Exploračná faktorová analýza (EFA)
Exploratórna faktorová analýza (EFA) nachádza štruktúru za súborom položiek, keď ju vopred nepoznáš: koľko je faktorov a ktoré položky patria ku ktorému. Bežné odporúčania sú KMO .60 alebo viac (.80 je dobré), signifikantný Bartlettov test (p < .05) a náboje aspoň .40 až .50 na interpretáciu. EFA môžeš spustiť online v Explonii, v prehliadači, na dátach, ktoré zozbieraš alebo nahráš.
Táto stránka je prekladom recenzovaného anglického originálu. Zobraziť originál (EN)
exploračná faktorová analýzaČo to je
Exploračná faktorová analýza (EFA) odhaľuje štruktúru za súborom položiek, keď ju vopred nepoznáš. Pozerá sa na korelácie medzi položkami a zoskupuje tie, ktoré sa pohybujú spolu, čím naznačuje, koľko základných faktorov existuje a ktoré položky patria ku každému. EFA je riadená dátami: nezadávaš jej štruktúru, necháš ju navrhnúť. Je prirodzeným prvým krokom, keď vyvíjaš novú škálu alebo prispôsobuješ existujúcu novému kontextu, a pripravuje neskorší konfirmačný test.
Kedy ho použiť
- Vyvíjaš novú škálu a ešte nepoznáš jej dimenzie.
- Prispôsobil si škálu novému kontextu, jazyku alebo vzorke a chceš overiť štruktúru.
- Máš veľa položiek a chceš ich zredukovať na niekoľko interpretovateľných faktorov.
- Potrebuješ dôkaz primeranosti vzorky (KMO, Bartlett) pred faktorovaním.
Kedy ho nepoužiť
- Už máš jasnú hypotetickú štruktúru — radšej ju potvrď pomocou CFA.
- Tvoje položky sú formatívne indikátory — neočakáva sa, že zdieľajú spoločný faktor.
Predpoklady
- Položky sú aspoň zhruba intervalové a lineárne súvisiace.
- Vzorka je primeraná — KMO a Bartlettov test sféricity podporujú faktorovateľnosť.
- Dostatočná veľkosť vzorky — mnohé vodidlá odporúčajú N ≥ 200 alebo aspoň 5–10 prípadov na položku.
- Medzi položkami existujú nejaké zmysluplné korelácie (korelačná matica blízka identite sa nedá faktorovať).
Prahy a medzné hodnoty
| Criterion | Rule of thumb | Source |
|---|---|---|
| KMO (primeranosť vzorky) | ≥ .60 akceptovateľné, ≥ .80 dobré | Kaiser (1974) |
| Bartlettov test sféricity | p < .05 (korelácie sa líšia od identity) | Bartlett (1954) |
| Vlastné číslo (Kaiserovo pravidlo) | > 1 na ponechanie faktora (použi so scree plotom / paralelnou analýzou) | Kaiser (1960) |
| Faktorový náboj | ≥ .40 až .50 na interpretáciu | Hair et al. (2019) |
Ako to reportovať v APA
Primeranosť vzorky bola akceptovateľná, KMO = .XX, a Bartlettov test sféricity bol významný, χ²(df) = X.XX, p < .001. Exploračná faktorová analýza s [extrakcia] a rotáciou [rotation] ponechala X faktorov s vlastnými číslami nad 1, čo vysvetlilo XX% variancie. Všetky položky sa nabíjali nad .40 na zamýšľanom faktore bez problematických cross-loadings.
Ako to počíta Explonia
Explonia spúšťa EFA v prehliadači na dátach, ktoré zbieraš alebo nahráš. Reportuje mieru KMO a Bartlettov test, vlastné čísla a scree plot, a rotované faktorové náboje, takže vidíš, koľko faktorov sa objaví a ktoré položky sa nabíjajú kde. Výstup pripraví „Article description” v štýle APA, ktorý môžeš prejsť a upraviť. Keď si pripravený potvrdiť štruktúru, tie isté položky prejdú rovno do CFA. Export do SPSS (.sav) a R je dostupný v platených plánoch.
Často kladené otázky
Aká hodnota KMO je dobrá pre EFA?
KMO ≥ .60 je akceptovateľné a ≥ .80 je dobré (Kaiser, 1974). Nízke KMO znamená, že položky nezdieľajú dosť spoločnej variancie pre zmysluplné faktorové riešenie.
Ako sa rozhodnúť, koľko faktorov ponechať?
Nespoliehaj sa len na pravidlo vlastného čísla nad 1. Skombinuj ho so scree plotom a ideálne s paralelnou analýzou, a potom over, či sú faktory interpretovateľné.
Ktorú metódu extrakcie použiť v EFA?
Pre modely latentných faktorov použi metódu spoločných faktorov — principal axis factoring alebo maximum likelihood (ML), pričom ML umožňuje testy zhody, keď sú položky zhruba normálne. Principal components analysis (PCA) je technika redukcie dát, nie skutočná faktorová analýza, takže ju tak aj reportuj, ak ju použiješ.
Ktorú rotáciu použiť v EFA?
Použi šikmú (oblique) rotáciu (napríklad promax alebo oblimin), keď sa očakáva, že faktory korelujú, čo je v sociálnych vedách bežné, a ortogonálnu rotáciu (varimax), keď predpokladáš, že nekorelujú. Keď si nie si istý, začni šikmou: ak sa faktory ukážu takmer nekorelované, výsledok je aj tak blízky ortogonálnemu riešeniu.
EFA alebo CFA — aký je rozdiel?
EFA objavuje štruktúru, keď ju nepoznáš; CFA potvrdzuje štruktúru, ktorú už predpokladáš. Pozri naše porovnanie EFA vs CFA pre rozhodovacie vodidlo.
Last updated: september 2026
Spustite EFA na vlastných dátach
Zozbierajte alebo nahrajte svoje dáta, spustite analýzu v prehliadači a získajte návrh odseku APA, ktorý môžete upraviť. Začnite zadarmo. Bez karty.
Začať zadarmo