心理学大学院の専門試験対策や研究計画書の作成において、統計や研究法の理解は避けて通れません。中でも因子分析と主成分分析は、心理学の実証研究で頻繁に登場する代表的な手法であり、試験でもよく出題されます。

　しかし、その違いや使い分けが曖昧なまま学習を進めてしまう受験生も少なくありません。この記事では、臨床心理士・公認心理師を目指す受験生に必須の因子分析と主成分分析の基礎を整理し、理解を深めるためのポイントを解説します。

はじめに

　心理学の研究やテスト開発では、多数の観測変数（質問項目など）の背後にある潜在因子を探る必要がよく生じます。

例えば、性格検査では、多くの質問項目がいくつかの共通した性質（因子）によって説明できるかもしれません。

このような目的に用いられる代表的な手法が因子分析（factor analysis）です。

一方で、データの次元圧縮や要約のために主成分分析（principal component analysis; PCA）という手法も広く使われます。

一見似た解析ですが、因子分析と主成分分析は目的や前提が異なるため、混同しないよう注意が必要です。

　本章では、初心者にもわかるよう両者の違いと手法の概要を平易に説明し、さらに難関校受験者にも対応できるよう最新の知見（因子数の決定法、McDonald'sのω係数、斜交回転の意義など）を盛り込みます。

　図表や具体例、用語の定義も交え、演習問題と解説を通して理解を深めましょう。

要点整理

・因子分析（FA）: 複数の観測変数に共通する潜在因子を特定し、観測された相関関係を少数の因子で説明する手法。共通因子モデルに基づき、各変数の分散を「共通因子による分散」と「独自因子（誤差）による分散」に分けて考える。心理テストの項目分析や尺度開発でよく使われる。

・主成分分析（PCA）: 観測変数の持つ情報をできるだけ損なわずに少数の合成変数（主成分）に要約・圧縮する手法。統計的には変数間の分散・共分散構造を全体として捉えるデータ圧縮法で、潜在因子の仮定は置かない。主成分は元の変数の線形結合で得られ、データ次元の縮約や可視化に利用される。

・FAとPCAの違い: FAは観測変数を説明する“原因”として潜在因子を想定するのに対し、PCAは観測変数そのものを集約して“結果”として主成分を作る点が本質的に異なる。理論的には、FAでは各観測変数に測定誤差を含む独自要因があるが、PCAでは誤差も含め全分散を主成分が説明すると仮定します。そのため、PCAでは対角成分=1（共分散行列の対角要素を全分散1とする）と置きますが、FAでは対角成分に共通性（communality: 因子で説明される分散）を用いる違いがあります。

・因子分析の手順: 因子数の決定 → 因子の抽出（主因子法、最尤法など）→ 因子の回転（直交/斜交）→ 因子負荷量に基づく項目の選別・因子の解釈 → 因子の命名・信頼性の評価 → 必要に応じ確認的因子分析で検証。

・因子数の決定: 従来はカイザーの基準（固有値>1）やスクリープロット（固有値の急減点）などが用いられたが、現在では平行分析(parallel analysis)が客観的かつ有力な方法とされる。平行分析ではランダムデータから得た固有値と比較し、実データの固有値がそれを上回る因子数を採用することで、因子数を過小・過大に見積もるリスクを減らせます。

・回転の種類: 因子軸の回転は解の解釈を容易にするために行います。直交回転（orthogonal rotation）は因子間相関を0（独立）と仮定し、代表例はバリマックス回転。斜交回転（oblique rotation）は因子間相関を許容し（因子同士が関連しうると仮定）、プロマックス回転などがあります。心理測定の分野では因子間の非独立性があり得るため斜交回転がしばしば推奨され、斜交回転ではパターン行列（各因子への直接負荷）と構造行列（因子と変数の相関）を区別して解釈します。

・信頼性係数: 因子分析で得られた因子に基づく尺度の一貫性を見る指標としてCronbachのα係数とMcDonaldのω係数があります。α係数は古典的テスト理論に基づく指標で広く用いられてきましたが、各項目の因子負荷量が等しいという仮定（τ-等値性）が成り立たない場合には信頼性を過小評価する傾向があります。一方、ω係数は因子分析の考え方に基づくより正確な信頼性指標で、τ-等値性を仮定せず不等な因子負荷にも対応できるため、αよりも信頼性の偏りが少なく望ましいとされています。

※ 受験全体の進め方については、無料セミナー「心理フェスタ」でお話ししています → 日程はこちら

詳細解説

1. 因子分析とは何か

　因子分析（exploratory factor analysis; EFA）は、観測された複数の変数に潜む共通因子を発見し、それら少数の因子でデータの構造を説明しようとする多変量解析手法です。イギリスの心理学者スピアマン(C.E. Spearman)が提案した方法で、もともと知能の二因子説（一般因子gと特殊因子）を検証する中で考案されました。因子分析では、各観測変数（テストの各項目など）の変動が、一部は他の変数と共通の潜在因子による影響、残りはその変数特有の要因（誤差など）による影響と考えます。この発想から、共通因子モデルでは観測変数xiを以下のように表現します：

　ここで、F1,F2....,Fm が潜在因子、aijが因子負荷量（因子j が変数i に与える影響の大きさ）、uiが独自因子（ユニーク因子、誤差項）です。それぞれの観測変数xi について、共通因子からの影響による分散の割合を共通性といい、誤差を含む独自因子による分散を独自性または固有分散といいます。

　因子分析の目的は、共通因子の部分（共通性）が高い変数同士をグループ化し、その背後にある因子を見いだすことです。

　例えば、心理テストの項目であれば、内容が類似した項目は同じ因子に高い負荷量を持つ傾向があります。因子分析を行うことで、元の多数の項目を代表する少数の因子に要約し、それぞれの因子に心理的な意味づけ（例：「外向性」「不安傾向」などの名前）を与えることが可能になります。

　抽出された因子は、その後、因子得点（各被験者の因子上のスコア）や因子ごとの合計得点を算出することで、他の分析（回帰分析や分散分析など）に利用することもできます。

因子分析の具体例: たとえば、100項目から成る性格質問紙に因子分析を適用し、項目間の相関構造から5つの因子が抽出されたとします。それぞれの因子に対して、残った項目の内容から「開放性」「誠実性」「外向性」「協調性」「神経症傾向」といった名前を付ければ、これは性格のビッグファイブモデルに対応します（※ビッグファイブの5因子は、このように因子分析によって同定された人格特性の次元です）。この例のように、因子分析によって得られた因子は心理学の様々な領域で理論的な概念（構成概念）と結びつけられ、新たな尺度の開発や理論の構築に寄与します。

2. 因子分析の手順とポイント

　因子分析を正しく行うには、いくつかの実践的な手順と判断ポイントがあります。以下に典型的な手順を順を追って示し、各段階での要点を解説します。

1. データの準備・前提条件の確認: 因子分析を行う前に、十分なサンプルサイズが確保されているか、また変数間にある程度の相関が存在するかを確認します。サンプルサイズはケース数/変数数が5~10倍程度あることが望ましく、また各変数の分布が極端に偏っていないか、欠測値の扱いなども検討します。変数間の相関が弱すぎる場合、因子分析で意味ある因子は抽出されません。また、因子分析が適切かどうかを調べる指標としてKMO尺度（Kaiser-Meyer-Olkin）やバーテレットの球状性検定が用いられることもあります。

2. 因子数の仮決定: 最初に、おおよそ何個の因子を抽出すべきか見当をつけます。仮説がある場合はその因子数を念頭に置きますが、仮説が明確でない探索的場合にはデータ駆動で決めます。従来はカイザーの基準（固有値>1を因子とみなす）やスクリープロット（固有値を大きい順にプロットし、グラフの“肘”になる点までの因子をとる）が用いられてきました。しかしこれらは主観や標本固有のばらつきに左右されやすく、特に固有値>1基準は因子数を過大に見積もりやすいことが指摘されています。そこで現在では、Hornが提案した平行分析(parallel analysis)が因子数決定法の中でも特に有力な方法とされています。平行分析では、もとのデータと同じサイズ・同じ変数数のランダムデータセットを多数生成し、それぞれについて主成分分析を行って固有値を求めます。そして実データの固有値と、ランダムデータから得た固有値の平均もしくは95百分位点を比較します。実データの固有値が対応するランダムデータの百分位点を上回っている因子の数だけを retained すべき因子数と判断するのです。

図1: 平行分析の結果を示すスクリープロットの例。

　青線は実データの固有値（因子分析の場合）、赤の点線は対応するランダムデータから得た95%タイルの固有値を示す。実データの固有値（青）が赤点線より上に位置する因子数が、有力な因子の数と判断される。この例では「因子分析（FA）の平行分析」で6因子が赤線を上回っており、6因子が示唆されている（ただし6番目の因子はほぼ閾値上にあるため5因子解との比較検討も必要）ことが読み取れる。

補足: 平行分析は主成分分析（PCA）ベースで行う方法と主因子法（PAF）ベースで行う方法があります。PCA的平行分析（PA-PCA）はデータの相関行列そのものを固有値分解しますが、PAF的平行分析（PA-PAF）は一旦共通性を見積もって因子分析を行う点が異なります。一般にはPAFに95%タイルを用いる方法が精度良いとされますが、条件によっては平均値基準の方が精度が良いという報告もあり、研究者によって推奨が分かれる部分でもあります。

•  因子の抽出（初回分析）: 因子数の当たりをつけたら、まず指定した因子数で因子分析を実行します。因子の抽出方法にはいくつかあります。
  代表的なのは主因子法（principal axis factoring; PAF）で、これは各変数の共通性を一様に1から始め、逐次近似で因子負荷を推定していく方法です。最尤法（maximum likelihood法; ML）はデータが多変量正規分布に従うと仮定して因子構造を最尤推定する方法で、モデル適合度のカイ二乗検定が得られる利点があります。
  他にも最小二乗法や一般化最小二乗法などがありますが、初学者にはPAFやMLが押さえておきたい代表です。ソフトウェア上は「因子分析（FA）」と「主成分分析（PCA）」が選択できる場合がありますが（例えばSPSSの因子分析メニュー）、ここでいう因子抽出法としての主成分法は因子分析ではなくPCAそのものである点に注意してください。探索的因子分析を行う際は通常、主成分ではなく前述のPAFやMLといった共通因子モデルの方法を用います（主成分抽出は共通性を1と仮定してしまうため、理論的には因子分析の枠組みと異なる）。

　抽出の結果として、まず固有値と因子負荷量（因子パターン行列）が得られます。固有値は各因子が説明する分散の大きさで、固有値が大きい因子ほど多くの情報を説明します。また因子負荷量は各変数が各因子にどの程度関連するかを示す値です。初回の因子分析では、因子負荷量を見る前に固有値（およびスクリープロット）から本当に設定した因子数で適切かを確認します。もし明らかに設定因子数より固有値が大きく有意な因子が残っていれば因子数を増やす、逆に最後の因子の固有値が極めて小さければ因子数を減らす、といった調整をします。

1. 因子の回転: 因子抽出直後の因子は、統計的には分散を最大化する方向で求められるため、しばしば第1因子が全般的にすべての項目に負荷が高いような結果になります（一般因子の出現）。これはデータ中の最大の共通要因をとらえているのですが、そのままでは各因子に意味づけしづらい場合があります。そこで因子軸を適当な角度だけ回転させ、できるだけ各変数が高い負荷を持つ因子は一つ、他の因子には低い負荷になるように調整します。これを因子の単純構造の達成と呼びます。回転には大きく直交回転と斜交回転があります。

2. 直交回転（orthogonal rotation）: 因子同士が互いに直交（90°）の関係、すなわち因子間相関が0であることを維持したまま回転する方法です。代表的な直交回転手法にバリマックス（Varimax）回転があります。直交回転では因子間相関がないため、因子負荷行列そのものが各因子と変数の相関係数とみなせます。解釈が比較的簡単ですが、実際の心理データでは因子間に多少の相関が存在することも多く、無相関の仮定はやや制約が強い場合があります。

3. 斜交回転（oblique rotation）: 因子間相関を許容して回転する方法です。代表的手法にプロマックス（Promax）回転やダイレクトオブリミンがあります。斜交回転を行うと因子間相関が0ではなくなるため、因子負荷行列にも「どの程度他の因子と相関を持ちながら項目に影響を与えているか」という間接的な影響が混じります。そのため斜交回転では、結果として2種類の行列が得られます: パターン行列と構造行列です。パターン行列は他の因子の影響を統計的に制御した上での直接的な因子負荷（回帰係数に相当）を示し、一方構造行列は単純に因子と観測変数との相関を示します。斜交回転解釈の基本はパターン行列を見ることですが、因子間相関が高い場合には構造行列も参考にします。「因子AとBに相関があると仮定すると、項目−因子間の関連が強まりより単純構造に近づく」という利点から、心理領域では斜交回転の方が現実に即しているケースが多々あります。

　因子回転後、各因子にはできるだけ高い負荷の項目とほぼ0に近い負荷の項目がはっきり分かれることが理想です。この状態が得られると、各因子に対応する項目群の内容から因子の意味を解釈しやすくなります。

1. 因子負荷量に基づく項目の見直し: 回転後の因子負荷量（特にパターン行列）を吟味し、以下の基準で項目を取捨選択することがあります:

2. ある因子に対する因子負荷量が低すぎる項目（例：絶対値が0.3未満など）は、その因子とは関連が薄いと判断し除外する。

3. 複数の因子にまたがって高い負荷量を持つ項目（クロスロード項目）は、因子の独立した解釈を妨げるため除外するか、あるいはどちらの因子にも属さない中間的な項目として扱う（通常は除外することが多い）。

4. グループ内で内容が重複する項目や、解釈に矛盾する項目も検討のうえ除外することがあります。

　このような基準で不適切な項目を除去しては再度因子分析を実行し、因子構造の洗練化を図ります。項目を削減すると因子数が変わる可能性もあるため注意が必要ですが、実践ではある程度項目を絞り込むまで試行的に因子分析を繰り返すことがあります。

1. 因子の解釈と命名: 最終的に残った項目で因子分析を行い直し、明確な因子構造が得られたら、各因子に含まれる項目の内容から因子に名前を付けます。因子名は簡潔かつ内容を反映したものが望ましいです（例：「外向性」「不安傾向」「学業適性」など）。因子名を付ける作業は主観も入りますが、読者に因子の意味を伝える重要なステップです。

2. 因子得点・尺度化: 抽出因子ごとに因子得点を計算したり、因子を構成する項目の合計点や平均点を算出して、新たな尺度として用います。因子得点は因子負荷量に基づいて各被験者の因子上の位置を推定した連続値で、統計ソフトで算出できます。一方、合計点方式は簡便ですが各項目に等しい重みを置くため、因子負荷量の違いを反映しない点に注意が必要です。

3. 尺度の信頼性の評価: 因子から構成された各尺度（サブテスト）が一貫して測定しているかを評価するため、内的一貫性信頼性を算出します。もっとも一般的なのはCronbachのα係数です。α係数は0〜1の値をとり、1に近いほど高い信頼性（質問項目がよくまとまっている）ことを示します。経験則では0.7程度以上で「実用上十分な信頼性」、0.8以上で「高い信頼性」とされます。ただしα係数は前述のとおり各項目の真の得点への寄与が等しい（因子負荷が等しい）ことを仮定しており、この仮定（τ-等値性）が成り立たない場合にはαは真の信頼性より低めに出る傾向があります。また因子が複数存在するデータにαを無造作に適用すると過大評価を招く場合もあります。

　近年ではα係数の弱点を補うMcDonaldのω係数（オメガ係数）が注目されています。ω係数は共通因子モデルに基づいて信頼性を評価する指標で、各項目の因子負荷量に応じた重みづけを行うため、αよりも柔軟でより正確に尺度の信頼性を評価できるとされます。ω係数も0〜1の範囲の値をとり、値が高いほど尺度全体の信頼性が高いことを意味します。一般に同じデータに対してはωの方がαよりやや高めの値を示す傾向があり、項目の因子負荷量がばらついている場合でもωはバイアスの少ない推定を与えます。統計ソフトによってはω係数を直接計算できるパッケージも増えてきています。

　以上が探索的因子分析の基本的な流れです。最後に、探索的因子分析で得られた因子構造が理論的に妥当であるか、別のサンプルでも再現性があるかを検証するために確認的因子分析（Confirmatory Factor Analysis; CFA）を行うこともあります。CFAではあらかじめ因子構造（各項目がどの因子に関連するか）を仮定した上でモデルを当てはめ、データへの適合度を統計的に評価します。EFAがデータ主導の仮説生成の手法だとすれば、CFAは仮説を検証する理論検証の手法と言えます。大学院入試でも、EFAとCFAの違いを問う問題が出題されることがありますので、目的や手続きの違いを整理しておきましょう。

3. 主成分分析とは何か

　主成分分析（Principal Component Analysis; PCA）は、多変量データにおいて変数の線形結合による新たな合成変数（主成分）を作り、データの分散を効率よく説明する手法です。因子分析と目的が異なり、PCAは「背後の因子」を仮定せず、あくまでデータ圧縮とパターンの要約が主眼となります。

　PCAでは、p 個の観測変数から最大 p個の主成分を作ることができます。第1主成分は元の変数の線形結合 として定義され、その分散（変動）が最大になるよう係数w1j が定まります。第2主成分 r2 は第1主成分と直交（無相関）する線形結合で、かつ残余分散を最大に説明するよう定義されます。以下同様に、第k 主成分は前のk-1 主成分と直交しつつ残差分散を最大に説明する方向を求めていきます。こうして得られる主成分は互いに直交するため、情報の重複がなく、順にデータのばらつきを多く説明します。主成分得点は元の変数の標準化得点の線形結合で計算でき、固有値分解により固有値=各主成分の分散、固有ベクトル=係数ベクトルw と対応づけられます。

PCAとFAの相違点（詳細）: 主成分分析はあくまで観測変数から算出される合成変数であり、その背後に測定誤差を含む潜在構造を仮定しない点で因子分析と異なります。技術的には、PCAではデータの共分散行列（あるいは相関行列）の全分散を説明しにいきます。一方、因子分析（共通因子モデル）では各変数の一部の分散（共通性）のみを因子で説明し、残りの分散は誤差とみなします。極端に言えば、PCAは「誤差も含めてすべてのばらつきを説明する」のに対し、FAは「測定誤差などを除いた共通のばらつきを説明する」モデルです。そのため、PCAでは対角成分=1（一完全な分散）として計算されるのに対し、FAでは対角成分に推定された共通性（1未満の値）が置かれます。実務上、この違いは大きく、例えばPCAでは抽出する主成分数を変えても残差に相当するものは存在しません（成分数を元の変数数まで取れば分散の100%を説明可能です）。しかしFAでは因子数を増やしても共通性が各変数の分散より小さい限り、完全には説明しきれない独自分散が残ります。したがって、PCAは「データ圧縮法」、FAは「測定モデルに基づく分析」と性格づけられます。

　もう一つ重要な点は、PCAで得られる主成分は観測変数の線形結合であるため、その解釈は必ずしも観測変数の内容と一致しない場合があることです。例えば、テストの教科得点の例で考えます。英語・国語・社会・数学・理科の5教科の得点にPCAを施すと、第1主成分は5教科全体の「総合的学力」を反映するようなもの、第2主成分は文系科目と理系科目の差を反映するようなもの、というように抽出されるかもしれません。成分Aを「文系成分」、成分Bを「理系成分」と解釈することも考えられますが、注意すべきは主成分は因子のような「原因」ではなく、あくまで得点のパターンを要約したものに過ぎない点です。文系的な要素が数学や理科に全く無いわけではなく、理系科目にも文系主成分がある程度含まれうるように、主成分は観測データ上のパターンであって潜在特性そのものではありません。このように、PCAの結果の解釈には慎重さが求められます。極端に言えば、PCAはデータの次元を減らすための計算上の方便であり、結果に心理的な意味付けをするのは利用者の裁量に委ねられます。

PCAの活用: 主成分分析は、多変量データを可視化したり重回帰やクラスター分析の前処理として次元圧縮したりするのによく用いられます。例えば、多数の質問項目から得られた得点データにPCAをかけて2次元の主成分得点を算出しプロットすれば、被験者間の類似性を2次元平面で可視化できます。また、多重共線性の問題がある回帰分析では、説明変数を主成分得点に置き換えて重回帰を行う手法（主成分回帰）もあります。心理学では因子分析が理論志向で使われる一方、PCAは純粋な統計技法として幅広いデータ解析に使われています。なお、PCAでも主成分の数はユーザが決める必要があります。決定基準は因子分析の場合と似ており、固有値>1基準やスクリープロット、累積寄与率（例：全分散の何%まで説明するか）などで決めます。最近ではPCAに対しても平行分析を適用して有意な主成分の数を評価することが推奨されています。もっとも、PCAでは分析者が必要な次元数を任意に定めることも多く、目的次第では2次元だけを取り出して散布図を描く、といった使い方もされます。

FAとPCAのまとめ: 以上の内容を表形式で整理してみましょう。

　この表からもわかるように、因子分析と主成分分析は「似て非なる」手法です。とはいえ実際には、探索的因子分析を行う際に主成分分析で因子数を調べたり、主成分得点を因子得点の近似値として用いるケースもあります。

重要なのは、自分が何をしたいのか（共通因子を見つけたいのか、単に次元を縮約したいのか）に応じて手法を正しく選択し、結果を適切に解釈することです。

4. 因子分析の応用と最新トピック

ここでは因子分析・主成分分析に関連する応用的な話題や最新の知見をいくつか紹介します。

• 並列分析（Parallel Analysis）の普及: 因子数決定法としての平行分析は1960年代にHornによって提案されましたが、計算の煩雑さもあって長く統計教科書では重視されてきませんでした。近年はコンピュータの発達により容易にシミュレーションができるようになり、統計ソフトやプログラミング言語のパッケージでも簡単に実行できます。その結果、因子分析の研究分野では平行分析が因子数決定法のスタンダードになりつつあります。日本においても平行分析の有用性を示す研究が増え、大学院入試問題でも「因子数決定に関する新しい手法」として平行分析が話題になる可能性があります。加えて、VelicerのMAP法(Minimum Average Partial)など他の因子数決定法も提案されていますが、それらも含め総合的に判断することが望ましいでしょう。

• McDonald'sのω係数の活用: 前述の信頼性係数ωは、心理測定における信頼性評価の新しいスタンダードとして注目されています。例えば日本テスト学会でも、α係数と並んでω係数の報告を推奨する動きがあります。特に項目数が多い尺度や、因子負荷にばらつきがある尺度では、αよりωのほうが適切な評価を与えるケースがあるとされています。もっとも、ω係数にも課題はあり、算出には因子分析（あるいは共分散構造分析）の結果が必要で計算がやや複雑なこと、また一口にωと言っても一因子モデル前提のωや階層的ωなどバリエーションがあることに留意が必要です。それでも、尺度開発論文などでα係数のみならずω係数を報告する例は増えてきており、最新の知見に明るい受験者であればαとωの違いを説明できると理想的です。

• 他分野での活用: 因子分析は心理学に限らず、教育学（テストの項目分析）、社会学（意識調査の構造分析）、マーケティング（消費者の態度要因分析）など幅広い分野で使われています。主成分分析も、遺伝子解析（遺伝子発現パターンの低次元表現）や画像処理（画像次元の圧縮＝エンコーディング）など、統計学・データサイエンスの基礎手法として定着しています。最近では、因子分析の概念を拡張した項目反応理論（IRT）や、因子分析とクラスター分析を組み合わせた潜在クラス分析、さらにはネットワーク分析による新アプローチなども登場しており、測定モデルの世界は進化を続けています。ただし大学院入試対策としては、まずは古典的な因子分析と主成分分析の原理をしっかり理解し、それらを使いこなせることが最優先です。

 以上、因子分析と主成分分析の基本から応用までを概観しました。続いて理解度を確認するための演習問題に取り組みましょう。

演習問題（理解度チェック）

各問に対し、解答と解説を示します。

問題1: 因子分析と主成分分析の目的と前提の違いを簡潔に述べなさい。

解答: 因子分析は観測変数に影響を与える共通の潜在因子を仮定し、それを特定することでデータの背後にある構造（共通の原因）を解明することが目的である。一方、主成分分析は潜在因子の仮定を置かず、観測変数の線形結合によってデータを要約・次元圧縮することが目的である。因子分析では各変数の分散を共通因子による分散と独自因子（誤差）による分散に分けるが、主成分分析では変数の全分散をそのまま主成分が説明すると仮定する。要するに、因子分析は「原因を探す分析」、主成分分析は「データをまとめる分析」といった違いがある。

問題2: 因子分析において因子の数を決定する方法として平行分析が推奨されるのはなぜか、説明しなさい。

解答: 平行分析は実データと同じサイズのランダムデータから得た固有値と比較することで、統計的に有意な因子の数を客観的に判断できる方法である。具体的には、ランダムデータから算出された固有値の平均や95百分位よりも実データの固有値が大きい因子の個数を採用する。これにより、スクリープロットの主観的判断や「固有値が1より大きいもの」という経験則に頼るよりも、過剰因子の抽出を抑えつつ見落としも減らせるとされている。平行分析はHorn (1965)が提案した方法で、シミュレーション研究でも因子数決定法の中で特に信頼性が高いと報告されている。

問題3: Cronbachのα係数とMcDonaldのω係数の違いを述べなさい。また、一般にどちらが尺度の信頼性をより適切に評価できると考えられているか答えなさい。

解答: Cronbachのα係数は、複数の項目から構成される尺度の内的一貫性を評価する伝統的指標で、すべての項目が等質（それぞれ真の得点に等しい寄与を持つ）であるという仮定の下で算出されている。一方、McDonaldのω係数は因子分析モデルに基づく信頼性係数で、各項目の因子負荷の大きさに応じて重みづけを行うため、項目間で測定精度が異なっても対応可能である。αは計算が容易で広く使われていますが、τ-等値性（全項目の真の分散が等しい）の仮定が実際には成り立たないことが多く、その場合αは信頼性を過小評価する傾向がある（また因子が複数混在する場合は逆に過大評価する場合もあります）。ω係数はτ-等値性を仮定せずに信頼性を見積もるため、より偏りが少なく正確だとされている。そのため一般には、αよりもωの方が尺度の信頼性を適切に評価できる場合が多いと考えられている。ただし、ω係数の算出には因子分析が必要で計算がやや複雑な点には注意が必要である。

問題4: 因子分析における斜交回転はどのような場合に利用すべきか。また、斜交回転を行った場合に得られる因子負荷行列にはどのような種類の行列があるか答えなさい。

解答: 斜交回転は、分析対象の因子同士が相関を持ちうると考えられる場合に利用する。心理学のデータでは因子間にある程度の関連性があることが多く、そのような場合は因子を無理に直交（独立）させるよりも斜交回転によって因子間相関を許容したほうが、各因子の意味がはっきりし単純構造に近づく。斜交回転を行うと、因子間相関が0ではなくなるため因子負荷の表現として二種類の行列が得られる。一つはパターン行列(pattern matrix)で、他の因子の影響を除去した各因子への直接的な負荷量（回帰係数に相当）を示す。もう一つは構造行列(structure matrix)で、因子と項目の相関係数を示す。斜交回転では主にパターン行列を解釈に用いますが、因子間相関が高い場合には構造行列も参照して因子の意味づけを補足する。

1分まとめ

・ 因子分析（FA）: 観測変数の背後にある共通因子を見つけ出し、データを少数の潜在変数で説明する手法。項目の共通性に基づき因子を抽出し、直交または斜交回転で解釈しやすい構造に整える。心理尺度の開発や理論検証に不可欠。

・主成分分析（PCA）: 観測変数を線形結合した主成分に要約し、データの次元を圧縮する手法。全分散を最大限に説明する合成変数を次々と求める。データの可視化や前処理に有用だが、潜在因子とは異なる概念である点に注意。

・因子数の決定: スクリープロットや固有値>1といった経験則に加え、現在では平行分析が最も信頼性の高い因子数決定法の一つ。ランダムデータ由来の固有値と比較し、実データで有意に大きい因子のみを採用することで、過不足ない因子抽出が可能。

・信頼性係数: 因子に基づく尺度の内的一貫性を見るにはα係数とω係数が重要。Cronbachのαは広く使われるが仮定に注意。【McDonaldのω】は因子負荷に応じた精密な信頼性指標で、近年はαの代替または補完として報告されることが増えている。一般にωの方が偏りが少なく信頼性を正しく捉えやすい。

・その他: 因子分析結果の解釈には理論的妥当性が求められる。必要に応じて確認的因子分析（CFA）で構造を検証する。DSM-5をはじめ心理測定の実務応用でも因子分析は活用されており、因子分析の知見が分類や尺度に反映されている例も多い。基本をおさえつつ、新しい手法や指標にもアンテナを張っておこう。

おわりに

　因子分析と主成分分析は、心理学研究を理解するうえで基礎となると同時に、心理系大学院の専門試験や研究計画書で必ず役立つ知識です。最初はとっつきにくく感じるかもしれませんが、少しずつ整理していけば確実に力になります。学習を重ねる中で「わかった！」という感覚を積み重ねることが、合格への大きな一歩につながります。ココロアップアカデミーでは、受験に必要な知識を丁寧にサポートし、皆さんの挑戦を応援しています。

ココロアップアカデミーでは毎月、無料オンラインセミナー「心理フェスタ」を開催しています。

志望校の選び方、研究計画書の進め方、専門科目・英語の対策まで、受験の全体像を最初からお伝えします。

心理学がはじめての大学生・社会人の方も歓迎です。カメラ・マイクはオフのままご参加いただけます。

・今月の心理フェスタの日程を見る（参加無料）はこちら

・日程が合わない方には、無料の個別相談もご用意しています。

ココロアップアカデミーでは、統計学を含む重要分野についての心理学講座や模擬試験、記述練習、個別指導などを通じて、受験生の理解と実践力を高める支援を行っています。

講座の詳細は、カリキュラム紹介ページをご覧ください。

ブログTOPへ

ホームページTOPへ