この記事で分かること
- 因子分析が「多数の変数の背後にある少数の共通因子」をどう見つけ出す手法か
- 因子分析と主成分分析（PCA）が、数学的・因果的にどう違うのか
- 固有値・因子負荷量・共通性の読み方と、因子数を決める基準（カイザー基準）
- 株式リターンと財務KPI、それぞれで共通因子を抽出する具体的な手順と検算
結論：因子分析は「た くさんの変数の裏にある少数の共通要因」を見つける手法
因子分析とは、複数の観測変数（株式リターンや財務指標など）の間に見られる相関関係の背後に、直接は観測できない少数の「共通因子」が存在すると仮定し、その共通因子が各変数にどれだけ影響を与えているか（因子負荷量）を統計的に推定する手法です。多数の銘柄のリターンが同じように動いたり、複数の財務KPIが連動して変化したりするのは偶然ではなく、その裏に少数の共通のドライバーが存在するためだと考え、そのドライバー自体をデータから逆算的に取り出すのが因子分析の役割です。
似た名前の手法に主成分分析（PCA）がありますが、目的も因果の向きも異なります。また、「ファクター投資」という言葉から連想されるFama-French型の3ファクターモデルなどは、市場・サイズ・バリューといった既に特定済みの因子を使って運用するアプローチであり、ファクター投資とマルチファクターモデルの実務で扱っています。これに対して本記事が扱う因子分析は、その前段階、つまり「そもそもどんな因子が存在するのかを、手元のデータから統計的に発見する」ための手法です。株式リターンに限らず、複数の財務KPIから共通の経営ドライバーを抽出するといった応用も可能で、この汎用性の高さが因子分析の実務的な価値になります。
因子分析とは何か：考え方とモデルの構造
多数の変数を観察していると、一部の変数同士が強く相関し、別の一部の変数同士も強く相関する、というグループ構造がしばしば見られます。因子分析では、この相関構造は偶然の産物ではなく、観測できない少数の共通因子が各変数に共通して影響を与えているために生じている、と仮定します。そのうえで、各変数を「共通因子からの影響」と「その変数だけに固有の要因（独自因子）」に分解し、共通因子への感応度（因子負荷量）を推定します。
因子分析の基本モデル（標準化された変数の場合）
xᵢ = λᵢ₁F₁ + λᵢ₂F₂ + … + λᵢₘFₘ + eᵢ
Var(xᵢ) = 1 = (λᵢ₁² + λᵢ₂² + … + λᵢₘ²) + Var(eᵢ) = 共通性 h²（共通因子で説明できる割合） + 独自性 1−h²（その変数固有の割合）
xᵢ：標準化した観測変数 ／ F：共通因子 ／ λ：因子負荷量 ／ eᵢ：独自因子（誤差）
ここで重要なのは、共通因子Fは分析者が最初から名前を付けて用意するものではなく、あくまで数値計算の結果として抽出される潜在変数だという点です。抽出された因子に「収益性因子」「市場感応度」といった意味を与える作業は統計計算の外側にあり、この点は後述の限界（s7）でも扱います。因子分析は、教師なし学習の一種として位置づけられる手法でもあり、ファイナンスのための機械学習入門で扱う機械学習の枠組みとも関係します。
因子分析とPCA（主成分分析）の違い：目的が異なる2つの次元削減
因子分析とPCAは、どちらも「多数の変数を少数の変数にまとめる」次元削減の手法である点は共通していますが、何を原因・何を結果とみなすかが逆になります。PCAは、観測変数を材料として、その情報をできるだけ効率よく要約する合成変数（主成分）を作り出す手法です。つまり観測変数が原因で、主成分はその結果（要約）にすぎません。一方の因子分析は、観測変数を生み出している背後の共通因子を推定する手法であり、共通因子が原因で、観測変数はその結果として位置づけられます。統計解説サイトの整理でも、PCAは「観測変数が原因、主成分は結果」、因子分析は「共通因子が原因、観測変数は結果」であり、両者は因果関係の向きが逆であると説明されています。
実務上の使い分けとしては、「多数の指標をとにかく要約して扱いやすくしたい」ときはPCA、「多数の指標を動かしている背後の要因そのものを推定し、意味づけをしたい」ときは因子分析、という整理が分かりやすいとされています。なお、因子分析の計算方法の一つである主因子法は、共通性の初期値を便宜的に1とおいて反復計算を行わずに済ませると、結果的にPCAとほぼ同じ計算になるため、両者が混同されやすい一因にもなっています。予測手法の比較で扱う回帰法などのドライバー分析とも異なり、因子分析はあらかじめ「原因変数」を指定せず、相関構造だけから共通因子を発見する点が特徴です。
固有値・因子負荷量の読み方と因子数の決め方
因子分析の出力を読むうえで押さえるべき概念は3つです。第一に固有値は、各因子が説明する分散の大きさを表す指標で、標準化された変数（相関行列）を使う場合、すべての固有値を合計すると観測変数の個数に一致します。第二に因子負荷量は、各因子と各観測変数との相関の強さを示す−1から1の値で、値が大きいほどその変数がその因子から強い影響を受けていることを意味します。第三に共通性（h²）は、ある変数の分散のうち共通因子で説明できる割合で、因子負荷量の2乗和として計算されます。
因子数（いくつの共通因子を採用するか）を決める際に広く使われる目安が、固有値が1を上回る因子だけを採用する「カイザー基準」です。
カイザー基準（固有値による因子数の目安）
固有値の合計 = 変数の個数（標準化された相関行列を使う場合）
判定ルール：固有値が1を上回る因子を採用する
考え方：標準化された1つの変数はそれ自体で分散1を持つため、採用する因子は少なくとも変数1つ分と同程度の説明力を持つべきだ、という発想に基づきます。
カイザー基準はあくまで目安であり、固有値の下がり方を折れ線グラフにした「スクリープロット」で、グラフの傾きが急に緩やかになる点（エルボー）を目視で確認する方法も併用されます。いずれの基準も機械的に因子数を決定するものではなく、抽出後に因子の意味づけができるかどうかも踏まえて最終的に判断する必要があります。
設例①：複数銘柄のリターンから共通因子を抽出する
以下は説明用の仮設例です。実在の銘柄・実際の相関係数ではありません。5銘柄（A〜E）の月次リターンについて、一定期間の相関係数を計算すると、次のような相関行列が得られたとします。
| 銘柄 | A | B | C | D | E |
|---|---|---|---|---|---|
| A（グロース株1） | 1.00 | 0.68 | 0.55 | 0.34 | 0.30 |
| B（グロース株2） | 0.68 | 1.00 | 0.52 | 0.32 | 0.28 |
| C（景気敏感株） | 0.55 | 0.52 | 1.00 | 0.26 | 0.23 |
| D（ディフェンシブ株1） | 0.34 | 0.32 | 0.26 | 1.00 | 0.14 |
| E（ディフェンシブ株2） | 0.30 | 0.28 | 0.23 | 0.14 | 1.00 |
グロース株同士（A・B）の相関が0.68と特に高く、ディフェンシブ株同士（D・E）はそれよりだいぶ低い0.14にとどまっている一方、すべての銘柄間で正の相関があるという構造です。この相関行列から固有値を計算すると、次のようになります（主成分法による近似計算）。
| 因子 | 固有値 | 説明率 | 累積説明率 |
|---|---|---|---|
| 第1因子 | 2.53 | 50.6% | 50.6% |
| 第2因子 | 0.86 | 17.3% | 67.9% |
| 第3因子 | 0.78 | 15.6% | 83.5% |
| 第4因子 | 0.51 | 10.1% | 93.6% |
| 第5因子 | 0.32 | 6.4% | 100.0% |
カイザー基準（固有値1超）を当てはめると、1を上回るのは第1因子（2.53）だけなので、この設例では共通因子は1つと判断できます。固有値の下がり方をグラフにすると、次のようになります。
採用した第1因子について、各銘柄の因子負荷量と共通性を計算すると次のとおりです。
| 銘柄 | 因子負荷量 | 共通性 h² | 独自性 1−h² |
|---|---|---|---|
| A（グロース株1） | 0.86 | 0.74 | 0.26 |
| B（グロース株2） | 0.84 | 0.71 | 0.29 |
| C（景気敏感株） | 0.76 | 0.58 | 0.42 |
| D（ディフェンシブ株1） | 0.54 | 0.29 | 0.71 |
| E（ディフェンシブ株2） | 0.48 | 0.23 | 0.77 |
共通性 h² の計算（設例：銘柄D）
h² = 因子負荷量² = 0.54² = 0.2916 → 約0.29
独自性 = 1 − h² = 1 − 0.29 = 0.71
意味：銘柄Dのリターン変動のうち、共通因子で説明できるのは約29%にとどまり、残り71%は銘柄固有の要因（個別ニュースや需給など）によって動いていると解釈できます。上の表のh²は、いずれもこの例と同じく表示用に小数第2位へ丸めた因子負荷量を2乗して算出しているため、丸める前の精緻な負荷量を2乗した値とは小数点以下でわずかにずれる場合があります。
グロース株A・Bは因子負荷量が0.8台と高く、この共通因子への感応度が強いのに対し、ディフェンシブ株D・Eは因子負荷量が0.5前後にとどまり、独自性（1−h²）が0.7を超えています。相関行列の段階でグロース株同士の相関が高かった構造が、そのまま「共通因子への感応度の差」として数値化された形です。なお、この共通因子が具体的に何を表しているか（市場全体の動きなのか、グロース株特有の環境要因なのかなど）は、統計計算そのものからは分かりません。これは個別リスク
設例②：複数の財務KPIから共通因子を抽出する（KPI版の応用）
以下も説明用の仮設例です。実在の企業の数値ではありません。ある事業会社の経営企画部門が、社内の複数事業ユニットについて、売上高成長率・売上総利益率・営業利益率・ROIC・総資産回転率・在庫回転率という6つのKPIを横断的に集計し、相関係数を計算したとします。
| KPI | 成長率 | 粗利率 | 営業利益率 | ROIC | 資産回転率 | 在庫回転率 |
|---|---|---|---|---|---|---|
| 売上高成長率 | 1.00 | 0.57 | 0.60 | 0.51 | 0.19 | 0.15 |
| 売上総利益率 | 0.57 | 1.00 | 0.68 | 0.56 | 0.16 | 0.12 |
| 営業利益率 | 0.60 | 0.68 | 1.00 | 0.57 | 0.12 | 0.08 |
| ROIC | 0.51 | 0.56 | 0.57 | 1.00 | 0.34 | 0.30 |
| 総資産回転率 | 0.19 | 0.16 | 0.12 | 0.34 | 1.00 | 0.60 |
| 在庫回転率 | 0.15 | 0.12 | 0.08 | 0.30 | 0.60 | 1.00 |
売上高成長率・売上総利益率・営業利益率・ROICの4つは相互の相関が0.5〜0.7台と高く、総資産回転率・在庫回転率の2つも相関0.60とまとまっている一方、この2つのグループ間の相関は0.1〜0.3台にとどまっています。固有値を計算すると次のとおりです。
| 因子 | 固有値 | 説明率 | 累積説明率 |
|---|---|---|---|
| 第1因子 | 2.95 | 49.1% | 49.1% |
| 第2因子 | 1.46 | 24.4% | 73.5% |
| 第3因子 | 0.47 | 7.9% | 81.4% |
| 第4因子 | 0.41 | 6.8% | 88.2% |
| 第5因子 | 0.40 | 6.6% | 94.8% |
| 第6因子 | 0.31 | 5.2% | 100.0% |
カイザー基準を当てはめると、固有値が1を超えるのは第1因子（2.95）と第2因子（1.46）の2つなので、この設例では2つの共通因子を採用します。2つの因子をそのまま抽出した直後の負荷量は、多くの変数に両方の因子がまんべんなくかかった読みにくい形になりがちです。そこで、共通性と説明できる分散の合計を変えずに軸の向きだけを回転させる「バリマックス回転」という処理を行うと、次のように解釈しやすい形になります。
| KPI | 収益性因子F1 | 資本効率因子F2 | 共通性 h² |
|---|---|---|---|
| 売上高成長率 | 0.80 | 0.11 | 0.65 |
| 売上総利益率 | 0.86 | 0.06 | 0.74 |
| 営業利益率 | 0.88 | 0.01 | 0.77 |
| ROIC | 0.73 | 0.36 | 0.66 |
| 総資産回転率 | 0.12 | 0.88 | 0.79 |
| 在庫回転率 | 0.05 | 0.89 | 0.79 |
共通性 h² の計算（設例：ROIC）
h² = F1負荷量² + F2負荷量² = 0.73² + 0.36² = 0.5329 + 0.1296 = 0.6625 → 約0.66
意味：ROICの変動の約66%は「収益性因子」と「資本効率因子」の2つで説明でき、残り34%はROIC固有の要因です。ROICが両方の因子にまたがって相応の負荷量を持つのは、ROIC＝NOPAT／投下資本という定義自体が、収益性（利益率）と資本効率（回転率）の掛け合わせだからだと解釈でき、財務指標の早見辞典にあるROICの位置づけとも整合的です。
回転後の結果を見ると、売上高成長率・売上総利益率・営業利益率の3指標は第1因子に0.8台という高い負荷量を持ち、第2因子への負荷量はほぼゼロです。反対に総資産回転率・在庫回転率は第2因子に0.88〜0.89と高い負荷量を持ち、第1因子への負荷量はほぼゼロです。ROICだけは両方の因子に相応の負荷量を持つ、という結果になりました。これは6つのKPIを「収益性」と「資本効率」という2つの軸に整理できることを、データの相関構造から裏付けた形です。KPI設計の技術やPE投資先のKPI Tree設計で扱うようなKPIツリーの分解軸を、後付けではなく相関構造から検証する際にも、こうした整理の考え方が使えます。
因子の意味づけは統計ではなく人が行う：限界と注意点
ここまでの2つの設例では、抽出された因子に「市場感応度」「収益性因子」「資本効率因子」といった名前を付けました。しかし、因子分析の計算そのものが出力するのは、固有値と因子負荷量という数値だけです。どの変数が高い負荷量を持つかを見て、その組み合わせに意味のある名前を付ける作業は、分析者の業務知識に基づく解釈であり、統計計算の範囲外にあります。同じ因子負荷量のパターンを見ても、分析者によって異なる解釈や名前を付ける余地があり、その名前が正しいかどうかは統計的には検証できません。
もう一つの注意点は、回転（本記事ではバリマックス回転）の選び方によって、負荷量の見え方が変わることです。回転は各因子が説明する共通性の合計や、因子分析全体で説明できる分散の割合を変えないまま、解釈しやすいように軸の向きだけを変える処理です。実際、設例②の共通性（h²）は回転の前後で数値が変わっていません。ただし、どの回転方法を選ぶか、因子同士の相関を許容するか（直交回転か斜交回転か）によって、負荷量の見た目のきれいさは変わり得るため、「回転後にきれいに分かれたから、これが唯一の正しい構造だ」と過信しないことが重要です。
加えて、変数の数に対して観測数（銘柄数や期間数、企業数など）が少なすぎると、偶然の相関を共通因子として拾ってしまい、結果が不安定になりやすいという問題もあります。因子分析はあくまで手元のデータの相関構造を要約する手法であり、抽出された因子が経済的・経営的に意味のある実体を指しているかどうかは、業務知識や他のデータとの整合性で別途検証する必要があります。
ファクター投資（既知の因子モデル）へのつながり
因子分析でリターンの共通因子を統計的に発見できたとしても、それだけでは運用戦略にはなりません。次に問われるのは、抽出された共通因子が、市場・サイズ・バリューといった既に確立された因子と対応するものなのか、それとも独自に発見した新しい因子なのか、という点です。既知の因子を組み合わせてポートフォリオを構築する実務はファクター投資とマルチファクターモデルの実務で扱っており、その理論的な裏付けの一つである裁定価格理論（APT）は、リターンが複数の（事前に個数を特定しない）共通因子の線形結合で決まると仮定する点で、因子分析のモデル構造と数学的に近い関係にあります。
整理すると、因子分析は「相関行列からいくつの共通因子が存在し、それぞれの変数がどの程度その影響を受けているかを統計的に発見する」段階の手法であり、ファクター投資は「発見・特定された因子を経済的に意味づけたうえで、実際の運用ルールに落とし込む」段階の実務です。前者はデータに語らせる統計の作業、後者はそのデータの背後にある経済的なロジックを踏まえた意思決定であり、両者は連続した一つのプロセスの前半と後半にあたります。
よくある質問（FAQ）
因子分析と主成分分析（PCA）は、結局どちらを使えばよいのでしょうか。
目的によって使い分けます。多数の変数を要約して扱いやすくしたいだけならPCA、多数の変数を動かしている背後の共通要因そのものを推定し、意味づけをしたいなら因子分析が適しています。両者は計算過程が似ている場面もありますが、観測変数と抽出される変数のどちらを原因、どちらを結果とみなすかが逆であるという整理が実務的には分かりやすいです。
因子の数はどうやって決めればよいのでしょうか。
固有値が1を上回る因子を採用するカイザー基準や、固有値の下がり方をグラフにしたスクリープロットのエルボー
抽出した因子に名前を付けるのは誰の仕事ですか。
統計計算が出力するのは因子負荷量という数値だけであり、その組み合わせに
財務KPIの因子分析は、実務のどんな場面で使えますか。
多数のKPIを、相関構造に基づいて少数の意味のあるグループ（収益性・資本効率など）に整理する場面で使えます。既存のKPIツリーの分解軸が実データの相関構造と整合しているかを検証したり、経営ダッシュボードで似た動きをする指標をまとめて表示したりする際の土台になります。なお、変数の数に対して観測数が少なすぎると結果が不安定になるため、十分なデータ量を確保できているかは事前に確認しておく必要があります。
まとめ
因子分析は、多数の観測変数の相関関係の背後に、直接は観測できない少数の共通因子が存在すると仮定し、固有値と因子負荷量という数値を通じてその構造を推定する手法です。主成分分析とは、観測変数と抽出される変数のどちらを原因・どちらを結果とみなすかという点で本質的に異なります。因子数の判断にはカイザー基準やスクリープロットが使われますが、いずれも目安であり、最終的には抽出された因子に妥当な意味づけができるかどうかが問われます。株式リターンだけでなく、財務KPIのような経営指標にも同じ枠組みを応用でき、既知の因子モデルを使う運用実務であるファクター投資へとつながる、その手前の統計的な土台にあたります。
出典・参考（2026年9月確認）
- NIST（米国国立標準技術研究所）「Engineering Statistics Handbook」6.5.5.1 Properties of Principal Components（固有値の定義、カイザー基準、バリマックス回転の解説） itl.nist.gov
- 神戸大学大学院経営学研究科 分寺杏介「統計的方法論特殊研究（多変量解析）Chapter 6 因子分析」（固有値の合計が変数の個数に一致する性質、カイザー・ガットマン基準、因子負荷量・共通性の定義） www2.kobe-u.ac.jp
- 統計WEB（BellCurve）「主成分分析と因子分析の違い」（観測変数と共通因子のどちらが原因かという因果の向きのたとえを紹介する統計解説サイトの記事。学術的な一次資料ではなく、理解を助ける比喩的整理として引用） bellcurve.jp
※本記事は教育目的の一般的な解説であり、法務・税務・投資助言ではありません。設例は理解のための仮設例です。
