またまた統計学のお勉強ですが、今回は「因子分析（Factor Analysis）」について扱いたいと思います。これはは、20世紀初頭（1904年）にイギリスの心理学者チャールズ・スピアマン（Charles Spearman）が、子供たちの知能テストの成績を分析する中で生み出した手法です。因子分析の本質は、「たくさんのデータ（多変数）を、背後にある少数のエッセンス（因子）に要約する」ことです。
たとえば、学生に国語、数学、理科、社会、英語のテストを実施したとします。5つの点数データ（変数）が集まりますが、これらは完全にバラバラに決まっているわけではありません。「国語と英語ができる人は、文系センスがあるのでは？」「数学と理科ができる人は、理系センスがあるのでは？」このように、目に見えるデータの背後にある「文系センス」「理系センス」という、直接は見えない潜在的な能力（因子）をデータから逆算して導き出すのが因子分析です。
因子分析では、私たちが観測したデータ（テストの点数など）は、以下の2つの要素から成り立っていると考えます。
共通因子（Common Factor）：複数の変数に共通して影響を与えている背景（例：文系能力、理系能力）。
独自因子（Unique Factor）：その変数だけに特有の影響のことです。たとえば「音楽の授業が好きで音楽の点数だけ高い」といった、他の教科には関係しない個別の要因や測定誤差がこれにあたります。
因子分析を理解する上で、実務や論文で必ず登場する3つの重要概念があります。
① 因子負荷量（Factor Loading）
各因子が、それぞれの変数にどれくらい強い影響を与えているかを示す数値です。一般に -1.0 から +1.0 の間の値をとることが多く、絶対値が 1 に近いほど「その因子との結びつきが強い」ことを意味します。
例：英語の点数に対して、「文系因子」の因子負荷量が 0.8、「理系因子」の因子負荷量が 0.1 であれば、英語は文系因子の影響を強く受けていると判断できます。
② 因子の回転（Rotation）
因子分析の計算を最初に行った直後は、因子負荷量がモザイクのように入り乱れていて、人間には解釈しにくい状態（どの変数にどの因子が効いているか曖昧な状態）になっています。そこで、数学的な性質を保ったまま座標軸をぐるりと回転させ、「各変数が、どれか1つの因子にだけクッキリと強く結びつく状態」に調整します。これを「因子の回転」と呼びます。
※たとえば、部屋を撮影するとき、カメラの角度を少し変えるだけで家具の配置が分かりやすくなることがあります。回転はこれと似た操作で、数値の大きさ自体は変えずに「どの因子がどの変数に効いているか」がパッと見てわかる角度に調整するものです。
③ 因子の命名（Naming）
統計ソフトは「第1因子」「第2因子」という無機質な名前しか出してくれません。回転した後の因子負荷量を見て、「第1因子は国語と英語に強く効いているから、これは『語学力因子』と名付けよう」と決めるのは、分析を行う人間の役割です。ここが研究者の洞察力の見せ所でもあります。
- 主成分分析（PCA）との違い
よく混同される手法に「主成分分析」があります。どちらもデータをコンパクトにする手法ですが、目的の向きが真逆です。
「因子分析」（データの「原因」を探る）
「背後にある原因（因子）のせいで、結果として現在のデータ（点数）が生まれている」と考えます。
矢印の向き： 因子 ──> データ
「主成分分析」（データを「要約」する）
「目の前にあるたくさんのデータを、総合評価（主成分）として1つにまとめる」ために行います。
矢印の向き： データ ──> 主成分
※ここでの「矢印」は因果関係ではなく、「何を出発点として何を導くか」という分析の向きのイメージです。
スピアマンの後に、アメリカの心理学者ルイス・サーストン（Louis Thurstone）が因子分析を大きく発展させました。サーストンは「知能は1つではなく、言語・数・空間など複数の能力からなる」と主張し、因子の回転法などの手法を整備した人物です。スピアマンやサーストンたちが開拓した心理学・統計学の道は、その後「尺度」の作成や「パス解析」へと地続きで繋がっていきます。これらは、目に見えない心や概念を「正しく測り（尺度）」、それらがどう影響し合っているかという「因果関係のロードマップを描く（パス解析）」ための必須ツールです。
- 尺度（Scale）とは？
心理学などでいう「尺度」とは、目に見えない抽象的な概念（満足度、不安、学習意欲など）を数値化するための「ものさし」のことです。体重や身長なら秤やメジャーで測れますが、「英語の学習意欲」は直接測れません。そこで、複数の質問項目を作って合計することで、1つの「ものさし」とします。
アンケートを作る際、最初から完璧なものさし（尺度）を作るのは不可能です。ここで因子分析が活躍します。
質問をたくさん用意する：「毎日英語を勉強する」「英語のニュースが気になる」など20個の質問をする。
因子分析にかける：データが集まったら因子分析を行い、20個の質問がどんな「隠れた因子」に分かれるかを見る。
尺度を精選する：例えば「学習意欲因子」に強く結びついている（因子負荷量が高い）5つの質問だけを厳選する。
こうして厳選された質問セットが、信頼できる「英語学習意欲尺度」として完成します。心理テストの「内向性を測る質問10選」なども、このようにして作られた尺度です。
- パス解析（Path Analysis）とは？
尺度を使って目に見えない概念を数値化できたら、次は「それらの間にどんな因果関係があるのか」を知りたくなります。それを矢印（パス）で繋いだ図で表し、影響の強さを計算する手法がパス解析です。これは「重回帰分析（1つの結果に対して複数の原因の影響度を調べる手法）」を、さらに複雑に発展させたものです。
では、なぜパス解析が必要なのでしょうか？例えば、「先生の指導法」が「生徒の英語の成績」に与える影響を調べたいとします。単純に考えると、指導法 ──> 成績 という直接の矢印だけを思い浮かべますが、実際の人間の心理や行動はもっと複雑です。
良い指導法によって、まず生徒の「学習意欲（尺度）」が高まる。→意欲が高まった結果、「自習時間」が増える。→
自習時間が増えた結果、「英語の成績」が上がる。
このように、原因と結果の間に「仲介役（媒介変数）」が挟まっている複雑な因果関係のルートを、1つの図（パス図）にして丸ごと検証できるのがパス解析の強みです。
- すべてが合流する場所：共分散構造分析（SEM）
ここまでお話しした「因子分析」「尺度」「パス解析」の3つは、現代の統計学において共分散構造分析（SEM：Structural Equation Modeling）という大きな枠組みで1つに統合されています。
※変数間の「共に変動する度合い（共分散）」を手がかりに、因子の構造とパスの因果関係を同時に推定するという意味でこの名がついています。
まとめると、以下のようになります。
因子分析：バラバラのデータから、背後にある「隠れた本質」を見つける。
尺度：その本質を測るための、信頼できる「心理的なものさし」を組み立てる。
パス解析：作ったものさし同士を矢印で繋ぎ、複雑な「因果関係のストーリー」を明らかにする。
スピアマンが知能という「見えないもの」を測ろうとした一歩が、現代ではこのように、人間の意識や社会の複雑なメカニズムを解き明かす巨大なシステムへと発展しています。