確証的因子分析・とは？初心者でもわか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

岡田康介

名前：岡田康介（おかだこうすけ）ニックネーム：コウ、または「こうちゃん」年齢：28歳性別：男性職業：ブロガー（SEOやライフスタイル系を中心に活動）居住地：東京都（都心のワンルームマンション）出身地：千葉県船橋市身長：175cm 血液型：O型誕生日：1997年4月3日趣味：カフェ巡り、写真撮影、ランニング、読書（自己啓発やエッセイ）、映画鑑賞、ガジェット収集性格：ポジティブでフランク、人見知りはしないタイプ。好奇心旺盛で新しいものにすぐ飛びつく性格。計画性がある一方で、思いついたらすぐ行動するフットワークの軽さもある。 1日（平日）のタイムスケジュール 7:00 起床：軽くストレッチして朝のニュースをチェック。ブラックコーヒーで目を覚ます。 7:30 朝ラン：近所の公園を30分ほどランニング。頭をリセットして新しいアイデアを考える時間。 8:30 朝食＆SNSチェック：トーストやヨーグルトを食べながら、TwitterやInstagramでトレンドを確認。 9:30 ブログ執筆スタート：カフェに移動してノートPCで記事を書いたり、リサーチを進める。 12:30 昼食：お気に入りのカフェや定食屋でランチ。食事をしながら読書やネタ探し。 14:00 取材・撮影・リサーチ：街歩きをしながら写真を撮ったり、新しいお店を開拓してネタにする。 16:00 執筆＆編集作業：帰宅して集中モードで記事を仕上げ、SEOチェックやアイキャッチ作成も行う。 19:00 夕食：自炊か外食。たまに友人と飲みに行って情報交換。 21:00 ブログのアクセス解析・改善点チェック：Googleアナリティクスやサーチコンソールを見て数字を分析。 22:00 映画鑑賞や趣味の時間：Amazonプライムで映画やドラマを楽しむ。 24:00 就寝：明日のアイデアをメモしてから眠りにつく。

確証的因子分析とは

確証的因子分析は統計の手法の一つであり、あらかじめ仮定した因子構造がデータにどれくらい合っているかを検証する方法です。英語では confirmatory factor analysis と呼ばれ、測定モデルと呼ばれる部分と観測変数との関係を数式で表します。

なぜ CFA を使うのか

探索的因子分析 EFA がデータから因子構造を探すのに対し、CFA は事前に仮説を立ててその仮説が正しいかを検証します。研究の目的が仮説検証であるとき CFA は強力な手法です。仮説を明確にすることで研究の再現性と透明性が高まります。

用語の整理

観測変数は私たちが直接測れる質問項目や計測値のことです。潜在因子は直接見ることができない心理的な構造のことです。

手順の流れ

まず 仮説となる因子構造を決めます。次にデータを揃え、測定モデルを式で表します。データに対して 推定方法（主に最大似然法など）を用いてモデルのパラメータを推定します。

推定が終わったら、モデルの適合度を評価します。適合度指標には CFI や RMSEA などがあり、それぞれの基準値を超えるとモデルを修正します。

適合度指標の例

able>指標意味CFI比較的適合度の指標で、1 に近いほど良いとされますRMSEA近似の程度を表す指標で、0.06 以下が目安とされますChi squareデータとモデルの一致度を検定する値ですが、大きなサンプルで敏感になりますble>

例と実務での使い方

ある調査で複数の質問項目から 満足感と サービス品質の 2 つの潜在因子を検証するとします。観測変数は各項目のスコアで、2 つの因子がどの項目とどのように結びつくかを仮説として設定します。データを整理して CFA を実行すると、各観測変数の荷重（どれくらい因子に影響されているか）とエラーを推定できます。推定結果の適合度が高ければ仮説は支持され、低ければ見直しが必要です。

実務ではソフトウェアの活用も重要です。よく使われるのは R の lavaan パッケージ、SPSS の Amos、Mplus などです。データの分布やサンプルサイズに注意し、各指標の基準を超えるかを確認します。

注意点とコツ

サンプルサイズは観測変数の数と仮定する因子数に応じて決まります。少ないデータでも分析はできますが、安定した推定には十分なサンプルが必要です。データの欠損、分布の偏り、測定の同等性（グループ間の測定が同じ意味を持つか）などにも注意します。

要点のまとめ

確証的因子分析は仮説に基づく測定モデルの検証に適した手法です。適合度指標の読み方や推定の基本を理解し、データ準備と仮説設定を丁寧に行うことが、信頼できる結論を得るコツです。

確証的因子分析の同意語

確証的因子分析: 仮説として設定した因子構造をデータで検証する、探索的分析ではない因子分析の手法。測定モデルの適合度を評価して、仮説の因子配置がデータに合うかを判断する。
確認的因子分析: 同様に、事前に仮定した因子構造の適合を検証する手法。因子の数や因子と観測変数の関係が妥当かを確かめる。
検証的因子分析: 仮説に基づく因子構造の適合性を検証する分析法。探索的ではなく、既定のモデルをデータで検証する。
検証型因子分析: 事前仮説の因子モデルの適合度を評価する表現。CFA の同義語として用いられることがある。
仮説検証型因子分析: 仮説を検証する目的の因子分析で、事前の仮説に沿った因子構造の適合性をチェックする手法。
CFA: Confirmatory Factor Analysis の略。仮説に基づく因子構造の適合度を評価する統計手法の代表。
Confirmatory Factor Analysis: 英語表記。仮説に基づく因子構造の適合度を評価する分析法で、日本語でも CFA として用いられる。

確証的因子分析の対義語・反対語

探索的因子分析: 事前に因子構造の仮説を設定せず、データから潜在因子の数や組み合わせを探索して推定する分析手法。EFAと同様、構造を発見することが目的。
主成分分析: データの分散を最大化する方向へ新たな直交成分を作り出し、次元削減を行う手法。因子分析とは目的と前提が異なり、潜在因子の解釈が異なる。
仮説未設定の分析: 事前に仮説を置かず、データに現れるパターンを探索して洞察を得る分析の姿勢。確証より発見を重視するアプローチ。
データ駆動型分析: データの観測結果を中心に分析を進め、理論仮説にとらわれずデータから関係性を見出す姿勢。確証的手法と対になる発想。

確証的因子分析の共起語

探索的因子分析: データから潜在因子の数や構造を仮説なしに探る分析手法。CFAとは対照的にデータに基づき仮説を立てます。
構造方程式モデリング: 潜在変数と観測変数の関係を統合して評価する総合的な統計フレームワーク。CFAはSEMの一部です。
因子負荷量: 各観測変数がどの潜在因子にどれだけ寄与するかを示す係数。大きいほど関連性が強い指標です。
標準化因子負荷量: 負荷量を標準化して比較できるようにした値。単位の違いを超えて比較可能です。
潜在因子: 観測できないがデータの背後にある仮想的な要素。複数の観測変数を説明します。
共通因子: 複数の観測変数を共に説明する潜在因子。因子間で説明力を共有します。
特異因子: 個々の観測変数に固有の要素で、他の変数と共有されない部分。
誤差項: 観測誤差や説明不能な分を表すランダム成分。測定の不確実性を含みます。
適合度指標: モデルとデータの適合度を評価する指標の総称。CFI、RMSEA、SRMR などを含みます。
RMSEA: 近似誤差平方根。値が小さいほど良好な適合を示す指標です。
CFI: Comparative Fit Index。0.95近くが良好とされることが多い適合度指標です。
TLI: Tucker-Lewis Index。CFIと同様の適合度指標です。
SRMR: Standardized Root Mean Square Residual。0.08以下が目安となる適合度指標です。
GFI: Goodness of Fit Index。モデル全体の適合度を示す指標です。
χ²検定: カイ二乗統計量を用いたモデル適合度の検定。大きい値は不適合を示唆します。
自由度: モデルの自由度。推定可能かどうかを判断する指標です。
推定方法: パラメータを推定する手法の総称。ML（最大尤度法）やFIMLなどがあります。
最尤法: Maximum Likelihood。最も一般的に用いられる推定法のひとつです。
FIML: 全情報最大尤度法。欠損データを含む場合の推定に有効です。
ロバスト推定: データの非正規性や外れ値の影響を緩和する推定手法。頑健性を高めます。
欠損データ処理: 欠損データを扱う方法。多重代入やFIMLなどが典型です。
AIC/BIC: 情報量規準。低い値ほど良いとされ、モデル比較の基準として使われます。
モデル比較: 複数のモデルの適合度を比較して最適なモデルを選ぶ作業。
識別性: パラメータがデータから一意に推定できる条件。識別性が低いと解が不安定になります。
因子間相関: 複数の潜在因子間の相関。許容されるが適切な制約が必要になることがあります。
モデル修正指標: Modification Indices など、モデルの修正案を提示する指標。

確証的因子分析の関連用語

探索的因子分析: 観測変数の潜在因子構造を探索する手法。仮説を前提とせず、データから因子数や因子の意味を推測します。
因子負荷量: 観測変数と潜在因子との関連の強さを示す指標。標準化されることが多く、値が大きいほど関連が強いことを意味します。
共通因子: 複数の観測変数を同時に説明する潜在因子。測定された共通の要素を表します。
特異因子: 各観測変数に固有の影響を説明する因子。測定誤差を含むことが多いです。
誤差項: 観測変数の測定誤差や特異因子の影響を表す成分。
因子間相関: 複数の潜在因子が互いにどの程度関連しているかを示す関係。
測定モデル: 観測変数と潜在変数の関係を表すモデル。CFAの中心的な構造です。
モデル適合度: 仮説の測定モデルがデータに適合する程度を示す総称。
適合度指標: モデル適合度を評価する具体的な指標群（例: CFI、TLI、RMSEA、SRMR など）。
カイ二乗適合度検定: モデルとデータの適合を統計的に評価する検定。大きい値は不適合を示し、サンプルサイズに敏感です。
CFI: Comparative Fit Indexの略。1に近いほど良い適合を示します。
TLI: Tucker-Lewis Indexの略。自由度を考慮した適合度の指標。
RMSEA: Root Mean Square Error of Approximationの略。値が小さいほど近似が良く、目安は0.05以下。
SRMR: Standardized Root Mean Square Residualの略。標準化残差の平方根平均で、0.08以下が目安とされます。
AIC: Akaike Information Criterion。値が小さいほど良いとされる情報量基準。
BIC: Bayesian Information Criterion。サンプルサイズを考慮した情報量基準。値が小さい方が良いとされます。
最大尤度法: Maximum Likelihood推定。データが観測された尤度を最大化するパラメータを求めます。
最小二乗法: 最小二乗法による推定。MLとは異なる推定法で、特定のデータ条件下で用いられます（例：連続性の仮定が緩い場合）。
WLSMV: Weighted Least Squares with Mean and Variance adjustment。順序尺度データなどのCFAで用いられる推定法。
多変量正規性: ML推定の前提となる、データが多変量正規分布に従うとされる性質。
欠測データ処理: データに欠測がある場合の処理法。FIML（完全情報最大尤度）や複数代入法などが使われます。
二階因子モデル: 一次因子を説明する上位の因子を持つ階層的構造を表すモデル。
収斂妥当性: 同じ概念を測る複数指標が高い関連性を示すことで妥当性を裏付ける考え方。
判別妥当性: 異なる概念を測る指標が互いに区別できることを示す妥当性。
合成信頼性: Composite Reliability。因子負荷量と誤差を基に測定の信頼性を評価する指標。
標準化因子負荷量: 観測変数の標準化された負荷量。解釈を容易にします。
観測変数/指標変数: 実際に測定する観測可能な変数。因子の指標として用いられます。
潜在変数: 直接は観測できないが、観測変数に影響を与える因子。
ソフトウェア: CFAを実行できる代表的な分析ソフトウェア。例: AMOS、LISREL、Mplus、lavaan（Rパッケージ）