確認的因子分析・とは？初心者でも理解できる基礎と使い方ガイド共起語・同意語・対義語も併せて解説！

この記事を書いた人

高岡智則

年齢：33歳性別：男性職業：Webディレクター（兼ライティング・SNS運用担当）居住地：東京都杉並区・永福町の1LDKマンション出身地：神奈川県川崎市身長：176cm 体系：細身〜普通（最近ちょっとお腹が気になる）血液型：A型誕生日：1992年11月20日最終学歴：明治大学・情報コミュニケーション学部卒通勤：京王井の頭線で渋谷まで（通勤20分）家族構成：一人暮らし、実家には両親と2歳下の妹恋愛事情：独身。彼女は2年いない（本人は「忙しいだけ」と言い張る）

確認的因子分析・とは？

確認的因子分析は、既にある仮説の「因子構造」をデータで検証する統計手法です。EFAとの違いは、事前に「この因子が何個あって、どの項目がどの因子に対応するはずだ」という設計を決めておく点です。

基礎となる考え方

観測される複数の質問や指標は、少数の潜在因子の影響を受けて変動します。潜在因子とは直接見えない要素で、信念・態度・能力などが該当します。 CFAでは「この観測変数がこの因子にどれだけ依存しているか」を表す「荷重」と呼ばれる数値を推定します。

何を検証するのか

たとえば、心理テストで「学業動機」を測る8問があるとします。仮に2つの因子、内発的動機と外発的動機を仮設した場合、各質問がどの因子にどれだけ結びつくかを分析します。モデルがデータに合っているかを「適合度指標」で判断します。

適合度指標とは

代表的な指標にはCFI、RMSEA、SRMRなどがあります。これらはモデルの「よさ」を数値で示します。目安として、CFIが0.90以上、RMSEAが0.08未満、SRMRが0.08未満だと「よく適合している」と言われることが多いです。ただし分野やデータの特性で基準は変わります。

分析の流れ（初心者向け）

1. データ準備：回答が欠損していないか、尺度が適切に測られているかを確認します。

2. モデルの仮説づくり：何因子で、各質問がどの因子と結びつくかを決めます。

3. 推定と評価：ソフトウェアで荷重を推定し、適合度指標を見てモデルを評価します。

4. 改善と検証：必要ならパラメータを微修正し、新しいデータで再検証します。

実務でのヒント

初心者にはサンプルサイズが大きいほど安定した推定が得られやすい点が魅力です。目安としては200以上の回答があると良いと言われます。また、データが正規分布に近いと推定が安定しますが、現実には完全に正規分布にはならないことが多いです。

まとめ

確認的因子分析は「仮説を検証するための道具」です。事前に因子構造を決めておくことで、データがその仮説にどれだけ合っているかを数値で示せます。分析を始める前に、理論とデータの性質をよく考え、適切なサンプルサイズと指標を選ぶことが大切です。

よくある質問

Q: CFAとEFAの違いは？ A: CFAは仮説を検証する、EFAはデータから構造を見つける。

Q: 何のデータが必要？ A: 観測変数としての複数の指標（質問紙の回答など）が必要です。

指標	意味
CFI	比較適合度指標。0.9以上が目安。
RMSEA	モデルの適合の誤差。小さいほど良い。
SRMR	観測データとモデルの差。小さいほど良い。

確認的因子分析の同意語

確認的因子分析: 特定の因子構造仮説をデータで検証する目的の因子分析です。事前に因子数や各観測変数の因子負荷を仮定し、モデルの適合度を統計的指標で評価します。
検証的因子分析: 理論で定めた因子構造をデータで検証するための手法です。因子数や因子と観測変数の割り当てをあらかじめ仮定して、データ適合を判断します。
確証的因子分析: 理論・仮説をデータで確証することを目的とした因子分析。CFAと同義として使われることがあります。
仮説検証型因子分析: 仮説の正しさを検証することを重視する因子分析。CFAの代替表現として使われることがあります。
CFA（英語表記）: Confirmatory Factor Analysis の略。日本語では確認的因子分析と呼ばれますが、英語表記の略称としてCFAを用いるケースも多いです。

確認的因子分析の対義語・反対語

探索的因子分析: 確認的因子分析が事前に仮定した因子構造を検証するのに対し、探索的因子分析はデータを観察して潜在因子の数や構成を探る。因子数の決定や負荷の形をあらかじめ決めず、データのパターンから構造を推測します。
非確認的因子分析: 確認的という語を使わず、検証よりも探索を優先するアプローチ。用語としては稀ですが、仮説を厳格に検証しない意味合いで使われることがあります。
探索的構造方程式モデリング: CFA の制約を緩め、因子負荷の配置をより自由に扱える方法。探索的要素と構造方程式モデリングを組み合わせ、厳密な固定を避けたい場合に有効です。
仮説生成的因子分析: データから新しい因子構造の仮説を生み出す目的の探索的手法。検証段階に移る前の仮説作りに適しています。