心理尺度やアンケート項目に探索的因子分析を当てはめると、多くのソフトウェアは回転の方法を選ぶ欄を用意しており、既定値のまま解析を進めることもできますが、同じデータに斜交回転のpromaxを使うと、負荷量の並び方が目に見えて変わり、因子に付ける名前まで変わることがあります。回転の方法は結果の解釈に直接効く選択で、既定値に任せたまま負荷量を読むと、因子間の関係を取り違えたまま結論を書くことになります。
回転が変えるものと変えないもの
因子分析の手法としての位置づけと、主成分分析との相違は因子分析とは何か:主成分分析との違いで扱っており、因子数をいくつにするかは因子数の決め方とスクリープロットで説明しています。ここでは因子数が決まった後の段階に絞り、$p$個の観測変数と$m$個の因子について、変数$i$が因子$j$に持つ負荷量を$\lambda_{ij}$と書きます。
この負荷量行列は、因子の軸を回しても観測変数の相関行列を再現する力が同じに保たれるため、因子の数を固定しても一通りには決まらず、データから見て区別できない解が無数に存在します。そこで、無数の解の中から読みやすいものを選ぶ操作が回転で、単純構造、つまり各変数が1つの因子にだけ大きく負荷し、他の因子への負荷は0に近い形を目標にします。
その意味で、各変数の分散のうち共通因子で説明される割合を表す共通性はどの回転を選んでも同じ値になるため、回転はモデルの当てはまりを改善する操作には当たらず、変わるのは負荷量の配分と、因子をどう名づけるかという解釈の側です。主成分分析の負荷量の読み方を扱った主成分分析の結果の読み方:固有値・寄与率・負荷量と比べると、回転という段階が加わる点が因子分析の結果を読む時の大きな相違になります。
varimaxの基準と直交回転
Kaiser(1958)が定式化したvarimaxは、因子の軸を互いに直角に保ったまま回転する直交回転です。各因子の列で負荷量の2乗が0に近い値と大きい値にはっきり分かれるほど解釈しやすいと考え、その分かれ具合を分散で測ります。
$$V=\sum_{j=1}^{m}\left[\frac{1}{p}\sum_{i=1}^{p}\left(\lambda_{ij}^{2}\right)^{2}-\left(\frac{1}{p}\sum_{i=1}^{p}\lambda_{ij}^{2}\right)^{2}\right]\tag{1}$$
この式(1)は、因子ごとに負荷量の2乗$\lambda_{ij}^{2}$の分散を計算し、それを$m$個の因子について足し合わせた値です。この$V$を最大にする回転を探すため、各因子には大きく負荷する少数の変数とほとんど負荷しない多数の変数が残りやすくなります。
なお、Kaiser(1958)は負荷量を各変数の共通性の平方根で割ってから基準を計算する正規化も提案しており、Rの標準の実装もこの正規化を既定にしています。共通性の小さい変数が回転の向きを左右しにくくするための工夫で、正規化の有無で結果が少し変わる点は、ソフトウェア間で数値を比べる時に確認が必要です。
promaxによる斜交回転
直交回転の制約は、因子間の相関を0に固定することと同じです。数学の能力と読解の能力のように、測りたい構成概念そのものが互いに相関すると考えられる場面では、この制約は解釈を楽にする代わりにデータの構造を歪めます。
この制約を外すのが斜交回転で、HendricksonとWhite(1964)が提案したpromaxはその代表的な方法で、最初にvarimax解を求め、その負荷量を符号を保ったまま累乗して小さい値をさらに0へ近づけた目標行列を作り、因子間の相関を許しながら目標行列に最も近づく変換を求めます。また、累乗の指数はRの既定では4で、指数を大きくするほど単純構造へ強く寄せ、その分だけ因子間相関は大きく推定されやすくなります。
このように相関を許す代わりに、斜交回転では読む行列が増え、各変数を因子の重み付き和として表す係数がパターン行列、変数と因子の相関がこれとは別の構造行列で、直交解では両者が一致しますが、斜交解では因子間相関の分だけ値が離れます。さらに因子間相関行列そのものも報告すべき結果に加わり、Rの出力で負荷量として表示されるのはパターン行列のほうです。
6種の知能検査での比較
具体的なデータとして、Rのdatasetsパッケージに含まれるability.covデータセットを使います。112人に実施した6種の知能検査(一般知能、絵画、積み木、迷路、読解、語彙)の共分散行列で、2因子の最尤因子分析を回転なし、varimax、promaxの3通りで当てはめ、負荷量を横に並べました。
options(digits = 3)
fit_none <- factanal(factors = 2, covmat = ability.cov, rotation = "none")
fit_vari <- factanal(factors = 2, covmat = ability.cov, rotation = "varimax")
fit_prom <- factanal(factors = 2, covmat = ability.cov, rotation = "promax")
# 3つの回転の負荷量を横に並べる
round(cbind(none = unclass(fit_none$loadings),
varimax = unclass(fit_vari$loadings),
promax = unclass(fit_prom$loadings)), 3)
#> Factor1 Factor2 Factor1 Factor2 Factor1 Factor2
#> general 0.648 0.354 0.499 0.543 0.364 0.470
#> picture 0.347 0.538 0.156 0.622 -0.058 0.671
#> blocks 0.471 0.748 0.206 0.860 -0.091 0.932
#> maze 0.253 0.408 0.109 0.468 -0.054 0.508
#> reading 0.964 -0.135 0.956 0.182 1.023 -0.095
#> vocab 0.815 -0.039 0.785 0.225 0.811 0.009
この出力で、左の2列が回転なし、中央がvarimax、右がpromaxです。回転なしの解では一般知能が0.648と0.354、積み木が0.471と0.748のように多くの検査が両方の因子に負荷しており、この表から因子に名前を付けるのは困難です。
これに対して、promaxでは、読解1.023と語彙0.811が因子1に、絵画0.671、積み木0.932、迷路0.508が因子2に大きく負荷し、反対側の因子への負荷は-0.095から0.009の範囲に収まりました。因子1を言語的な能力、因子2を空間的な能力と読める形で、単純構造にかなり近づいています。
また、中間に当たるvarimaxでも主な負荷の位置は同じですが、絵画0.156、積み木0.206、読解0.182、語彙0.225と、反対側の因子への負荷が0.1から0.2台で残っています。2つの因子に相関があるデータで軸を直角に固定すると、その相関の分が交差負荷として各変数へ配られるため、このデータではvarimaxの交差負荷がpromaxより大きく出ました。
もう一点、promaxで読解の負荷が1.023と1を超えている点は、直交解の感覚で読むと異常値に見えます。しかし斜交解のパターン行列の値は他の因子を一定にした時の回帰係数に相当し、変数と因子の相関とは別の量なので、1を超えること自体は推定の失敗を意味せず、直交回転と同じく相関として読むとこの値の扱いを誤ります。
回転前後で変わらない共通性
先に述べた、回転は当てはまりを変えないという性質を数値で確かめます。各検査の共通性を、1から独自性を引いた値として3つの解で計算しました。
# 共通性(1 - 独自性)を回転ごとに比べる
round(cbind(none = 1 - fit_none$uniquenesses,
varimax = 1 - fit_vari$uniquenesses,
promax = 1 - fit_prom$uniquenesses), 3)
#> none varimax promax
#> general 0.545 0.545 0.545
#> picture 0.411 0.411 0.411
#> blocks 0.782 0.782 0.782
#> maze 0.231 0.231 0.231
#> reading 0.948 0.948 0.948
#> vocab 0.666 0.666 0.666
この出力では、一般知能の0.545から迷路の0.231まで、6検査の共通性は3つの解で小数第3位まで一致しました。負荷量の表が大きく変わっても、各検査の分散のうち2つの因子で説明される割合は同じで、回転がデータへの当てはまりではなく解の表し方だけを選ぶ操作だと分かります。
ただし、直交解では各行の負荷量の2乗和が共通性に一致しますが、斜交解のパターン行列ではこの関係が成り立ちません。たとえばpromaxの読解は1.023の2乗だけで1を超えており、斜交解の共通性には因子間相関を通じた分が含まれるため、パターン行列の2乗和から共通性を計算すると誤った値になります。
因子間相関0.557の読み方
promaxを選んだ場合に必ず添えるべき数値が因子間相関です。Rの因子分析の結果に含まれる回転行列から計算すると、次のようになりました。
# promaxの因子間相関
rot_inv <- solve(fit_prom$rotmat)
round(rot_inv %*% t(rot_inv), 3)
#> [,1] [,2]
#> [1,] 1.000 0.557
#> [2,] 0.557 1.000
この行列を見ると、言語的な因子と空間的な因子の相関は0.557と推定され、知能検査の得点が全般に正の相関を持つことを考えると、内容としても理解しやすい値です。この大きさの相関を0に固定したのがvarimax解で、先ほどの交差負荷0.1から0.2台はその代償として現れていたと読めます。
逆に、因子間相関が0.1程度にとどまる場合は、直交解と斜交解の負荷量はほとんど同じになり、直交解を報告しても解釈は変わりません。Fabrigarら(1999)が斜交回転を先に試すよう論じているのはこの点で、斜交回転は因子が無相関なら直交に近い解を返すため、相関の有無をデータに判断させる余地が残ります。
負荷量の散布図で見る回転
表の数値を、横軸を因子1、縦軸を因子2の負荷量とした散布図に置き直すと、回転が軸を動かす操作だという意味が見えてきます。回転なしとpromaxの解を左右に並べました。
# 図1:回転なしとpromaxの負荷量を並べる
par(mfrow = c(1, 2))
for (sol in list(list(fit_none, "Unrotated"), list(fit_prom, "Promax (oblique)"))) {
plot(unclass(sol[[1]]$loadings), xlim = c(-0.4, 1.1), ylim = c(-0.4, 1.1),
pch = 19, xlab = "Loading on factor 1", ylab = "Loading on factor 2", main = sol[[2]])
abline(h = 0, v = 0, col = "grey60")
text(unclass(sol[[1]]$loadings), labels = rownames(sol[[1]]$loadings), pos = 3, cex = 0.7)
}

この左の図では読解と語彙が横軸寄りにあるものの、絵画、積み木、迷路、一般知能は2本の軸の間に散らばっており、点の集まりと軸の向きが合っていません。右の図では2つの点のまとまりにそれぞれ軸が通る位置まで座標系が動いており、斜交回転では2本の軸を直角に保つ必要がないため、2つのまとまりを同時に軸へ寄せられます。
一方、一般知能はpromaxでも0.364と0.470で両方の因子に中程度に負荷しており、図でも2本の軸の間に残っています。どちらの能力にも関わる検査がこのように残ることは単純構造の失敗ではなく、検査の内容をそのまま反映した結果として読むのが筋で、無理に1つの因子へ割り当てる必要はありません。
論文や報告書での扱われ方
Fabrigarら(1999)は心理学の主要誌に掲載された探索的因子分析を調べ、回転の方法として直交回転のvarimaxが多く使われていること、その選択理由が書かれていない報告が多いことを指摘しました。そのうえで、心理学で扱う構成概念は互いに相関すると考えるのが通常で、斜交回転のほうが現実に即した解を与えると論じています。
この議論を受けて、CostelloとOsborne(2005)も回転の方法を明記し、斜交回転を使った場合はパターン行列と因子間相関を報告するよう整理しています。また、Browne(2001)は解析的回転の方法を広く比較し、どの回転基準も単純構造をどう数量化するかの選択であって、データに唯一の正しい回転があるわけではない点を強調しています。
この文献群に共通するのは、回転の方法とその理由を報告の一部として扱う姿勢です。読者が結果を再現し、別の回転を選んだ場合に解釈が変わるかを判断するには、回転の名前、斜交回転なら因子間相関とパターン行列、promaxであれば累乗の指数が必要になります。
直交か斜交かを決める条件
心理や行動の尺度、能力検査、生活習慣の質問票のように、測りたい構成概念の間に相関が見込まれる場面では、promaxなどの斜交回転から始めるのが筋の通った選択です。推定された因子間相関が0.1から0.2程度にとどまれば、直交解との相違は小さく、解釈のしやすさを理由にvarimax解を報告しても結論は変わりません。
逆に、ability.covのように因子間相関が0.557あるデータでは、varimaxの交差負荷が0.1から0.2台で残り、各検査がどちらの因子にも少しずつ関わるかのような表になって、因子の名づけと尺度の構成に影響します。このような影響を確かめないまま、ソフトウェアの既定値という理由だけでvarimaxを選ぶのは不適切です。
また、どちらの回転を報告するか迷う場合は、両方の回転で負荷量の表を作り、各変数が大きく負荷する因子の組み合わせが変わらないかを確かめておくと、解釈が回転の選び方に依存しているかが分かります。共通性は回転によって変わらないので、両者の違いは負荷量の配分と因子間相関の扱いだけに表れ、ability.covでは読解・語彙と図形・積木・迷路という2つの組み合わせが両方の回転で保たれ、両方の因子に中程度に負荷する一般知能の検査(general)だけが回転によって配分を変えていました。
また、斜交回転を選んだ後も、パターン行列の値を相関として読む誤りは起きやすく、1を超える値に驚いて変数を除いたり、パターン行列の2乗和を共通性として報告したりする例につながります。報告には回転の方法と選んだ理由を書き、斜交回転ではパターン行列と因子間相関を並べて示すと、読者が因子の関係まで含めて結果を評価できます。
なお、実際の研究データで回転の方法や因子数の判断に迷う場合は、尺度の作成意図と推定された因子間相関を並べて検討することになります。Dr.データサイエンスでは、こうした探索的因子分析の解析方針についてのご相談を承っています。
参考文献
- Kaiser HF. The varimax criterion for analytic rotation in factor analysis. Psychometrika. 1958;23(3):187-200.
- Hendrickson AE, White PO. Promax: a quick method for rotation to oblique simple structure. British Journal of Statistical Psychology. 1964;17(1):65-70.
- Fabrigar LR, Wegener DT, MacCallum RC, Strahan EJ. Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods. 1999;4(3):272-299.
- Browne MW. An overview of analytic rotation in exploratory factor analysis. Multivariate Behavioral Research. 2001;36(1):111-150.
- Costello AB, Osborne JW. Best practices in exploratory factor analysis. Practical Assessment, Research, and Evaluation. 2005;10:7.


