Zasoby zmienności wspólnej, niekiedy nazywane komunalnością (z ang. communality) – w kontekście eksploracyjnej analizy czynnikowej (EFA) są miarą określającą, w jakim stopniu zmienna obserwowalna jest wyjaśniana przez czynniki latentne w modelu.  Komunalność informuje, jaka część wariancji danej zmiennej obserwowalnej jest wyjaśniana przez wspólne czynniki uwzględnione w modelu .

Zasoby zmienności wspólnej wskazują, jaka część wariancji – rozumiana analogicznie jak R-kwadrat – danej zmiennej jest wspólna z innymi mierzonymi zmiennymi w naszym modelu, co odzwierciedla stopień, w jakim czynnik lub czynniki tłumaczą zmienność obserwowaną w danej zmiennej. Innymi słowy, komunalność pozwala wyjaśnić, jak dobrze zmienna (wskaźnik) jest reprezentowana przez wyodrębnione czynniki w analizie czynnikowej.

Zasoby dla każdej pozycji lub wskaźnika wyliczana jest indywidualnie i przyjmuje wartości od 0 do 1. Wartość 0 oznacza, że czynniki nie wyjaśniają wariancji danego wskaźnika, natomiast wartość 1 oznacza, że cała jego wariancja jest wyjaśniana przez czynniki. Im wyższe zasoby, tym lepiej dana zmienna jest reprezentowana przez strukturę czynnikową modelu.  Uzyskanie wartości równej 1 jest jednak mało prawdopodobne, ponieważ oznaczałoby, że cała wariancja wskaźnika została wyjaśniona przez czynniki, bez udziału wariancji swoistej i błędu pomiaru.

Interpretacja zasobów powinna odbywać się w kontekście innych pozycji testowych, ponieważ progi minimalnej wartości mają charakter umowny. Przykładowo, mając 10 pozycji testowych, dla których w dziewięciu przypadkach komunalność przekracza 0,50, a dla jednej wynosi 0,10, można uznać, że ta jedna pozycja jest znacznie słabiej reprezentowana przez wyodrębnione czynniki i wymaga dodatkowej oceny.  Szczególnie niskie zasoby mogą wskazywać, że dana pozycja słabo pasuje do wyodrębnionej struktury czynnikowej. 

Komunalność jest również istotna przy planowaniu wielkości próby w eksploracyjnej analizie czynnikowej. Watkins (2021) wskazuje, że wyższe oczekiwane komunalności mogą pozwalać na uzyskanie stabilnego rozwiązania przy mniejszej liczbie obserwacji, choć znaczenie mają również liczba czynników i liczba zmiennych obserwowalnych.

Literatura
Watkins, M. W. (2021). A step-by-step guide to exploratory factor analysis with SPSS. Routledge.