SPSS로 요인분석을 돌렸는데 결과표를 어떻게 읽어야 할지 막막한 분들이 많습니다. KMO 값, Bartlett 검정, 누적분산, 요인적재값까지 한 번에 파악하는 방법을 정리했습니다. 신뢰도분석에서 챙겨야 할 크론바흐 알파 계수 해석 기준도 함께 다루니, 논문이나 보고서에 결과표를 그대로 옮겨 적기 전에 꼭 확인해 보시기 바랍니다.
요인분석 결과표에서 제일 먼저 볼 것, KMO와 Bartlett 검정
요인분석을 돌리고 나면 맨 위에 KMO 측도와 Bartlett 구형성 검정 결과가 나옵니다. 이 두 수치는 "이 데이터가 요인분석을 하기에 적합한가"를 판단하는 기준입니다.
KMO 값은 0.6 이상이면 요인분석을 진행할 수 있는 수준으로 보고, 0.8 이상이면 매우 좋은 편으로 해석합니다. 예를 들어 KMO가 0.764로 나왔다면 "요인분석을 하기에 적합한 수준"으로 판단하면 됩니다. 참고로 KMO는 표본 적합도를 보는 것이기 때문에, 값이 1에 가까울수록 변수들이 공통 요인으로 잘 묶인다고 이해하면 쉽습니다.
Bartlett 구형성 검정은 유의확률(p값)을 확인합니다. p값이 0.05보다 작게 나오면 "변수들 사이에 상관관계가 존재한다"는 뜻이라 요인분석을 계속 진행해도 된다는 의미입니다. 참고 자료에서 확인된 사례를 보면 KMO 0.764, Bartlett X²=951.034, p=0.000으로 나왔는데, 이 경우엔 두 조건 모두 충족되어 요인분석 결과를 신뢰할 수 있습니다.
여기서 하나 더 확인할 것이 누적분산입니다. 누적분산은 추출된 요인들이 전체 변수들의 정보를 얼마나 설명하는지를 보여줍니다. 일반적으로 60% 이상이면 설명력이 충분하다고 보는데, 참고 사례에서는 71.452%와 76.526%가 나왔네요. 이 정도면 도출된 요인들이 데이터를 잘 설명하고 있다고 판단합니다.
요인적재값, 0.4 이상이면 타당도 확보로 본다
요인분석 결과표에서 각 변수가 어떤 요인에 묶이는지 보여주는 값이 요인적재값입니다. 이 값이 클수록 해당 변수가 그 요인을 잘 설명한다는 뜻입니다. 기준은 보통 0.4 이상이면 유의미한 것으로 판단합니다.
참고 자료의 사례를 보면 첫 번째 요인에 4개 항목, 두 번째 요인에 3개 항목이 묶였고, 모든 요인적재값이 0.4 이상으로 나타났습니다. 이 경우엔 "전반적인 측정 도구의 타당도를 만족한다"고 해석합니다. 만약 특정 변수의 요인적재값이 0.4보다 낮게 나오면, 그 변수는 해당 요인을 잘 설명하지 못한다는 뜻이라 제거하거나 다른 요인으로 이동하는 조정이 필요합니다.
요인분석 결과표를 읽을 때는 각 변수가 어떤 요인에 묶였는지, 그리고 그 요인에 몇 개의 변수가 포함되어 있는지도 함께 봐야 합니다. 항목 수가 너무 적으면 요인의 안정성이 떨어질 수 있기 때문입니다. 보통 요인당 최소 3개 이상의 변수가 묶이는 것이 이상적입니다.
신뢰도분석, 크론바흐 알파 계수 기준은 0.7 이상
요인분석으로 타당도를 확인했다면, 이제 각 요인에 묶인 변수들이 일관성 있게 응답되었는지 신뢰도분석으로 검증합니다. SPSS에서는 분석 → 척도분석 → 신뢰도분석 경로로 들어가면 됩니다.
여기서 중요한 점은 요인분석에서 도출된 요인별로 따로 분석을 실행해야 한다는 것입니다. 예를 들어 요인이 3개라면 신뢰도분석도 3번을 돌려야 합니다. 각 요인에 속한 변수들을 모두 선택해서 항목 칸에 넣고, 통계량 옵션에서 "항목이 삭제된 경우 척도"를 체크하면 항목 제거 시 신뢰도 변화를 함께 확인할 수 있습니다.
결과표에서 확인할 값은 크론바흐 알파(Cronbach's α) 계수입니다. 일반적으로 0.7 이상이면 신뢰도가 양호하다고 판단합니다. 참고 자료에서도 전반적 만족도, 재구매 의도, 친숙도 모두 0.7 이상으로 나와 "신뢰도를 저해하는 문항은 없다"고 평가했고, 문항 제거 없이 분석을 진행했다고 합니다.
- 크론바흐 알파 0.9 이상: 매우 우수
- 0.8 - 0.9: 좋음
- 0.7 - 0.8: 양호
- 0.6 - 0.7: 수용 가능하나 개선 여지 있음
- 0.6 미만: 낮은 신뢰도, 문항 검토 필요
만약 특정 문항을 제거했을 때 알파 값이 크게 올라간다면, 그 문항은 신뢰도를 떨어뜨리는 요인일 수 있습니다. "항목이 삭제된 경우 척도" 옵션을 체크한 이유가 바로 이것입니다.
타당도와 신뢰도, 순서가 중요한 이유
요인분석(타당도 검증)과 신뢰도분석은 순서가 있습니다. 타당도가 먼저 확인되어야 신뢰도분석도 의미가 있습니다. 타당도는 측정 도구가 실제로 측정하려는 것을 제대로 측정했는지를 보는 것이고, 신뢰도는 응답자들이 얼마나 일관성 있게 답변했는지를 보는 것입니다.
과녁에 비유하면 타당도는 과녁의 정중앙을 맞추는 정도, 신뢰도는 여러 번 쐈을 때 화살이 몰려 있는 정도입니다. 과녁을 빗나간 곳에 화살이 몰려 있어도 신뢰도는 높게 나올 수 있지만, 타당도는 낮은 상황입니다. 그래서 요인분석 결과가 좋게 나온 뒤에 신뢰도분석을 진행하는 것이 일반적인 절차입니다.
Q. 요인분석 결과표에서 KMO 값이 0.5 이하로 나오면 어떻게 하나요?
KMO 값이 0.5보다 낮으면 요인분석에 적합하지 않은 데이터로 판단합니다. 변수 간 상관관계가 충분하지 않다는 뜻이므로, 변수를 추가하거나 일부 변수를 제거한 뒤 다시 분석하는 것을 고려해 볼 수 있습니다.
Q. 크론바흐 알파 값이 0.6대로 나왔는데 논문에 사용할 수 없나요?
탐색적 연구 단계에서는 0.6 이상이면 수용 가능한 수준으로 보기도 합니다. 다만 가능하면 0.7 이상을 맞추는 것이 안전합니다. 항목 제거 시 알파 값이 올라가는 문항이 있는지 먼저 확인해 보세요.
Q. 요인분석에서 요인적재값이 0.4 미만인 변수는 무조건 제거해야 하나요?
0.4 미만이면 해당 요인에 대한 설명력이 낮은 편이라 제거 대상이 됩니다. 다만 연구 목적이나 이론적 배경에 따라 유지할 수도 있으니, 논문 심사나 지도교수와 상의 후 결정하는 것이 좋습니다.