Jak na interpretaci faktorové analýzy? Jednoduchá pravidla už raději zahoďme

Konfirmační faktorová analýza (CFA) patří k základním nástrojům moderní psychologie – ověřujeme díky ní, jak fungují nástroje pro psychologické měření. Přesto se s ní často zachází příliš mechanicky. Nová metodologická studie autorů Petra Palíška a Edity Chvojky (INPSY) a Anny Literové (IRTIS) upozorňuje, že slepé spoléhání na „magické“ hranice statistik používaných k posouzení kvality faktorových modelů, jako je RMSEA nebo CFI, může vést k chybným závěrům. Autoři v přehledném tutoriálu ukazují, jak k hodnocení modelů přistupovat promyšleněji a s větším porozuměním tomu, co nám data skutečně říkají.

Shoda modelu s daty neříká, zda je model “správný”

Cílem publikace je nabídnout praktický, ale zároveň teoreticky podpořený návod, jak hodnotit shodu modelů s daty (tzn. indexy fitu) bez spoléhání na univerzální a “doporučované” hodnoty, při nichž se model údajně s daty shoduje dostatečně dobře. Autoři vysvětlují, že indexy fitu nejsou testy správnosti modelu, ale spíše ukazatele míry nesouladu mezi modelem a daty – podobně jako velikosti účinku (např. Cohenovo d). To znamená, že jejich interpretace musí vždy zohledňovat kontext: velikost vzorku, složitost modelu, kvalitu položek i výzkumný cíl.

Proč je to důležité

V psychologickém výzkumu dnes běžně pracujeme s komplexními modely, ale zároveň čelíme replikační krizi a problémům s nahromaděním špatně specifikovaných modelů. Studie upozorňuje, že rigidní aplikace pravidel typu „RMSEA < .05 = dobrý model“ může vést k tomu, že přijímáme teoreticky slabé nebo chybně specifikované modely – jen proto, že „prošly“ mechanickým sítem. To má přímé důsledky pro validitu škál, interpretaci výsledků i následná teoretická tvrzení.

Máme jiné možnosti?

Autoři doporučují posun od binárního myšlení (nejčastěji „model fituje / nefituje“) k analytickému úsudku založenému na kombinaci více zdrojů informací. Vedle globálních indexů fitu a podobných statistik kladou důraz na systematickou práci s reziduální maticí (data o rozptylu, který nevysvětlil faktor), která ukazuje, kde přesně model data nezachycuje. Jako užitečnou pomůcku navrhují také tzv. dynamické indexy , které přizpůsobují interpretační hranice konkrétnímu modelu a datům. Nejde však o nové „lepší cut-offy“, ale o podporu informovaného rozhodování.

Shrnutí a dopad na praxi

Studie Palíška, Chvojky a Literové nabízí srozumitelný most mezi psychometrikou a běžnou výzkumnou praxí v psychologii. Připomíná, že dobrý model není ten, který splní tabulková kritéria, ale ten, který dává teoretický smysl a popisuje data přiměřeně dobře. Slepé spoléhání na pevné hranice ukazatelů shody modelu s daty přispívá k širší „krizi modelování“ v psychologii – tedy k situaci, kdy statisticky přijatelně vypadající modely zakrývají problémy s teorií nebo měřením, podobně jako nadužívání p-hodnot v minulosti přispělo k replikační krizi. Pro studenty psychologie i odborníky, kteří CFA používají spíše jako nástroj než jako hlavní téma své práce, jde o cennou výzvu zpomalit, podívat se „pod kapotu“ a hodnotit modely s pomocí nejmodernějších a přesnějších přístupů.

Doporučená citace:

Palíšek, P., Chvojka, E., & Literová, A. (2025). Abandon all thumbs ye who model: An up-to-date tutorial on fitting CFA models. Collabra: Psychology, 11(1), Article 147248. https://doi.org/10.1525/collabra.147248