PCA vs EFA 심화 포함 | pp.335–336 이론 시각화·4컷 만화·기출풀이

01이론 · 두 분석의 공통 출발점

변수 5개를 왜 적은 수의 변수로 바꿀까?

서로 비슷하게 움직이는 정보가 많으면 핵심 구조를 한눈에 보기 어렵기 때문입니다.

01. 요인분석의 정의: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 01. 요인분석의 정의**그림을 누르면 크게 볼 수 있습니다.

그림은 직관적 예시입니다. 두 방법이 똑같은 값을 계산한다는 뜻은 아닙니다.

PCA · 주성분분석

전체 분산을 최대한 보존하면서 관측변수의 선형결합으로 압축

FA · 요인분석

여러 관측변수의 상관을 설명하는 공통 잠재요인을 추정

공통점: 둘 다 차원 축소에 활용되지만, 왜 축소하는지는 다르다.

🎨 핵심 원리 4컷 만화 · 01장

1문항이 너무 많아

변수 수가 많으면 전체 패턴을 읽기 어렵습니다.

2비슷한 움직임

관측변수들의 연관성에 정보 중복이 있을 수 있습니다.

3정보를 줄이자

차원축소는 소수의 새로운 축이나 요인을 찾습니다.

4목적을 먼저 정해

분산 보존은 PCA, 공통 잠재구조 탐색은 FA입니다.

4컷에서 기억할 원리 · 분석 목적이 먼저입니다. 변수 수를 줄이는 일 자체보다, 무엇을 보존·설명할지가 중요합니다.

이해 점검 01기본 개념

두 분석이 공유하는 목적은?

왼쪽 그림을 본 뒤 가장 적절한 답을 선택하세요.

PCA와 FA의 공통점으로 가장 적절한 것은?

②가 정답입니다. PCA는 관측변수의 전체 변동을 보존하는 데, FA는 관측변수 간 공통성을 설명하는 데 초점이 있습니다.

①은 두 분석 모두 일반적으로 종속변수를 사용하지 않는 비지도 기법이라는 점에서 틀립니다.

강의 때 이렇게 설명하세요

“학생 30명의 여행 만족도 설문 20문항을 한 문장으로 줄이고 싶다고 해봅시다. PCA는 정보 손실을 적게 하면서 줄이고, FA는 답변 뒤에 숨어 있는 공통 개념을 찾아냅니다.”

02이론 · 데이터 생성 관점

PCA는 합성, FA는 잠재요인 추정

화살표 방향을 보면 두 방법의 질문이 달라진다는 점이 선명해집니다.

02. 두 분석의 공통점: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 02. 두 분석의 공통점**그림을 누르면 크게 볼 수 있습니다.

① PCA (Principal Component Analysis)

PC1 = w₁X₁ + w₂X₂ + …

가능한 한 많은 전체 분산을 PC1이 설명하도록 계수를 정합니다.

② FA (Factor Analysis)

Xᵢ = λᵢ₁F₁ + λᵢ₂F₂ + εᵢ

각 문항이 여러 공통요인과 고유요인(오차 포함)으로 설명된다고 가정합니다.

핵심 차이: PCA는 관측변수의 분산 전체를 요약합니다. 공통요인분석은 여러 변수에 공유되는 공분산 구조를 설명합니다. 따라서 계산 결과와 해석이 다를 수 있습니다.

🎨 핵심 원리 4컷 만화 · 02장

1자료가 한가득

PCA와 FA 모두 여러 변수의 구조를 다룹니다.

2PCA의 생각

PCA는 관측변수의 선형결합으로 새 축을 만듭니다.

3FA의 생각

FA는 공통된 변동을 설명하는 잠재요인을 추정합니다.

4같지만 다르다

전체 분산(PCA)과 공통분산(FA)을 구분합니다.

4컷에서 기억할 원리 · PCA는 전체 분산의 압축이고, FA는 관측변수 사이 공통 구조를 설명합니다.

이해 점검 02핵심 구분

어떤 방법을 선택해야 할까?

관광객 만족도 문항 15개 뒤에 있는 ‘서비스 품질’, ‘시설 편의성’ 등의 잠재구조를 탐색하려 한다. 목적에 더 직접적인 방법은?

③이 정답입니다. 설문문항 뒤의 공통 잠재구성개념을 찾는 목적에는 탐색적 요인분석이 직접적입니다.

PCA도 문항을 줄일 수 있지만, PCA로 구한 성분을 곧바로 심리적 잠재구성개념과 동일하게 해석하면 주의가 필요합니다.

오답이 흔히 생기는 이유

통계 프로그램에서 PCA와 요인분석이 비슷한 화면에 나오거나, 일부 교재에서 “요인 추출법: 주성분”을 함께 다루기 때문입니다. 분산의 압축과 공통요인의 모델링은 구별하세요.

03이론 · 원문 오개념 교정

PCA는 원래 목표변수 Y를 보지 않는다

원문 “목표 변수를 잘 예측하기 위하여 PCA를 사용한다”는 표현은 일반적인 PCA의 목적을 정확히 설명하지 못합니다.

06. 분석 방법의 의미: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 06. 분석 방법의 의미**그림을 누르면 크게 볼 수 있습니다.

위: 비지도 차원축소 / 아래: PCA 이후에 연결할 수 있는 지도학습 단계

STEP 1 X 변수만 수집

STEP 2 PCA로 축소

STEP 3 필요하면 Y 예측에 활용

시험에서 틀리기 쉬운 표현: “표준 PCA는 Y를 가장 잘 예측하도록 PC1을 만든다” → 틀림. 표준 PCA는 Y가 아니라 X의 분산을 최대화합니다. Y를 반영하는 차원축소는 PLS 등 별도 방법을 고려합니다.

🎨 핵심 원리 4컷 만화 · 03장

1X 자료를 모아

표준 PCA는 설명변수 X의 구조부터 살펴봅니다.

2PCA를 계산해

PC1은 X의 분산이 최대인 축입니다.

3Y는 계산 밖

일반 PCA의 주성분 계산에는 목표변수 Y를 쓰지 않습니다.

4예측은 그다음

예측의 정확도는 별도의 검증으로 평가해야 합니다.

4컷에서 기억할 원리 · 일반 PCA 자체는 비지도학습입니다. 예측에 유리한지 여부는 별도로 확인해야 합니다.

이해 점검 03오개념 교정

PCA를 먼저 하면 예측이 무조건 좋아질까?

일반적인 주성분분석에 관한 설명 중 옳지 않은 것은?

④가 옳지 않습니다. 표준 PCA는 비지도 학습이므로 종속변수 Y를 직접 고려하지 않습니다.

예측에 활용할 수 있다는 사실(③)과 예측을 최적화하도록 주성분을 구성한다는 설명(④)은 다른 말입니다.

한 줄 암기

“PCA는 X의 분산, 예측모형은 Y와의 관계.” 이 둘을 구별하면 해당 유형의 함정문제를 피할 수 있습니다.

04이론 · 교재의 네 가지 구분 보완

개수 · 명칭 · 중요도 · 상관관계

03. 생성 변수의 수: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 03. 생성 변수의 수 외**그림을 누르면 크게 볼 수 있습니다.

04. 생성 변수의 이름: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 03. 생성 변수의 수 외**그림을 누르면 크게 볼 수 있습니다.

비교 기준	PCA	FA
산출물	주성분(성분점수)	잠재요인(요인점수 추정 가능)
개수	변수 수·행렬의 계수 범위 내 선택	자료·모형에 따라 선택
명칭	PC1, PC2… / 해석명 가능	요인1, 2… / 해석명 부여
중요도	설명 분산 기준으로 순서 부여	요인 구조와 설명력을 해석
관계	주성분끼리 직교·무상관	회전법에 따라 무상관 또는 상관 허용

중요 교정 ① “PCA는 3개 정도만 만들고 4개 이상은 못 만든다” → 아님. 5변수라면 최대 5개의 주성분을 계산할 수 있습니다(자료의 계수 범위 내). 실제로 몇 개를 유지할지 선택하는 문제입니다.
중요 교정 ② “요인은 언제나 서로 무관하다” → 아님. 사각회전(oblique rotation)은 요인 간 상관을 허용합니다.

🎨 핵심 원리 4컷 만화 · 04장

1PC1이 첫 번째

PCA에서는 PC1→PC2 순으로 설명분산이 작아집니다.

2PC2는 다음

표준 PCA의 서로 다른 주성분 점수는 비상관입니다.

3FA에 이름 붙여

요인은 적재량과 이론을 바탕으로 해석·명명합니다.

4요인은 관련 가능

직교회전은 무상관, 사각회전은 상관을 허용합니다.

4컷에서 기억할 원리 · PCA의 주성분은 설명분산 순서가 있지만, FA의 요인은 직교·사각 회전에 따라 서로 상관할 수 있습니다.

이해 점검 04교재 오류 구분

주성분을 4개 이상 만들 수 있을까?

5개 관측변수를 분석한 PCA 결과에 대한 설명으로 가장 타당한 것은?

②가 정답입니다. PCA에서 추출 가능한 최대 개수와 최종 보유 개수를 구분해야 합니다.

③은 직교회전에서는 가능하지만 모든 요인분석의 필수 조건이 아닙니다. ④는 반대로 연구자가 문항 의미를 참고해 요인을 명명하는 것이 흔합니다.

정확한 표현으로 기억하세요

PCA의 서로 다른 주성분은 직교하며 표본에서 무상관입니다. 하지만 독립(independence)은 일반적으로 더 강한 개념이므로 두 용어를 무조건 같게 보면 안 됩니다.

05신규 심화 · 주성분분석(PCA) vs 탐색적 요인분석(EFA)

같은 설문 데이터, 전혀 다른 분석 질문

PCA(Principal Component Analysis)는 관측정보를 요약하고, EFA(Exploratory Factor Analysis)는 관측변수들의 상관을 설명하는 잠재구조를 탐색합니다. EFA는 요인분석(FA)의 탐색적 접근입니다.

🔵 PCA: 정보 압축

“여러 지표의 전체 변동을 가능한 한 적은 축에 담으려면?”

PC1 = w₁X₁ + w₂X₂ + ···

🟢 EFA: 잠재요인 탐색

“서로 관련된 문항들 뒤에 공통 잠재개념이 있을까?”

Xᵢ = λᵢ₁F₁ + ··· + εᵢ

① PCA: X → PC (가중합)

② EFA: F → X (잠재모형)

📊 분산의 관점을 바꿔보세요 · 설명용 가상 예시

공통 60%

고유 25%

오차 15%

PCA는 관측변수의 전체 변동을 이용합니다. 공통부분, 고유부분, 측정오차를 별도 모형으로 분해하지 않습니다.

※ 60·25·15%는 이해를 위한 임의의 수치이며 실제 분석결과가 아닙니다. EFA의 고유분산(uniqueness)은 통상 고유요인과 오차 부분을 함께 포함합니다.

🎨 신설 섹션 · 핵심 원리 4컷 만화

1

문항이 많네!

관광 만족도 문항이 12개라서 구조를 한눈에 보기 어려워요.

2

PCA라면 압축!

관측된 문항의 전체 변동을 잘 보존하도록 PC1·PC2를 계산해요.

3

EFA라면 공통 원인!

문항들이 함께 움직이는 이유를 ‘잠재요인’으로 설명해요.

4

연구목적에 맞게!

지표 요약이면 PCA, 척도의 잠재구조 탐색이면 EFA를 선택해요.

한 문장 암기: PCA = 전체 분산을 요약하는 가중합 / EFA = 관측변수의 공통분산을 잠재요인으로 설명.

신규 심화 05PCA ↔ EFA 차이

PCA와 EFA 비교표

항목	PCA	EFA
질문	자료를 얼마나 손실 적게 압축할까?	여러 문항이 공유하는 잠재요인은?
분산	관측변수의 전체 분산을 활용	공통분산을 요인으로 설명하고 고유분산 구분
산출물	PC1, PC2 등 주성분	의미를 붙일 수 있는 요인 (요인점수 추정 가능)
모형	관측변수의 선형결합	관측변수 = 공통요인 + 고유부분
회전	기본 PC는 직교, 필요 시 회전한 성분 해석도 가능	해석 목적의 직교·사각회전 활용
해석 초점	설명분산·고윳값·누적기여율	요인적재량·공통성·요인구조·적합도
관광 사례	방문량·숙박 수·접근성 등 10개 객관 지표 압축	서비스품질 12문항의 잠재차원 탐색

SPSS를 사용할 때: ‘요인분석’ 메뉴의 추출법에서 주성분분석(Principal Components)을 선택했다고 해서 자동으로 EFA의 공통요인 모형을 추정한 것은 아닙니다. EFA 목적이라면 주축요인법(PAF), 최대우도법(ML) 등 적절한 공통요인 추출법을 고려하세요.

응용문제 05-A핵심 차이

다음 중 PCA와 EFA의 차이를 가장 정확히 설명한 것은?

③ 정답: PCA는 선형결합으로 분산을 보존하는 축을 구성합니다. EFA는 공통요인 모형을 통해 변수 간 공유되는 변동을 설명합니다.

① 오답: 두 분석의 분산 해석이 거꾸로 되어 있습니다.

② 오답: 주성분 개수는 자료의 변수 수와 행렬의 계수 및 분석 목표에 따릅니다.

④ 오답: EFA의 사각회전은 요인들 간 상관을 허용합니다.

응용문제 05-B연구방법 선택

관광객 400명의 ‘장소애착’ 설문 12문항에서 잠재차원의 개수와 구성을 처음 탐색하려고 한다. 가장 목적에 부합하는 분석은?

② 정답: 잠재개념의 구조 탐색이므로 공통요인 추출에 기반한 EFA가 분석 목적에 맞습니다. 평행분석 등의 요인 수 판단, 회전 방식, 적재량 및 공통성, 이론적 해석을 함께 살펴야 합니다.

① 오답: PCA는 압축을 우선하며 두 개 추출의 근거가 없습니다.

③ 오답: 단순 평균은 요인구조 검증을 대신하지 않습니다.

④ 오답: 고윳값만으로 척도 타당도를 확정할 수 없으며, 추가적인 측정 검토가 필요합니다.

📚 논문 작성 시 체크할 점

① 탐색 목적과 변수 종류를 명시하고, ② 추출법(PAF·ML 등), ③ 요인 수 판단 근거(평행분석·Scree Plot 등), ④ 회전법(직교/사각), ⑤ 적재량·공통성 및 요인 간 상관, ⑥ 신뢰도·후속 타당도 검토를 구분하여 보고하세요.

추가 주의: EFA는 ‘확정적 검증(CFA)’과 다르며, PCA에 고윳값이 있다고 해서 자동으로 잠재변수를 밝혀 주는 것은 아닙니다.

06이론 · 시험 핵심 개념

고윳값(Eigenvalue)은 설명하는 분산의 크기

07. 고윳값과 기여율: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 07. 고윳값과 기여율**그림을 누르면 크게 볼 수 있습니다.

설명분산비율(기여율) = λ_k / Σλ_j

고윳값 λ해당 주성분이 설명하는 분산량

기여율그 분산량이 전체 분산 중 차지하는 비중

정규화(표준화)된 5개 변수의 상관행렬을 사용한 PCA에서는 고윳값 합이 5입니다. 원변수 공분산행렬로 PCA를 수행하면 합은 전체 변수의 분산 합이므로 꼭 5는 아닙니다.

🎨 핵심 원리 4컷 만화 · 06장

1전체 변동은 100%

총 고윳값 합은 전체 분산량입니다.

2PC1은 55.23%

PC1의 기여율은 0.5523입니다.

3PC2는 32.11%

PC2의 기여율은 0.3211입니다.

4합치면 87.34%

첫 두 주성분이 총 분산의 87.34%를 설명합니다.

4컷에서 기억할 원리 · 고윳값은 주성분의 분산량, 기여율은 고윳값을 총합으로 나눈 비율입니다.

07교재 p.336 · 주성분 선택법 ①

누적기여율을 직접 바꿔서 주성분 선택

교재 R 출력값을 그대로 옮겨 사용합니다. 선택 기준 85%는 예시적 기준이며 모든 분야에서 고정된 규칙은 아닙니다.

지표	PC1	PC2	PC3	PC4	PC5
표준편차	1.6618	1.2671	0.7420	0.25311	0.13512
기여율	0.5523	0.3211	0.1101	0.01281	0.00365
누적기여율	0.5523	0.8734	0.9835	0.99635	1.00000

유지할 최소 누적기여율 85%

선택 기준을 움직이면 필요한 주성분 개수가 바뀝니다.

85% 이상을 처음 충족하는 값: PC2까지 → 2개 선택 (87.34%).

🎨 핵심 원리 4컷 만화 · 07장

1기준을 설정

85%는 이 교재에서 사용하는 선택 기준입니다.

2PC1 하나라면

첫 번째 주성분만으로는 85%를 충족하지 못합니다.

3PC2까지 포함

두 주성분을 유지하면 설정 기준을 넘습니다.

4최소 2개 선택

누적기여율만이 아니라 해석가능성도 확인합니다.

4컷에서 기억할 원리 · 누적기여율 85%는 하나의 선택 기준일 뿐, 모든 연구에 적용되는 필수 규칙은 아닙니다.

08교재 p.336 · 주성분 선택법 ②

Scree Plot에서 꺾이는 지점 찾기

고윳값이 급격히 내려가다가 감소가 완만해지는 지점(Elbow, 팔꿈치)을 참고합니다.

08. Scree Plot: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 08. Scree Plot**그림을 누르면 크게 볼 수 있습니다.

제공된 표준편차 값을 제곱해 얻은 고윳값으로 만든 그림입니다.

PC2까지 선택: 누적기여율 87.34%. 급격한 감소 이후의 완만한 구간을 확인해 보세요.

주의: Scree Plot의 팔꿈치 판단은 다소 주관적입니다. 이 자료에서는 2개를 합리적 후보로 볼 수 있지만, 목적에 따라 3개도 검토할 수 있습니다. 누적기여율, 고윳값, 병렬분석(parallel analysis) 및 해석 가능성을 함께 살펴보세요.

🎨 핵심 원리 4컷 만화 · 08장

1처음에는 급감

처음의 급격한 하락은 정보가 큰 축에 집중됨을 뜻합니다.

2뒤에는 완만

뒤의 축들은 추가하는 분산 설명량이 작습니다.

3꺾이는 곳 확인

Scree Plot의 팔꿈치 지점을 참고합니다.

4다른 기준도 확인

스크리 검토와 누적기여율·해석가능성을 함께 판단합니다.

4컷에서 기억할 원리 · Scree Plot에서 꺾임은 판단에 도움이 되지만, 그래프 해석은 다소 주관적입니다.

이해 점검 08Scree Plot 해석

그림만 보고 무조건 2개일까?

Scree Plot을 해석할 때 가장 타당한 설명은?

③이 정답입니다. Scree Plot은 고윳값이 급격한 감소 → 완만한 감소로 달라지는 지점을 확인하는 보조 기준입니다.

모양이 애매할 때는 누적기여율뿐 아니라 분석 목적과 해석 가능성 등도 함께 살핍니다.

그림 읽는 순서

① 가로축은 PC1→PC5 순서
② 세로축은 각 PC의 고윳값
③ 꺾임 후보 확인
④ 누적기여율 등으로 교차 확인

09교재 p.336 · 30회 기출 64번

주성분의 중요도: 고윳값이 기본 기준

09. 30회 기출 64번: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 09. 30회 기출 64번**그림을 누르면 크게 볼 수 있습니다.

① 고윳값

정답. 각 주성분의 분산량이므로 중요도·기여율 판단의 표준 기준

② 평균값

주성분점수의 평균은 중심화된 데이터에서 보통 0. 중요도 판단 지표 아님

③ 원변수 표준편차

원래 개별 변수의 산포를 뜻함. 각 주성분의 중요도와는 구분

④ 특이값

고윳값과 수학적으로 연관됨. 다만 교재가 묻는 대표·직접 기준은 고윳값

정밀 해설: 특이값(singular value)은 PCA와 무관한 값이 아닙니다. 중심화 데이터 행렬 X의 특이값 s와 공분산행렬 고윳값 λ는 표본 공분산 정의에 따라 λ = s²/(n−1) 관계입니다. 따라서 ④가 ‘관련이 없다’는 주장은 정확하지 않지만, 가장 적절한 답은 ①입니다.

🎨 핵심 원리 4컷 만화 · 09장

164번 문제 등장

기출 핵심은 각 주성분의 설명분산 크기입니다.

2고윳값 비교

고윳값 λ는 해당 주성분의 분산입니다.

3기여율로 바꿔

고윳값은 분산량, 기여율은 그 분산의 상대적 비율입니다.

4정답은 ①

특이값은 수학적으로 연관되지만 출제 의도는 고윳값입니다.

4컷에서 기억할 원리 · 64번 정답은 ① 고윳값입니다. 특이값과 고윳값 사이에는 제곱 관계가 있어 완전히 무관한 값은 아닙니다.

30회 기출 · 64번교재 정답 ①

기출문제 원형

64. 다음 중 주성분분석(PCA)에서 각 주성분의 중요도를 판단하는 기준으로 가장 적절한 것은?

정답: ① 고윳값(Eigenvalue)

1단계: PCA의 목표는 데이터 변동을 많은 순서대로 담는 새로운 축을 만드는 것입니다.

2단계: 각 축이 담는 분산 크기가 고윳값입니다. 고윳값이 클수록 해당 축이 설명하는 분산이 큽니다.

3단계: 각 고윳값을 전체 고윳값 합으로 나누면 설명분산비율(기여율)이 됩니다.

4단계: 평균은 중요도를 나타내지 않으며, 원변수 표준편차는 질문의 대상이 다릅니다. 특이값도 고윳값과 연결되지만 가장 직접적인 답은 고윳값입니다.

시험용 핵심 암기 문장

“고윳값 = 주성분의 설명 분산 크기 → 기여율 → 누적기여율 → 유지 개수 선택.”

10연구 적용 · 관광 설문과 변수 축소

관광 연구에서 언제 무엇을 쓸까?

10. 종합 정리: 사용자가 제공한 원본 4컷 만화 이미지 — 원본 그림 삽입 완료**제공하신 4컷 만화 — 06. 분석 방법의 의미 외**그림을 누르면 크게 볼 수 있습니다.

PCA가 적절한 예

목적: 관광지별 많은 관측 지표를 적은 수의 지수(축)로 압축

예: 대중교통, 이동시간, 관광지 밀도, 숙박 수, 방문량 등

주요 질문
“자료의 변동을 적게 잃고 몇 개 축으로 나타낼까?”

FA가 적절한 예

목적: 관광객 인식 척도의 잠재 구성개념 탐색

예: 관광지 신뢰, 서비스 품질, 정서적 애착 관련 설문문항

주요 질문
“문항에 함께 반영된 공통 요인은 무엇일까?”

논문 작성 시: 설문척도를 다룰 때는 분석 목적에 맞는 추출법(PCA 또는 공통요인법), 요인 수 결정 근거, 회전 방식, 요인적재량, 공통성, 신뢰도 등을 구분해서 보고해야 합니다. 본 페이지 예시는 설명용 가상 사례입니다.

🎨 핵심 원리 4컷 만화 · 10장

1관광 지표가 많아

방문객 수·관광시설 등 여러 지표를 함께 볼 수 있습니다.

2정보 축으로 압축

수치 지표 요약이 목적이라면 PCA를 고려합니다.

3만족도 설문 문항

척도 문항은 여러 잠재 구성개념을 반영할 수 있습니다.

4잠재구조 탐색

설문 척도의 잠재 구조를 탐색하면 EFA를 고려합니다.

4컷에서 기억할 원리 · 관광지의 객관적 지표 요약에는 PCA, 관광 서비스 품질 같은 잠재척도 탐색에는 FA가 알맞을 수 있습니다.

이해 점검 10논문 적용

측정 도구 검토와 PCA를 구분해보자

관광객의 ‘장소애착’을 측정하는 12개 문항이 몇 개의 잠재요인으로 구성되는지 탐색하고 싶다. 가장 타당한 설명은?

②가 정답입니다. 문항이 공통적으로 측정하는 잠재구성개념을 탐색하려면 공통요인모형에 기반한 EFA를 고려합니다.

실제 연구에서는 이론적 근거, 데이터 특성, 추출법, 회전법, 적재량, 신뢰도 및 타당도 검토를 함께 제시해야 합니다.

보고서 작성 예시 문장

“측정문항 간 공유 분산의 잠재구조를 탐색하기 위해 탐색적 요인분석을 실시하였다. 요인 수는 병렬분석과 스크리 도표, 요인 해석 가능성을 종합하여 결정하였다.”

11최종 정리 · 시험 직전 암기

10초 핵심지도: 목적 → 지표 → 선택

PCA: 관측값을 선형결합하여 설명 분산이 큰 축부터 계산
FA: 관측변수 사이 공통성을 잠재요인으로 설명
PC1 고윳값: 해당 주성분의 설명 분산량
기여율: 해당 고윳값 ÷ 전체 고윳값 합
교재 85% 사례: PC1+PC2 = 87.34% → 2개 선택
30회 기출 64번: 가장 적절한 정답은 ① 고윳값

🎨 핵심 원리 4컷 만화 · 11장

1첫 질문: 목적?

전체 분산 보존이 목적이면 PCA.

2두 번째 질문

공통요인의 추정이 목적이면 FA.

3주성분 선택

주성분 중요도 판단의 기본은 고윳값입니다.

4이 사례 결론

교재 자료는 85% 기준에서 2개를 유지합니다.

4컷에서 기억할 원리 · 먼저 분석 목적을 정하고, 선택한 방법에 맞는 지표와 주성분·요인의 해석을 확인합니다.

최종 평가 11종합형

최종 확인: 틀린 설명 찾기

다음 중 주성분분석과 요인분석에 대한 설명으로 틀린 것은?

③이 틀린 설명입니다. 표준 PCA는 X만 이용하는 비지도 차원축소법입니다.

전체 내용의 핵심은 연구 목적(PCA/FA 구분)과 주성분 유지 원리(고윳값/기여율/스크리)를 함께 이해하는 것입니다.

연습문제 다시 풀기

이 페이지까지 이해했다면 왼쪽 화살표로 8번째 페이지(기출 64번)에 돌아가 ① 정답을 근거와 함께 설명해 보세요.

시험 직전 한 문장: PCA = 분산 압축, FA = 공통요인, 주성분 중요도 = 고윳값.

주성분분석(PCA) vs 요인분석(FA·EFA)