因子分析と主成分分析の違いと使い分けを初心者向けに解説

2026年10月17日 2026年10月17日山崎講師

山崎講師

こんにちは。ゆうせいです。

多変量解析を学び始めると、似た目的で使われる手法として「因子分析」と「主成分分析」に出会います。どちらもたくさんの変数を少数にまとめる技術ですが、計算の出発点や分析の目的が異なります。今回は、両者の本質的な違いと、実際のデータ分析においてどのように使い分けるべきかを整理して解説します。

因子分析と主成分分析の基本的な違い

主成分分析とは何か：情報の要約

主成分分析は、手元にある複数のデータをできるだけ情報量を損なわずに、少数の新しい指標（主成分）へと合成する手法です。

高校の体力測定を比喩として考えてみます。50メートル走、ハンドボール投げ、握力、反復横跳びなど、複数の測定記録が存在します。これらの数値を別個に見るのではなく、「運動神経総合スコア」という1つの代表的な数値に合算して順位を付けたい場合に主成分分析を用います。目に見えている複数のデータを足し合わせて、1つの要約値を作るアプローチです。

因子分析とは何か：背後にある原因の探索

因子分析は、目に見えているデータ間のばらつきを引き起こしている「共通の背景（潜在因子）」を逆算して見つけ出す手法です。

同じく体力測定の例で考えてみます。50メートル走のタイムが速い生徒は、反復横跳びの回数も多く、立ち幅跳びの記録も伸びる傾向が見られます。このとき、「なぜこれらの種目の成績が連動して良くなるのか」を考えます。その背景には、直接目に見えない「瞬発力」という基礎体力が存在し、瞬発力が各競技の記録に影響を与えていると仮定できます。目に見える結果から、背後に隠れた原因を推測するアプローチです。

因果の向きの違いを数式で確認する

主成分分析と因子分析の決定的な違いは、データの矢印（因果の向き）にあります。

主成分分析では、観測された変数 x1, x2, ..., xp を重み付けして足し合わせ、新しい合成変数 z（主成分）を作ります。

$z = w_{1}x_{1} + w_{2}x_{2} + \dots + w_{p}x_{p}$

これに対して因子分析では、観測された変数 xi の背後に共通の因子 f1, f2, ..., fm が存在し、それらが各変数に影響を与えていると考えます。さらに、それぞれの変数固有のばらつき（独自因子 ei）も考慮します。

$x_{i} = \lambda_{i1}f_{1} + \lambda_{i2}f_{2} + \dots + \lambda_{im}f_{m} + e_{i}$

主成分分析は「観測変数から合成指標を作る」向きであり、因子分析は「潜在因子が観測変数を作り出す」向きです。

それぞれの手法のメリットとデメリット

主成分分析のメリット・デメリット

メリット

情報の損失を最小限に抑えながら多次元のデータを2次元や3次元に縮約できるため、全体の散布図の作成や多重共線の解消に適しています。
数学的に固有値問題を解くだけで解が一意に決定され、分析者の裁量による結果のブレが生じません。

デメリット

合成された指標（主成分）が具体的に何を意味しているのか、名前付けや解釈が難しい場合があります。
測定誤差や変数ごとのノイズもすべて合算対象に含まれるため、データ自体の背後にある構造の解明には向きません。

因子分析のメリット・デメリット

メリット

各変数固有の誤差（独自因子）を分離して計算するため、心理テストやアンケートなどで見えない共通概念（満足度、外向性など）を抽出する用途に適しています。
因子の軸を回転（バリマックス回転など）させることで、各観測変数と因子の関係を明確にし、因子に分かりやすい名前を付けやすくなります。

デメリット

分析者が設定する因子数や回転の方式によって結果が変化するため、解釈に主観が混ざりやすくなります。
データの相関構造によっては数学的に計算が収束しない（不適解が発生する）場合があります。

実際の場面における使い分けの判断基準

どちらの手法を選ぶべきかは、分析の最終的な目的に基づいて判断します。

主成分分析を選ぶべき場面
- 多数の指標を合算して、総合得点や単一の評価指数を作成したい場合
- 重回帰分析を行う際、説明変数同士の強い相関（多重共線）を解消するために変数を集約したい場合
- 高次元データを低次元に圧縮して可視化したい場合
因子分析を選ぶべき場面
- アンケート調査（性格診断、ブランドイメージ調査、顧客満足度調査）の質問項目から、共通する意識や動機を特定したい場合
- テストの設問群が「言語能力」「計算能力」などどの潜在的能力を測定しているかを検証したい場合

まとめ

主成分分析は「複数の観測データをまとめて新しい要約指標を作る手法」であり、因子分析は「観測データの背後にある見えない共通原因を特定する手法」です。データの要約や可視化が目的であれば主成分分析を、背後にある構造や概念の発見が目的であれば因子分析を選択します。

両者の理解を深めるための学習ステップは以下の通りです。

観測データの相関行列を作成し、変数間の相関の強さを確認する
固有値と寄与率の計算過程を確認し、主成分分析によるデータの集約手順を追跡する
因子負荷量の意味と因子の回転手法（直交回転と斜交回転）を学び、因子分析による解釈のプロセスを試す

目的と因果の向きを整理した上で適用することで、多変量データを適切に分析できます。

セイ・コンサルティング・グループでは新人エンジニア研修のアシスタント講師を募集しています。

投稿者プロフィール

山崎講師代表取締役

セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
海外放浪の末、2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。

学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。