži. Prirodan je prvi korak kada razvijate novu ljestvicu ili prilagođavate postojeću novom kontekstu, a postavlja temelje za kasniji konfirmatorni test.
Kada ga koristiti
- Razvijate novu ljestvicu i još ne znate njezine dimenzije.
- Prilagodili ste ljestvicu novom kontekstu, jeziku ili uzorku i želite provjeriti strukturu.
- Imate mnogo čestica i želite ih svesti na nekoliko tumačivih faktora.
- Trebate dokaz adekvatnosti uzorka (KMO, Bartlett) prije faktorizacije.
Kada ga ne koristiti
- Već imate jasnu hipotetsku strukturu — umjesto toga potvrdite je s CFA.
- Vaše su čestice formativni indikatori — ne očekuje se da dijele zajednički faktor.
Pretpostavke
- Čestice su barem približno intervalne i linearno povezane.
- Uzorkovanje je adekvatno — KMO i Bartlettov test sferičnosti podupiru faktorabilnost.
- Dovoljna veličina uzorka — mnoge smjernice predlažu N ≥ 200 ili barem 5–10 slučajeva po čestici.
- Među česticama postoje neke smislene korelacije (matrica korelacija blizu jediničnoj ne može se faktorizirati).
Pragovi i granične vrijednosti
| Criterion | Rule of thumb | Source |
|---|---|---|
| KMO (adekvatnost uzorka) | ≥ .60 prihvatljivo, ≥ .80 dobro | Kaiser (1974) |
| Bartlettov test sferičnosti | p < .05 (korelacije se razlikuju od jedinične matrice) | Bartlett (1954) |
| Svojstvena vrijednost (Kaiserovo pravilo) | > 1 za zadržavanje faktora (koristite uz scree plot / paralelnu analizu) | Kaiser (1960) |
| Faktorsko zasićenje | ≥ .40 do .50 za tumačenje | Hair et al. (2019) |
Kako to izvijestiti u APA
Adekvatnost uzorka bila je prihvatljiva, KMO = .XX, a Bartlettov test sferičnosti bio je značajan, χ²(df) = X.XX, p < .001. Eksploratorna faktorska analiza s [ekstrakcija] i rotacijom [rotacija] zadržala je X faktora sa svojstvenim vrijednostima iznad 1, objašnjavajući XX% varijance. Sve su se čestice zasitile iznad .40 na svom namjeravanom faktoru bez problematičnih cross-loadings.
Kako to izračunava Explonia
Explonia pokreće EFA u pregledniku na podacima koje prikupljate ili učitavate. Izvještava mjeru KMO i Bartlettov test, svojstvene vrijednosti i scree plot te rotirana faktorska zasićenja, pa možete vidjeti koliko faktora proizlazi i koje se čestice gdje zasićuju. Rezultat priprema „Article description” u APA stilu koji možete pregledati i urediti. Kada budete spremni potvrditi strukturu, iste čestice prelaze ravno u CFA. Izvoz u SPSS (.sav) i R dostupan je u plaćenim planovima.
Često postavljana pitanja
Koja je vrijednost KMO dobra za EFA?
KMO ≥ .60 je prihvatljivo, a ≥ .80 je dobro (Kaiser, 1974). Nizak KMO znači da čestice ne dijele dovoljno zajedničke varijance za smisleno faktorsko rješenje.
Kako odlučiti koliko faktora zadržati?
Nemojte se oslanjati samo na pravilo svojstvene vrijednosti iznad 1. Kombinirajte ga sa scree plotom i, idealno, paralelnom analizom, a zatim provjerite jesu li faktori tumačivi.
Koju metodu ekstrakcije upotrijebiti u EFA?
Za modele latentnih faktora upotrijebite metodu zajedničkih faktora — principal axis factoring ili maximum likelihood (ML), pri čemu ML omogućuje testove pristajanja kada su čestice približno normalne. Principal components analysis (PCA) je tehnika redukcije podataka, a ne prava faktorska analiza, pa je tako i prijavite ako je upotrebljavate.
Koju rotaciju upotrijebiti u EFA?
Upotrijebite kosu rotaciju (poput promax ili oblimin) kada se očekuje da faktori koreliraju, što je uobičajeno u društvenim znanostima, i ortogonalnu rotaciju (varimax) kada pretpostavljate da ne koreliraju. Kada ste u nedoumici, počnite s kosom: ako se ispostavi da su faktori gotovo nekorelirani, rezultat je ionako blizu ortogonalnom rješenju.
EFA ili CFA — koja je razlika?
EFA otkriva strukturu kada je ne znate; CFA potvrđuje strukturu koju već pretpostavljate. Pogledajte našu usporedbu EFA vs CFA za vodič kroz odluku.
Last updated: rujan 2026
Pokrenite EFA na vlastitim podacima
Prikupite ili učitajte svoje podatke, pokrenite analizu u pregledniku i dobijte nacrt APA odlomka koji možete urediti. Započnite besplatno. Bez kartice.
Započni besplatno