因子分析とは？やり方・結果の見方を具体例でわかりやすく解説

因子分析（Factor Analysis）は、多数の観測変数の背後にある少数の「因子」を見つけ出し、データを要約する統計手法です。アンケートの何十もの設問を「価格志向」「品質重視」といった数個の軸に集約できるため、マーケティングリサーチや心理測定で広く使われます。この記事では、因子分析の意味と仕組みから、実際のやり方（手順）、因子負荷量など結果の見方、主成分分析との違いまでを、具体例を交えて整理します。

まとめ｜因子分析の要点

• 役割：多数の観測変数を、それらに共通する少数の潜在因子へ集約してデータを要約する。
• 2種類：因子構造を探る探索的因子分析（EFA）と、仮説を検証する確認的因子分析（CFA）。
• 手順：適用性の確認（KMO・Bartlett）→因子抽出→因子数の決定→因子回転→因子スコア算出。
• 見方：因子負荷量（目安0.4以上）で各因子の意味を読み、累積寄与率でモデルの説明力を評価する。
• 似た手法との違い：主成分分析は変数を合成し、因子分析は潜在因子が変数を説明すると考える点が根本的に異なる。

因子分析とは｜潜在因子で変数を束ねる仕組み

因子分析は、観測された変数どうしの相関を手がかりに、直接は測れない共通の原因（潜在因子）を推定します。たとえば「読書量」「語彙力」「読解力」が互いに強く相関していれば、その背後に「言語能力」という一つの因子があると考える、という発想です。相関行列を出発点にする点で相関分析の延長線上にあり、少ない因子で多変量データの構造を説明できます。

潜在変数としての「因子」の意味

ここでいう因子とは、複数の観測変数に共通して影響する潜在変数を指します。テストの点数（観測）に対する「知能」、購買行動（観測）に対する「価格志向」のように、測定できない構成概念をデータから逆算するのが因子分析の狙いです。各変数は「共通因子＋その変数だけの独自因子（誤差）」で説明されると仮定します。この独自因子を分離する点が、後述の主成分分析との決定的な違いになります。

探索的因子分析（EFA）と確認的因子分析（CFA）の違い

因子分析は目的によって2種類に分かれます。因子の数や構造が未知の段階で探るのがEFA、理論や先行研究から立てた因子構造を検証するのがCFAです。新しい尺度を作るときは、EFAで構造を探索してからCFAで妥当性を確かめる流れが一般的です。

因子分析のやり方｜4つの手順

因子分析は、データの適用性を確かめてから因子を抽出し、回転で解釈しやすく整えてスコアを求める、という順で進めます。手順を飛ばすと不安定な解になりやすいため、各段階のチェックが重要です。

手順1：データ準備と適用性の確認（サンプルサイズ・KMO・Bartlett）

まず欠損値を処理します。因子分析は相関行列を用いるため尺度差は自動的に吸収されますが、共分散行列を使う場合は変数の標準化が必要です。サンプルサイズは変数の5〜10倍、最低でも200前後が目安で、少ないと解が不安定になります。次に、そのデータが因子分析に向くかを2つの指標で確認します。KMO（Kaiser-Meyer-Olkin）の標本妥当性は0.5が最低ライン、0.7〜0.8以上が望ましく、Bartlettの球面性検定はp値0.05未満で「変数間に十分な相関がある」と判断します。この2つを満たさないデータに因子分析をかけても、意味のある因子は得られません。

手順2：因子抽出と因子数の決め方

因子の抽出には主軸因子法や最尤法（ML）を使います。最尤法は適合度を評価でき、CFAでも中心的に使われる手法です。因子数の決定には複数の基準を併用します。固有値が1以上の因子を残す「カイザー基準（ガットマン基準）」、固有値の折れ曲がり（エルボー）で判断するスクリープロット、そして累積寄与率が50〜60%を超えるかを目安にします。カイザー基準だけだと因子を採りすぎる傾向があるため、スクリープロットや解釈可能性と合わせて総合判断するのが実務的です。

手順3：因子の回転（直交回転と斜交回転）

抽出直後の因子は解釈しにくいため、因子軸を回転させて各変数がどれか一つの因子に強く乗るよう整えます。回転には、因子間の相関をゼロと仮定する直交回転（バリマックスなど）と、因子間の相関を許す斜交回転（プロマックス、オブリミンなど）があります。心理特性や消費者意識のように因子どうしが関連し合うテーマでは、現実に即した斜交回転が選ばれることが多く、直交回転は因子の独立性を優先したいときに使います。

手順4：因子スコアの算出と分析ツール

最後に、各回答者が各因子をどの程度持つかを表す因子スコア（因子得点）を計算します。手計算は現実的でないため、実務では専用ソフトを使います。SPSSはメニュー操作で一連の処理が完結し、Rでは psych パッケージの fa 関数（最尤法・主軸因子法などを選択可）、Pythonでは factor_analyzer ライブラリの FactorAnalyzer が代表的です。標準のExcelは分析ツール（アドイン）を使っても因子分析・主成分分析のいずれも実行できないため、SPSS・R・Pythonのいずれか、または専用アドインを用います。

因子分析の結果の見方｜指標の読み方

出力される主な指標は、因子負荷量・共通性・寄与率・因子スコアです。これらを正しく読むことが、因子に意味を与える作業そのものになります。

因子負荷量の読み方

因子負荷量は、各変数がその因子とどれだけ強く結びつくかを示す値です。直交回転では相関係数に相当し、目安として絶対値0.4以上あればその因子を構成する変数と判断し、0.3未満の変数はモデルから外すことを検討します。共通性が1以上（独自分散が負）になるのは「ヘイウッドケース」と呼ばれる不適解で、直交解では標準化負荷量が1を超えるのもその兆候です。因子数の採りすぎやサンプル不足が主な原因です。ただし斜交回転のパターン行列では、因子間相関の影響で負荷量が1を超えても共通性が1以内なら不適解とは限りません。

共通性と累積寄与率の評価

共通性（コミュナリティ）は、その変数が抽出された因子群でどれだけ説明されるかを示します。一般に0.4〜0.5を下回る変数は因子とほとんど関係しないため除外候補で、0.6以上あれば十分に説明されていると判断できます。寄与率は各因子がデータ全体の分散をどれだけ説明するかを表し、全因子の累積寄与率が50〜60%以上であればモデルとして実用的とされます。

因子得点の使い方

因子得点は、個々の対象を因子の軸上に位置づけた値です。たとえば「価格志向」因子が高く「ブランド志向」因子が低い回答者は、価格を重視する層だと読み取れます。この因子得点をクラスター分析の入力に使えば顧客セグメントを作れ、回帰分析の説明変数に使えば多重共線性を避けながら予測モデルを組めます。因子分析の価値は、この因子得点を次の打ち手につなげられる点にあります。

マーケティング調査での因子分析の具体例

手順を具体的にイメージするため、飲食チェーンの顧客満足度アンケート（15項目・5段階評価）を想定します。「価格の手頃さ」「クーポンの充実」「食材の鮮度」「盛り付けの丁寧さ」「店員の対応」「席の清潔さ」などの設問に因子分析をかけると、相関の強い設問がまとまり、たとえば次の3因子が抽出されます。

15項目が3因子に整理されると、「この店舗はコスト因子の得点は高いが接客因子が低い」といった評価が一目で可能になります。因子得点で顧客をセグメント化すれば、価格重視層にはクーポン施策、品質重視層には産地訴求といった打ち分けができます。設問数を減らさずに全体像をつかめる点が、集計や単純平均にはない因子分析の強みです。

因子分析でつまずきやすい点と回避策

因子分析は自由度が高い分、判断を誤ると解釈が恣意的になりがちです。特に次の3点は結果の信頼性を左右するため、事前に対処方針を決めておくべきです。

• 因子数を採りすぎる：固有値1以上を機械的に残すと、意味の薄い因子まで拾いヘイウッドケースを招きます。スクリープロットと解釈可能性で上限を絞るのが安全です。
• サンプル不足で回す：変数に対して回答者が少ないと因子構造が標本ごとに揺れます。目安（変数の5〜10倍・最低200前後）を満たさないなら、設問を絞るか回収を増やしてから分析します。
• 因子の命名を印象で決める：負荷量パターンを見ずに名付けると解釈が主観に流れます。先行研究や理論を参照し、別の回転手法でも同じ構造が再現するかを確認します。

結論として、因子分析は「一度回して終わり」の手法ではありません。指標と解釈可能性を往復し、再現性を確かめてはじめて意思決定に使える結果になります。

因子分析と主成分分析・回帰分析・クラスター分析の違いと使い分け

因子分析は多変量解析の一手法で、目的の近い手法としばしば混同されます。何を明らかにしたいかで使い分けるのが原則です。

最も混同されるのが主成分分析です。主成分分析は観測変数を足し合わせて新しい合成変数を作るのに対し、因子分析は「潜在因子が観測変数を生み出している」と逆向きに考え、誤差を分離します。潜在的な構成概念を解釈したいなら因子分析、単純に次元を減らしたいなら主成分分析が向きます。予測が目的なら回帰分析、分類が目的ならクラスター分析と、目的に応じて選びます。各手法の位置づけは多変量解析の全体像とあわせて押さえると理解が進みます。

よくある質問

因子分析の例にはどのようなものがありますか？

心理学のビッグファイブ（外向性・神経症傾向・誠実性・協調性・開放性）は、多数の性格項目を因子分析で5因子に整理した代表例です。マーケティングでは顧客満足度調査の設問を「価格」「品質」「接客」などの因子にまとめる用途が典型的です。

因子分析に必要なサンプルサイズはどれくらいですか？

変数の5〜10倍、最低でも200前後が一般的な目安です。因子構造が明確で変数間の相関が強い場合は少なめでも成立しますが、不足すると解が標本ごとに揺れるため、KMOが0.5を下回るときは設問数を絞るか回収数を増やします。

因子分析はExcelでできますか？

標準のExcelは、分析ツール（アドイン）を使っても因子分析・主成分分析のいずれも実行できません。因子分析を行うにはSPSS、R（psychパッケージ）、Python（factor_analyzer）などの専用ツール、または専用アドインを使います。

EFAとCFAはどちらを先に行いますか？

因子構造がまだ分からない段階ではEFAで探索し、得られた構造を別のデータでCFAにより検証するのが基本的な順序です。既に確立した尺度を使う場合は、最初からCFAで妥当性を確認します。

関連記事

• 主成分分析とは？定義・仕組み・分析手順から導入判断まで実装目線で解説
• 回帰分析とは？種類・回帰式・決定係数と実務での進め方を解説
• 多変量解析とは？基本概念と活用できる場面をわかりやすく解説