因子分析のすべての統計量およびグラフを解釈する

解釈

負荷量パターンを調べ、各変数に対する影響が最も大きい因子を判断します。-1または1に近い負荷量は、因子が変数に強く影響していることを示します。ゼロに近い負荷量は、変数に対する因子の影響が弱いことを示します。変数によっては、複数の因子に高い負荷を与える場合もあります。

無回転の因子負荷量は解釈しにくいです。因子回転によって負荷量構造を単純化すると、より明確に、より簡単に因子負荷量を解釈できるようになることが多いです。ただし、1つの回転方法があらゆる場合に最適であるとは限りません。さまざまな回転を試し、最も解釈しやすい結果が得られる回転を使用してください。回転負荷量を並べ替えて、因子内の負荷量をより明確に評価することもできます。

解釈

共通性の値を調べて、各変数が因子によってどの程度説明できるかを評価します。共通性が1に近いほど、変数は因子によって良好に説明されます。特定の変数の適合に著しく寄与する因子があれば、それを追加できます。

解釈

因子ごとの分散を調べます。分散が高いほど、因子が説明するデータのばらつきが大きくなります。分析で抽出する因子数が分からない場合、まず主成分抽出法を用い、回転させずに、デフォルトの因子数（因子の最大数を抽出）を予備評価として使用できます。その後、重要な因子を、特定の値よりも大きな分散（固有値）を持つ因子として定義します。たとえば、固有値に最低でも1を持つ因子を含めることが1つの基準です。別な方法は、固有値がほとんど変化を示さず、0に近づく点を判断するために、固有値（Scree）プロットの固有値を視覚的に評価する方法です。詳細は固有値プロットのトピックを参照してください。

解釈

因子ごとの分散%の値を調べます。分散%の値が高いほど、因子が説明するばらつきが大きくなることを示します。したがって、分散%の値を使用して、最も重要な因子を決定できます。

分散%の共通性の値は、分析のすべての因子によって全体の分散が説明されることを示します。分析に使用する因子数がデータ内の全体の分散の十分な量を説明するかどうかを判断しやするくするために、この値を使用します。

解釈

解釈

固有値（Scree）プロットを使用して、固有値のサイズによって使用する因子の数を選択します。理想的なパターンは、勾配曲線の後に、曲がり、そして直線が続く形です。直線傾向が始まる最初の点より前の勾配曲線の中で、この因子を使用します。

解釈

最初の2つの成分が、データのほとんどの分散を説明する場合は、スコアプロットを使用してデータ構造を評価し、クラスター、外れ値、および傾向を検出できます。プロット上のデータをグループ化する場合、データ内に2つ以上の異なる分布があることを示します。データが正規分布に従い、外れ値が存在しなければ、点はゼロの値付近にランダムに分布します。

解釈

負荷量プロットを使用して、どの変数が因子に最大の効果があるかを特定します。負荷量は-1～1の範囲です。-1または1に近い負荷量は、変数に対する因子の影響が強いことを示します。ゼロに近い負荷量は、変数に対する因子の影響が弱いことを示します。負荷量の評価により、変数の観点から、各因子を特徴づけやすくすることもできます。因子数を選択したら、因子負荷量を解釈しやすいように別の回転を行います。

解釈

1つのグラフにある最初の2つの因子のデータ構造と負荷量を評価するには、バイプロットを使用します。Minitabでは、第2因子スコアと第1因子スコアだけでなく、両方の因子の負荷量をプロットします。