Факторный анализ

Факторный анализ — это многомерный статистический метод, предназначенный для изучения взаимосвязей между наблюдаемыми переменными и выявления лежащей в их основе латентной (скрытой) структуры. Основная цель факторного анализа заключается в сокращении размерности данных: большое количество исходных показателей сводится к меньшему числу обобщённых факторов, которые объясняют корреляции между ними. Метод широко применяется в психологии, социологии, экономике, маркетинге, медицине и других областях, где требуется анализировать сложные, косвенно измеряемые явления.

История развития

Корни факторного анализа восходят к работам британского психолога Чарлза Спирмена, который в начале XX века занимался исследованием структуры интеллекта. В 1904 году он предложил однофакторную модель, предполагающую, что результаты всех тестов интеллекта зависят от единого общего фактора («g-фактор», или генеральный фактор). Позднее, в 1930–1940-х годах, американские психологи Луис Терстоун и Рэймонд Кеттел развили многофакторный подход, предложив выделять не один, а несколько независимых факторов. Терстоун впервые сформулировал принципы множественного факторного анализа и разработал методы вращения факторов для получения более интерпретируемых решений.

В середине XX века математическое обоснование метода было существенно усилено работами Гарри Хармана и Карла Йореског, которые разработали методы оценки параметров, в том числе метод максимального правдоподобия. Развитие вычислительной техники в 1960–1970-х годах сделало факторный анализ доступным для массового применения — появились пакеты статистических программ, позволяющие обрабатывать большие массивы данных. С этого времени метод прочно вошёл в арсенал не только психологии, но и социологии, экономики, географии и других наук.

Основные модели факторного анализа

Существует две основные модели, различающиеся подходом к разложению дисперсии наблюдаемых переменных.

Классическая модель (общие и специфические факторы)

В классической модели считается, что каждая наблюдаемая переменная \( X_j \) может быть представлена как линейная комбинация небольшого числа общих для всех переменных факторов \( F_k \) и одного специфического (уникального) фактора \( U_j \):

\[ X_j = \lambda_{j1} F_1 + \lambda_{j2} F_2 + \dots + \lambda_{jk} F_k + U_j \]

Где:

\(\lambda_{jk}\) — факторная нагрузка, показывающая тесноту связи \( j \)-й переменной с \( k \)-м фактором;
\(F_k\) — латентный фактор, влияющий на все переменные (в разной степени);
\(U_j\) — уникальная часть дисперсии, не связанная с другими переменными (включает ошибку измерения).

Общие факторы объясняют корреляции между признаками; факторы одного и того же набора ортогональны (не коррелируют друг с другом) или косоугольны (коррелируют) в зависимости от типа вращения.

Модель главных компонент (МГК)

МГК — это метод, внешне похожий на факторный анализ, но концептуально иной. В методе главных компонент ставится задача найти несколько ортогональных линейных комбинаций исходных переменных (компонент), которые максимизируют объяснённую дисперсию. В отличие от факторного анализа, МГК не предполагает существования латентных факторов и специфических остатков. На практике метод главных компонент часто используется как первый этап разведочного факторного анализа или как способ уменьшения размерности без выявления структуры.

Виды факторного анализа

Разведочный факторный анализ (Exploratory Factor Analysis, EFA)

Применяется на начальных этапах исследования, когда структура данных заранее неизвестна. Исследователь задаёт число факторов (или определяет его на основе статистических критериев) и ищет такое их расположение, чтобы каждая переменная имела высокие нагрузки на как можно меньшее число факторов. Затем производится вращение (например, Varimax, Quartimax) для упрощения интерпретации. Разведочный анализ используется для проверки гипотез о группировке признаков, выявления скрытых конструктов и генерации новых теорий.

Конфирматорный факторный анализ (Confirmatory Factor Analysis, CFA)

Применяется, когда у исследователя есть априорная гипотеза о структуре факторов. С помощью CFA проверяется, соответствует ли выборочное распределение нагрузок и корреляций заданной модели. Используются критерии согласия (CFI, RMSEA, SRMR). CFA широко применяется в психометрике для проверки валидности тестов и опросников, а также в структурном моделировании (SEM).

Этапы проведения факторного анализа

Процедура факторного анализа включает несколько последовательных этапов:

Сбор и подготовка данных. Матрица данных должна быть пригодна для корреляционного анализа: переменные должны быть количественными или порядковыми (с достаточным числом градаций), наблюдения — независимыми, объём выборки — достаточным (обычно не менее 100–200, но для надёжности рекомендуется не менее 10 наблюдений на каждую переменную).
Оценка пригодности корреляционной матрицы. Рассчитываются статистики: критерий сферичности Бартлетта (проверка гипотезы о том, что корреляции равны нулю), мера адекватности выборки Кайзера — Мейера — Олкина (KMO). Значение KMO более 0,7 считается приемлемым.
Извлечение факторов. Выбирается метод извлечения: чаще всего используется метод главных компонент (как начальный) или метод максимального правдоподобия. Решается, сколько факторов оставить: по критерию Кайзера (собственное значение больше 1), по критерию каменистой осыпи (график собственных значений), по проценту объяснённой дисперсии.
Вращение. Для улучшения интерпретируемости факторных нагрузок применяется вращение. Ортогональное вращение (Varimax) сохраняет некоррелированность факторов; косоугольное вращение (Promax, Oblimin) допускает их корреляцию.
Интерпретация и обозначение факторов. Анализируются факторные нагрузки: переменные с нагрузкой по модулю выше 0,3–0,4 (в зависимости от размера выборки) считаются значимо относящимися к фактору. Факторам даются содержательные названия, отражающие общую суть сгруппированных переменных.
Оценка устойчивости и валидности. При необходимости проводится кросс-валидация на подвыборках или повторное извлечение факторов с изменённым числом факторов.

Математические критерии

При проведении факторного анализа используются несколько ключевых математических критериев:

Собственное значение фактора — сумма квадратов нагрузок всех переменных на данный фактор. Факторы с собственным значением больше 1 объясняют больше дисперсии, чем одна исходная переменная.
Общность (communality) — доля дисперсии переменной, объяснённая всеми факторами. Низкая общность (например, <0,3) указывает на то, что переменная плохо вписывается в общую факторную структуру.
Процент объяснённой дисперсии — кумулятивный показатель, указывающий, сколько процентов общей вариации данных описывается выделенными факторами.

Применение в различных областях

Психология

Факторный анализ остаётся основным инструментом для валидизации опросников личности. Например, «Большая пятёрка» (Big Five) личностных черт была впервые выделена именно с помощью EFA. Шкалы интеллекта (например, тесты Векслера) также проходили проверку через конфирматорный факторный анализ.

Экономика и финансы

В финансовом моделировании используют факторные модели для анализа доходности активов. Например, модель Фамы — Френча (три фактора: рыночный риск, размер компании, стоимость) или модель Кэрхарта (добавлен четвёртый фактор — импульс). В макроэкономике факторный анализ применяется для построения индексов деловой активности.

Социология и маркетинг

Социологи с помощью факторного анализа выявляют латентные установки и ценностные ориентации (например, по данным Европейского социального исследования). Маркетологи — для сегментирования потребителей: большое количество ответов на вопросы анкеты сводится к нескольким факторам («лояльность бренду», «чувствительность к цене»).

Медицина и биология

В клинической психологии факторы используются для диагностики психических расстройств (например, шкала депрессии Бека). В генетике — для многомерного анализа экспрессии генов (снижение размерности данных РНК-секвенирования).

Ограничения и критика

Факторный анализ подвергается критике по нескольким основаниям. Во-первых, результаты сильно зависят от субъективных решений исследователя: выбора метода вращения, числа факторов, порога отсечения нагрузок. Разные исследователи могут получить на одних и тех же данных совершенно разные решения.

Во-вторых, при малых выборках или при малом соотношении числа переменных к числу наблюдений факторная структура может быть нестабильной. В-третьих, факторный анализ предполагает, что связи между переменными линейны и данные распределены многомерно нормально, что на практике выполняется не всегда.

Кроме того, факторный анализ описывает корреляции, но не доказывает причинно-следственных связей. Выявленный фактор может не иметь реального психологического или физического референта — он может быть артефактом метода.

Интересные факты

Первоначальное название — «факторный метод Спирмена»; сам Спирмен рассматривал его как способ вычисления «общего интеллекта».
В 1930-е годы в СССР факторный анализ критиковался как «буржуазная лженаука» за субъективизм в выборе факторов; официальная советская психология предпочитала качественный анализ.
Существуют разновидности факторного анализа для порядковых и бинарных данных: факторный анализ с поликорическими корреляциями.

Источники

Статистика и обработка данных. К. Харман. Современный факторный анализ. М.: Финансы и статистика, 1972.
Методы многомерного статистического анализа. С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. М.: Статистика, 1975.
Факторный анализ: методы и приложения. Дж. Ким, Ч. Мюллер. М.: Финансы и статистика, 1983.
Прикладная статистика: основы многомерного анализа. С. А. Айвазян, В. М. Бухштабер. М.: ЮНИТИ-ДАНА, 2001.
Многомерный статистический анализ в экономике. А. И. Орлов. М.: ЮНИТИ-ДАНА, 2004.
Психометрика: введение. Р. Л. Торндайк. М.: Просвещение, 1982.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →