설문조사를 마치고 수집한 데이터를 분석하다 보면
요인분석을 진행해야 하는 경우가 있습니다.
특히 여러 문항으로 구성된 척도를 사용하거나,
새로운 측정도구를 개발하는 연구에서는
요인분석이 중요한 과정이 될 수 있습니다.
이때 자주 등장하는 방법이
탐색적 요인분석(EFA)과
확인적 요인분석(CFA)입니다.
그런데 두 분석을 진행하려다 보면
한 가지 고민이 생깁니다.
“탐색적 요인분석을 한 데이터로 확인적 요인분석까지 해도 될까?”
“이미 요인구조를 확인했는데 굳이 다른 데이터가 필요할까?”
“표본이 충분하지 않다면 어떻게 해야 할까?”
실제로 EFA와 CFA는 모두
측정변수와 잠재요인 사이의 관계를
분석한다는 공통점이 있지만,
분석의 목적과 접근 방식에는
중요한 차이가 있습니다.
핵심은 두 분석을 모두 실시했느냐가 아니라, 요인구조를 발견하는 과정과 그 구조를 독립적으로 검증하는 과정이 구분되었느냐입니다.
1️⃣ EFA와 CFA는 분석 목적부터 다릅니다
탐색적 요인분석(EFA, Exploratory Factor Analysis)은
여러 측정문항 사이에
어떤 잠재적인 요인구조가 존재하는지
탐색하는 분석 방법입니다.
예를 들어 대학생의 학업스트레스를
측정하기 위해 15개 문항을 구성했다고
가정해보겠습니다.
연구자는 이 문항들이
몇 개의 요인으로 구분되는지,
어떤 문항들이 같은 요인에 속하는지
확인하고 싶을 수 있습니다.
이때 EFA를 활용하면
문항 간 상관관계를 바탕으로
잠재적인 요인구조를 탐색할 수 있습니다.
반면 확인적 요인분석(CFA, Confirmatory Factor Analysis)은
연구자가 사전에 설정한 요인구조가
실제 데이터에 얼마나 적합한지
검토하는 분석 방법입니다.
예를 들어 학업스트레스가
학업 부담, 성적 불안, 진로 스트레스라는
세 가지 요인으로 구성된다고 가정했다면,
CFA를 통해 해당 측정모형이
자료에 적합한지 평가할 수 있습니다.
📊 탐색적 요인분석(EFA)
데이터를 바탕으로 잠재적인 요인구조를 탐색하는 방법
📊 확인적 요인분석(CFA)
사전에 설정한 측정모형이 데이터에 적합한지 검토하는 방법
📌 EFA는 요인구조를 발견하는 데, CFA는 설정한 요인구조를 검토하는 데 초점을 둡니다.
2️⃣ 같은 데이터로 두 분석을 하면 무엇이 문제일까요?
EFA와 CFA를 동일한 데이터로
실시하는 것이 기술적으로 불가능한 것은 아닙니다.
실제로 같은 자료에서
두 분석을 모두 수행할 수 있습니다.
하지만 결과를 해석할 때는
주의가 필요합니다.
예를 들어 연구자가 300명의 설문 데이터를 수집한 뒤
EFA를 실시했다고 해보겠습니다.
분석 결과 15개 문항이
세 가지 요인으로 구분되었고,
일부 문항은 요인적재량이 낮아
제외했다고 가정하겠습니다.
이후 동일한 300명의 데이터를 이용해
CFA를 실시한다면 어떨까요?
CFA에서 좋은 모형 적합도가
나타날 수도 있습니다.
하지만 해당 요인구조는 이미
같은 데이터의 특성을 참고해
설정하거나 수정한 결과입니다.
따라서 CFA 결과가 좋더라도
새로운 데이터에서도 동일한 구조가
나타날 것이라고 확신하기는 어렵습니다.
특히 EFA 결과에 맞춰
문항을 반복적으로 삭제하거나
요인구조를 수정했다면
특정 표본의 특성에 지나치게 맞춰진
모형이 만들어질 가능성도 있습니다.
이를 과적합(Overfitting)의
문제와 연결해 생각할 수 있습니다.
👉 동일한 데이터에서 EFA와 CFA를 실시할 수는 있지만, 이를 독립적인 자료를 통한 요인구조 검증과 동일하게 해석해서는 안 됩니다.
3️⃣ 교차검증은 왜 필요할까요?
이러한 문제를 줄이기 위해
검토할 수 있는 방법이
교차검증(Cross-validation)입니다.
요인분석에서 교차검증은
한 자료에서 탐색하거나 설정한 요인구조가
다른 자료에서도 적절하게 나타나는지
확인하는 과정으로 이해할 수 있습니다.
예를 들어 총 400명의 응답 데이터를
수집했다고 가정해보겠습니다.
연구자는 데이터를 무작위로 나누어
각각 200명씩 두 집단을 구성할 수 있습니다.
📊 첫 번째 집단: EFA 실시
문항 간 관계를 탐색하고
적절한 요인 수와 문항 구성을 검토합니다.
📊 두 번째 집단: CFA 실시
첫 번째 집단에서 도출한 요인구조가
별도의 데이터에서도 적합한지 확인합니다.
이렇게 하면 동일한 응답을
탐색과 검증에 반복적으로 사용하는 문제를
일부 줄일 수 있습니다.
다만 데이터를 나누었다고 해서
모든 문제가 해결되는 것은 아닙니다.
각 집단의 표본 크기가
분석에 충분한지 확인해야 하며,
문항 수와 요인 수,
요인적재량, 추정 방법 등도
함께 고려해야 합니다.
또한 무작위로 분할한 두 집단은
서로 다른 응답자로 구성되더라도
동일한 모집 과정에서 확보된 자료입니다.
따라서 완전히 새로운 표본을 통한
외부 검증과는 구분할 필요가 있습니다.
📌 교차검증의 목적은 단순히 데이터를 나누는 것이 아니라, 탐색한 요인구조가 다른 응답자에게도 적용될 수 있는지 확인하는 것입니다.
4️⃣ 표본이 부족하다면 반드시 데이터를 나눠야 할까요?
현실적으로 대학원 논문에서는
충분한 표본을 확보하기 어려운 경우가 많습니다.
예를 들어 180명의 응답자를 모집했는데
EFA와 CFA를 위해
각각 90명씩 나누는 상황을 생각해보겠습니다.
이 경우 데이터의 독립성은 확보할 수 있지만,
각 분석에 사용되는 표본 크기가
부족해질 가능성이 있습니다.
특히 측정문항이 많거나
요인구조가 복잡하다면
추정 결과가 불안정해질 수도 있습니다.
따라서 EFA와 CFA를 위해
무조건 데이터를 절반으로 나누는 것이
항상 좋은 선택은 아닙니다.
표본 크기뿐 아니라
문항 수, 요인 수, 공통성,
요인별 문항 수와 추정 방법 등을
함께 검토해야 합니다.
또한 이미 충분한 이론적 근거와
선행연구를 통해 검증된 척도를
사용하는 경우라면
반드시 EFA부터 실시해야 하는 것도 아닙니다.
연구목적과 척도의 특성에 따라
CFA를 중심으로 측정모형을
검토할 수 있습니다.
반대로 새로운 척도를 개발하는 연구라면
EFA를 통해 구조를 탐색하고
가능한 경우 별도의 표본에서
CFA를 실시하는 접근이 권장됩니다.
만약 표본의 제약으로
동일한 데이터에서 두 분석을 실시했다면
그 사실을 명확하게 보고하고,
독립적인 검증이 이루어지지 않았다는 점을
연구의 한계로 제시할 필요가 있습니다.
👉 중요한 것은 EFA와 CFA를 모두 실시하는 형식을 맞추는 것이 아니라, 연구목적과 표본의 특성에 적합한 분석 전략을 선택하는 것입니다.
5️⃣ CFA 적합도가 좋으면 요인구조가 검증된 것일까요?
CFA를 실시한 뒤
모형 적합도 지수가 양호하게 나타나면
요인구조가 검증되었다고
생각하기 쉽습니다.
하지만 모형 적합도가 좋다는 사실만으로
측정도구의 타당성이
완전히 확보되었다고 볼 수는 없습니다.
CFA에서는 일반적으로
CFI, TLI, RMSEA, SRMR 등의
모형 적합도 지수를 검토합니다.
이러한 지표는
설정한 측정모형이 데이터와
얼마나 적합한지 판단하는 데
도움을 줍니다.
그러나 적합도 지수만으로
모든 측정 문제를 판단할 수는 없습니다.
예를 들어 일부 문항의 요인적재량이 낮거나,
서로 다른 요인이 지나치게 높은 상관을 보인다면
추가적인 검토가 필요할 수 있습니다.
또한 모형 적합도를 높이기 위해
수정지수(Modification Index)만 참고하면서
오차항 사이에 상관을 추가하거나
문항을 반복적으로 삭제하는 것은
주의해야 합니다.
이론적 근거 없이
데이터에 맞춰 모형을 계속 수정하면
특정 표본에만 잘 맞는
모형이 만들어질 수 있기 때문입니다.
따라서 CFA 결과를 해석할 때는
모형 적합도뿐 아니라
요인적재량과 구성개념의 타당성,
이론적 근거를 함께 검토하는 것이 좋습니다.
📌 CFA의 목적은 좋은 적합도 수치를 만드는 것이 아니라, 이론적으로 설정한 측정모형이 실제 자료에서도 타당하게 작동하는지 평가하는 것입니다.
🔥 핵심 정리
탐색적 요인분석과 확인적 요인분석은
모두 측정도구의 요인구조를
검토하는 데 활용되지만,
분석 목적에는 차이가 있습니다.
EFA는 잠재적인 요인구조를 탐색하고,
CFA는 사전에 설정한 측정모형을
평가하는 방법입니다.
동일한 데이터에서
두 분석을 모두 실시할 수는 있지만,
이를 독립적인 검증으로
해석하는 데는 한계가 있습니다.
특히 EFA 결과를 바탕으로
요인구조를 수정한 뒤
같은 데이터에서 CFA를 실시했다면
특정 표본에 과도하게 맞춰진
모형일 가능성을 고려해야 합니다.
가능하다면 별도의 표본을 활용해
요인구조를 검토하는 것이 좋지만,
표본 크기와 연구목적에 따라
적절한 분석 전략을 선택해야 합니다.
👉 EFA와 CFA를 모두 실시했다는 사실보다 중요한 것은 요인구조를 어떻게 탐색했고, 그 구조를 어떤 자료와 근거로 검토했는지 명확하게 설명하는 것입니다.
📌 이렇게 보면 됩니다
✔ EFA와 CFA의 분석 목적 구분하기
✔ 새로운 척도인지 기존 척도인지 먼저 확인하기
✔ 동일한 데이터로 두 분석을 실시할 때의 한계 이해하기
✔ 표본 크기가 충분하다면 별도의 자료를 활용한 교차검증 검토하기
✔ CFA 적합도뿐 아니라 이론적 근거와 측정 타당성 함께 확인하기
👀 많이 틀리는 포인트
EFA와 CFA를 모두 실시하면 무조건 타당성이 확보된다고 생각하기 ❌
동일한 데이터에서 EFA와 CFA를 실시한 결과를 독립적인 검증으로 해석하기 ❌
표본 크기와 모형의 복잡성을 고려하지 않고 데이터를 무조건 절반으로 나누기 ❌
CFA 적합도를 높이기 위해 이론적 근거 없이 문항과 모형을 반복적으로 수정하기 ❌
👉 EFA와 CFA는 서로 다른 목적을 가진 분석 방법이며, 연구 상황에 따라 적절하게 활용해야 합니다.
특히 같은 데이터에서 요인구조를 탐색하고 확인했다면, 그 결과가 독립적인 표본에서도 재현될 수 있는지는 별도로 검토할 필요가 있습니다.
결국 중요한 것은 두 분석을 모두 실시했느냐가 아니라, 요인구조의 탐색과 검증을 얼마나 타당하고 투명한 절차로 진행했느냐입니다.
