탐색적 요인분석(EFA) 예제: 왜 Varimax를 선택했나요?

요인분석에서 ‘주성분 분석 → 고유값 1 초과 → Varimax’를 선택하셨나요?

익숙한 조합입니다. 그런데 논문 심사에서 “왜 이 방법을 선택했습니까?”라는 질문을 받는다면, 어떻게 설명하시겠어요?

연구 수행 자신감과 주변의 연구 지원을 측정한다고 생각해 봅시다. 두 개념은 서로 관련될 수 있습니다. 요인의 상관을 허용할지, 요인 수를 어떤 근거로 정할지는 연구자가 설명해야 할 선택입니다. KMO나 신뢰도 수치만으로 이 질문에 답할 수는 없습니다.

이번 글에서는 같은 12문항을 끝까지 따라가며 요인 수, 회전 방법, 문항 유지의 이유를 정리합니다. modidoc C4에서 설정을 확인하고 결과표를 읽은 뒤, 연구 노트에 남길 판단까지 작성해 보겠습니다. 첫 실습은 실제 설문 수집 전의 모의자료 분석이며, 이후 실제 응답으로 구조를 평가하는 단계와 연결됩니다.

익숙한 설정에서 세 가지 질문으로

PCA·고유값 1 초과·Varimax를 함께 적용하는 방식은 방법론 문헌에서 ‘Little Jiffy’로 불립니다. Lloret 등(2017)은 이러한 선택을 자료의 특성과 관계없이 적용하는 문제를 지적하고, 실제 자료로 분석 설정에 따른 결과를 비교했습니다. 이 글에서도 어떤 선택이 우리의 연구 질문에 맞는지부터 살펴보겠습니다(원문).

PCA와 Varimax는 목적에 맞게 활용할 수 있는 방법입니다. SPSS에서도 최대우도 추출과 Promax를 선택할 수 있습니다(IBM 공식 문서). 이번 실습에서는 modidoc의 문항 설계 흐름 안에서 이 질문들을 검토하고, 선택한 구조가 어떤 결과로 이어지는지 확인합니다.

실제 사람에게 예비조사를 하는 과정도 여전히 필요합니다. C4에서는 그 전에 가정한 구조로 분석 흐름을 연습합니다. 설문 수집 전의 가정 점검과, 수집 후 실제 응답에 대한 평가를 연결하는 것이 이번 실습에서 경험할 modidoc의 활용 방식입니다.

실습 파일 내려받기: 문항·설정·결과·모의응답 300행(XLSX)

‘실습결과’, ‘문항’, ‘모의응답’ 시트를 열어 본문의 표와 비교하세요. 파일에는 교육용 문항과 모의응답 300행이 들어 있습니다. C4에 업로드하는 파일이 아니라, 입력할 문항과 계산 결과를 대조하는 자료입니다. 본문의 수치는 운영 저장소의 C4 분석 코드를 로컬에서 실행해 얻었으며, 재현 조건은 글 끝에 제공합니다.

1. 이번 예제가 답하려는 질문

한 대학원이 대학원생에게 연구 과정에서 필요한 지원을 묻는 설문을 만들려고 합니다. 연구자가 스스로 연구를 수행할 수 있다고 느끼는 정도와, 주변에서 도움을 받을 수 있다고 느끼는 정도를 구분하고 싶습니다.

두 개념을 다음과 같이 정해 보겠습니다.

두 영역은 관련이 있을 수 있습니다. 도움을 받을 수 있다고 느끼는 사람이 연구 수행에도 자신감을 가질 수 있기 때문입니다. 그렇다고 처음부터 두 영역을 하나의 점수로 합치지는 않겠습니다. 각각의 문항 묶음을 살펴보는 것이 이번 실습의 목적입니다.

아래 문항은 설명을 위해 새로 작성했습니다. 기존에 타당화된 척도가 아니며, 실제 연구에 사용하려면 구성개념의 정의와 문항 내용을 별도로 검토해야 합니다.

응답은 1점 ‘전혀 그렇지 않다’부터 5점 ‘매우 그렇다’까지로 생각합니다. 이번에는 모두 같은 방향의 문항으로 구성하며, 역채점 문항은 넣지 않습니다.

여기서 이미 검토할 문제가 보입니다. 11번의 정서적 격려와 8번의 문헌 확보 지원이 하나의 요인에 함께 속하는 것이 적절할까요? 이 질문을 기억해 두세요. 뒤에서 좋은 통계 결과가 나와도 이 내용상의 판단을 대신해 주지는 못합니다.

2. modidoc에서 C4를 실행하기 전 준비

이 실습은 신규 척도 개발 프로젝트에서 C1–C3를 거쳐 C4에 도달한 상태를 기준으로 합니다. 기존 프로젝트가 있다면 두 요인과 각 요인에 속한 문항부터 확인하세요.

1. C1에서 개념을 구분합니다. 연구 수행 자신감과 지각된 연구 지원이 어떤 의미인지 정리합니다. AI가 제안한 요인이 이 예제와 다르면 요인의 정의부터 검토합니다.
2. C2에서 문항을 확인합니다. 위의 12문항을 참고해 요인별 문항을 편집합니다. 같은 수치와 대조하려면 두 요인에 각각 6문항이 속하고, 역채점 설정이 모두 꺼져 있어야 합니다. 문항 순서도 실습 파일과 맞춥니다.
3. C3에서 응답자가 문장을 어떻게 이해할지 살펴봅니다. 예를 들어 ‘도움을 받을 수 있다’가 실제로 도움을 받은 경험인지, 필요할 때 요청할 수 있다는 기대인지 확인할 필요가 있습니다. 인터뷰의 실제 수행 여부와 문항을 검토한 근거를 기록합니다. C3가 요구하는 절차와 프로젝트의 진행 상태를 확인한 뒤 C4를 엽니다.

처음 시작한다면 문항 설계 글과 인지 인터뷰 글을 함께 참고하세요. 이 글은 C1–C3의 작업을 모두 대신하는 안내서는 아닙니다.

‘기존 척도 검증’을 선택하면 C2–C4를 건너뛰고 C5로 이동하는 흐름이므로, 이번 예제의 진입 경로와 다릅니다. 검증되지 않은 예제 문항을 기존의 타당화된 척도로 등록하지 마세요.

3. ‘시뮬레이션 설정’에 어떤 값을 넣을까요?

C4의 ‘1. 시뮬레이션 설정’ 탭에서 아래 값을 확인합니다.

이제 시뮬레이션 실행을 누릅니다. N=300은 분석할 모의응답의 수입니다. 현재 C4는 적정 표본 크기나 검정력을 산정하는 기능을 제공하지 않으므로, 실제 조사에 필요한 표본 수는 연구 설계에 맞게 별도로 계획해야 합니다.

현재 기본 설정에서는 문항과 소속 요인의 관계를 .70, 요인 간 상관을 .30으로 가정해 자료를 생성합니다. 이 값은 문항 문장을 읽어 추정한 결과가 아니며, 현재 설정 화면에서 직접 바꾸는 항목도 아닙니다. 따라서 비교적 분명한 두 요인 구조가 나타나도록 만든 조건의 연습이라는 점을 기억하세요.

‘반복 횟수 500’은 현재 모의자료 풀을 생성하는 데 사용하는 설정값입니다. 그 풀에서 N행을 골라 한 번의 EFA를 실행하므로, 500회 독립 검증을 수행한 것으로 해석하지 않습니다.

왜도와 첨도를 0으로 설정해도, 최종적인 5점 응답 자료의 표본 왜도·첨도가 정확히 0이 되는 것은 아닙니다. 설정값과 생성된 자료에서 계산한 통계량을 구분하세요.

4. KMO와 Bartlett 검정부터 읽기

‘2. EFA / 신뢰도’ 탭에서 먼저 초기 점검 결과를 봅니다.

KMO는 문항 간 상관과 편상관의 관계를 요약하는 지표입니다. Bartlett 검정은 상관행렬이 단위행렬인지 검정합니다. 두 지표의 계산 정의는 factor_analyzer 문서에서도 확인할 수 있습니다.

여기까지 읽고 “두 요인이 확인되었다”고 쓰면 아직 이릅니다. 이 두 지표는 요인이 몇 개인지 답하지 않기 때문입니다. 다음으로 요인 수를 살펴봅니다.

화면에 Bartlett의 p값이 0.000처럼 표시되더라도 p=0이라고 보고하지 않습니다. 이번 결과는 표시 자릿수보다 작은 값이므로 p < .001로 씁니다.

5. 왜 두 요인인가요? 고유값과 평행 분석 비교하기

이제 도입에서 던진 첫 번째 판단 문제로 돌아갑니다. 고유값 1 초과 기준으로 정한 요인 수를 평행 분석도 지지할까요? 이번 예제에서는 다음 결과를 얻었습니다.

이번 자료에서는 두 기준이 같은 수를 제안했습니다. 평행 분석을 추가한다고 반드시 다른 답이 나오는 것은 아닙니다. 서로 다른 기준이 일치한다는 사실을 확인하고 기록하는 것도 분석의 근거가 됩니다.

평행 분석은 이 자료의 고유값을 무작위 자료에서 얻은 기준값과 비교합니다. 현재 C4는 같은 행·열 수의 정규 무작위 자료 100개에서 상관행렬의 고유값을 구하고, 그 평균을 비교 기준으로 사용합니다. 다른 프로그램에서 95백분위수나 다른 종류의 평행 분석을 선택하면 결과가 달라질 수 있습니다.

C4의 최종 제안에는 입력한 예상 요인 수도 반영됩니다. 따라서 ‘제안 요인 수 2’만 보고 프로그램이 처음부터 독립적으로 두 요인을 발견했다고 설명하지는 않습니다. 이번에는 고유값 기준과 평행 분석도 모두 2개를 제안했으므로, 두 요인 해를 읽어 보겠습니다.

다른 실습에서 이 결과들이 서로 다르면 문항 내용과 각 요인에 속한 문항 수를 함께 살펴봐야 합니다. 기대한 요인 수가 나올 때까지 문항을 삭제하는 식으로 접근하지 마세요.

6. 왜 Promax인가요? 요인적재량 표 읽기

연구 지원을 받는다는 인식과 연구 수행 자신감은 관련될 수 있습니다. 이 관계를 허용하며 문항 묶음을 살펴보기 위해 이번 예제에서는 Promax 회전을 사용합니다. Varimax는 요인을 직교하게 회전하고, Promax는 요인 간 상관을 허용합니다. Promax를 썼다는 사실만으로 실제 요인 간 상관이 크다고 결론 내리지는 않습니다.

이번 계산에는 최대우도법(ML)이 적용되었으며, 아래 값은 회전된 패턴 적재량입니다. 패턴 적재량을 문항과 요인의 단순 상관계수와 동일하게 읽지는 않습니다. 추정법과 회전 방식은 분석 라이브러리의 문서에 설명되어 있습니다.

1번을 먼저 보겠습니다. 요인 1에는 .719, 요인 2에는 −.006입니다. 이 해에서는 첫 번째 요인에 주로 연결되어 있습니다. 두 번째 요인에 아주 작은 음수가 나왔다는 이유만으로 역채점 오류라고 판단하지 않습니다.

이제 1–6번과 7–12번을 각각 읽어 봅니다. 전자는 자신의 연구 수행 능력을, 후자는 주변의 지원을 묻습니다. 이 예제에서는 그 내용에 따라 요인 1을 ‘연구 수행 자신감’, 요인 2를 ‘지각된 연구 지원’으로 해석할 수 있습니다. 다른 실행에서 요인 번호나 부호가 바뀌더라도 문항 묶음의 대응 관계를 먼저 확인하세요.

현재 C4는 한 문항의 최대 절대 적재량이 .50보다 작으면 낮은 적재량으로, 절대 적재량이 .30을 넘는 요인이 둘 이상이면 교차적재로 표시합니다. 이는 제품의 점검 규칙입니다. 모든 연구에서 그대로 적용해야 하는 삭제 기준은 아닙니다.

이번 결과에는 두 경고가 모두 없습니다. 주요 적재량은 .632–.719입니다. 따라서 이번 모의 결과의 적재량만으로 삭제를 제안할 문항은 없습니다. 앞에서 제기한 “정서적 격려와 문헌 확보 지원을 같은 개념으로 묶어도 되는가”라는 질문은 여전히 내용 검토가 필요합니다.

7. α가 .84라면 신뢰도 검토가 끝난 걸까요?

C4는 입력할 때 지정한 요인별 문항 묶음으로 신뢰도를 계산합니다. 이번에는 처음 정한 묶음과 EFA에서 읽은 묶음이 일치합니다. 자신의 결과에서 두 묶음이 다르다면, 화면의 α가 어떤 문항들로 계산되었는지 먼저 확인해야 합니다.

수정 문항–총점 상관은 해당 문항을 제외한 나머지 문항들의 합계와 그 문항이 얼마나 관련되는지 보여줍니다. 이번 예제에서는 어느 문항을 빼도 해당 묶음의 α가 높아지지 않았습니다.

그렇다고 α를 올리는 방향으로만 문항을 고르면 안 됩니다. 실제로 필요한 내용을 좁히거나 비슷한 문장을 반복해서 남길 수 있기 때문입니다. 이번 실습에서는 12문항을 유지하고, 실제 응답 자료에서 구조와 신뢰도를 다시 평가하는 것으로 기록합니다. 척도 개발에서 문항 구성, 차원성, 신뢰도와 타당도 평가는 구분되는 작업입니다(Boateng et al., 2018).

8. 종합 판정을 연구자의 다음 행동으로 옮기기

‘4. 종합 판정’ 탭의 결과는 다음 작업을 정하는 데 활용합니다. 이번 실행에서는 12문항을 유지하고 C5로 진행하는 판정이 나왔습니다.

연구 노트에는 “척도 검증 완료” 대신 다음과 같이 적을 수 있습니다.

두 요인·12문항의 가정 아래 생성한 모의자료에서 낮은 적재량과 교차적재 경고가 나타나지 않았다. 이번 결과만으로 문항을 삭제하지 않는다. 연구 지원 문항들이 하나의 개념을 충분히 대표하는지 내용 검토를 보완하고, 실제 응답을 수집한 뒤 요인 구조와 신뢰도를 다시 평가한다.

실제 응답을 얻으면 응답 코딩, 결측치, 문항별 분포를 먼저 확인합니다. 이번 C4 계산은 5점 응답에 Pearson 상관과 ML 추정을 적용한 예제입니다. 자신의 실제 자료가 서열형이고 분포가 치우쳤다면 자료와 가정에 맞는 범주형 분석 방법을 검토해야 합니다. 다분상관을 사용한다고 모든 문제가 해결되는 것도 아닙니다(Flora et al., 2012).

C4에서 C5로 이동할 수 있다는 사실과, 실제 자료에서 CFA를 수행할 준비가 되었다는 판단도 구분하세요. 실제 자료로 구조를 탐색하고 이를 확인하려는 경우에는 독립된 자료에서 검토하는 설계를 고려합니다(Boateng et al., 2018). 같은 자료에서 찾고 수정한 구조를 다시 적합시켰다면, 독립된 자료에서 확인한 결과처럼 보고할 수는 없습니다.

modidoc C5에는 조건부 표본 분할 과정이 있습니다. 현재 구현은 정제 후 응답 수가 200 이상이면 분할을 시도하고, 성공하면 나눈 자료 중 CFA용 표본으로 CFA를 수행합니다. 표본이 부족하거나 분할·교차검증 처리에서 예외가 발생하면 전체 자료를 사용합니다. 이 실행 조건은 모든 연구에서 200명이 충분하다는 권고가 아니며, 연구자는 실제 분할 여부와 각 분석의 표본 수를 확인해야 합니다. 또한 검증용 자료를 보면서 모형을 반복 수정했다면 그 과정도 밝혀야 합니다.

실제 응답을 확보한 뒤 이 과정을 이어가세요. CFA 결과를 먼저 읽어 보고 싶다면 CFI·TLI·RMSEA·SRMR 해석 글을 참고할 수 있습니다.

이제 분석 선택의 이유를 설명해 보세요

처음의 심사 질문으로 돌아가 보겠습니다. 이번 실습을 마쳤다면 다음처럼 답할 수 있습니다.

modidoc의 단계별 결과를 이처럼 자신의 연구 질문과 연결해 읽어 보세요. 계산값과 함께 판단의 이유를 남기면, 다음 조사에서 무엇을 확인할지 구체적으로 계획할 수 있습니다.

연구 방법에 기록한다면 이렇게 구분하세요

아래 문장은 이번 모의 실습의 기록 예시입니다. 실제 연구의 참여자나 결과를 보고하는 문장으로 복사해서 사용하지 마세요.

실제 응답 수집에 앞서 두 요인에 각각 6문항을 배정한 구조를 대상으로 모의자료 분석을 수행하였다. 자료 생성 시 문항적재량은 .70, 요인 간 상관은 .30으로 가정하였으며, 5점 응답으로 구성된 모의자료 300행을 분석하였다. 최대우도법과 promax 회전을 적용한 결과, 전체 KMO는 .878이었고 Bartlett 검정은 유의하였다(p < .001). 평행 분석은 두 요인을 제안하였다. 주요 패턴 적재량은 .632–.719였으며, 입력한 두 문항 묶음의 Cronbach α는 각각 .840과 .835였다. 이 결과는 설정한 조건에서 얻은 사전 점검 결과로, 실제 응답 자료를 통한 척도 평가를 대신하지 않는다.

실제 논문에서는 연구 목적에 따라 모의자료의 생성 방법과 소프트웨어 정보 등을 더 상세히 보고해야 합니다. 이 예제의 입력값, 시드와 실행 환경은 재현 정보 파일(JSON)에 기록했습니다.

이어서 실습하기: 같은 자료에 Varimax를 적용하면?

같은 12문항·300행 자료에서 회전법만 바꿔 계산했습니다. 두 방법 모두 문항 묶음과 삭제 판단은 같았습니다. 달라진 것은 요인 사이의 관계를 표현하고 적재량을 해석하는 방식이었습니다.

Varimax와 Promax 비교 실습에서 두 결과표를 나란히 읽어 보세요. 1번 문항을 통해 패턴행렬과 구조행렬의 차이도 확인할 수 있습니다. 현재 C4 화면에서는 회전법을 직접 바꾸지 않으므로, 후속 글은 같은 자료를 별도의 분석 환경에서 계산해 C4의 결과와 대조했습니다.

자주 묻는 질문

문항을 고쳤는데 C4 결과가 그대로인 이유는 무엇인가요?

현재 C4의 자료 생성은 입력한 요인 구조와 수치 가정에 따릅니다. 문장의 의미를 분석해 문항 간 관계를 추정하지 않습니다. 이번 예제에서도 문항 수, 순서, 소속 요인과 설정을 유지한 채 문장만 바꾸면 같은 모의자료가 만들어졌습니다. 문항 표현을 고친 효과는 내용 검토, 인지 인터뷰와 실제 응답 자료로 확인해야 합니다.

반복 횟수를 500에서 1,000으로 올리면 더 확실한 결과가 되나요?

이번 설정에서는 같은 결과가 나왔습니다. 현재 구현은 모의자료 풀의 크기에 상한이 있고 같은 난수 시드를 사용하므로, 두 설정이 동일한 자료로 이어졌습니다. 반복 횟수를 높였다는 이유로 검증의 확실성이 높아졌다고 해석하지 마세요.

내 화면의 수치가 이 글과 조금 다르면 무엇을 확인하나요?

먼저 문항 수와 순서, 요인별 배정, 역채점 여부, N과 분포 설정을 확인하세요. 이 글은 2026년 10월 4일 확인한 분석 코드와 로컬 실행 환경을 기준으로 작성했습니다. 소프트웨어 환경이나 구현이 달라지면 수치가 달라질 수 있습니다. 수치를 맞추려고 문항 내용을 바꾸기보다 입력 조건과 결과의 구조를 비교하세요.

내려받은 모의자료로 실제 EFA를 연습해도 되나요?

가능합니다. 다만 가정한 두 요인 구조를 반영해 만든 교육용 자료라는 점을 밝혀야 합니다. 실습 파일의 결과는 저장된 계산 결과이므로 셀을 수정해도 EFA가 자동으로 다시 계산되지는 않습니다. 실제 연구의 결과나 표본 수 결정의 근거로 사용하지 마세요.

참고문헌

Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, Article 149. 원문

Flora, D. B., LaBrish, C., & Chalmers, R. P. (2012). Old and new ideas for data screening and assumption testing for exploratory and confirmatory factor analysis. Frontiers in Psychology, 3, Article 55. 원문

Lloret, S., Ferreres, A., Hernández, A., & Tomás, I. (2017). The exploratory factor analysis of items: Guided analysis based on empirical data and software. Anales de Psicología, 33(2), 417–432. 원문

분석 구현: factor_analyzer 공식 문서. 예제 수치는 modidoc C4 분석 코드의 로컬 실행 결과이며, 내려받기 파일에 버전과 입력 조건을 함께 제공했습니다.