Faktorenanalyse – Konfirmatorische & Explorative

Faktoren sind übergeordnete, meist nicht direkt beobachtbare Einflussgrößen oder Dimensionen, die mehrere beobachtbare Variablen miteinander verbinden. In statistischen Analysen helfen Faktoren dabei, komplexe Datenstrukturen zu ordnen und gemeinsame Muster zwischen Variablen sichtbar zu machen.

Faktoren bezeichnen grundlegende Einflussgrößen oder latente Strukturen in Daten. In der Statistik stehen sie häufig für verborgene Dimensionen, die mehrere Variablen gemeinsam erklären. Dadurch lassen sich viele Einzelvariablen auf wenige zentrale Strukturen reduzieren.

Eine Faktorenanalyse ist ein statistisches Verfahren, mit dem Zusammenhänge zwischen mehreren Variablen untersucht werden. Ziel ist es, zugrunde liegende Faktoren zu identifizieren, die diese Variablen gemeinsam erklären. Dadurch können Daten vereinfacht, Muster sichtbar gemacht und Skalen oder Konstrukte geprüft werden.

Eine Faktorenanalyse wird durchgeführt, um komplexe Datenstrukturen zu vereinfachen und verborgene Zusammenhänge zwischen Variablen zu erkennen. Sie hilft dabei, viele Items oder Merkmale auf wenige gemeinsame Faktoren zu reduzieren. Besonders nützlich ist sie, wenn ein Fragebogen, eine Skala oder ein theoretisches Konstrukt empirisch geprüft werden soll.

Nach der Faktorenanalyse werden die extrahierten Faktoren interpretiert, benannt und inhaltlich mit der Forschungsfrage verbunden. Dazu werden Faktorladungen, Eigenwerte, erklärte Varianz und Kommunalitäten betrachtet. Anschließend kann geprüft werden, ob Items zu Skalen zusammengefasst, einzelne Items entfernt oder weitere Analysen mit den Faktorwerten durchgeführt werden sollen.

Eine Faktorenanalyse gruppiert Variablen anhand ihrer Zusammenhänge. Variablen, die stark miteinander korrelieren, werden einem gemeinsamen Faktor zugeordnet. Dadurch wird sichtbar, welche Merkmale ein gemeinsames Konstrukt abbilden und welche Variablen eher unabhängig von anderen stehen.

Das Ziel der Faktorenanalyse ist es, die Anzahl vieler Variablen auf wenige zugrunde liegende Faktoren zu reduzieren. Dadurch werden Daten übersichtlicher und besser interpretierbar. Zugleich kann geprüft werden, ob Items eines Fragebogens tatsächlich zu den theoretisch erwarteten Konstrukten passen.

Eine Faktorenanalyse wird berichtet, indem Stichprobe, Variablen, Extraktionsmethode, Rotationsverfahren, Anzahl der extrahierten Faktoren, Eigenwerte, erklärte Varianz, Faktorladungen und Kommunalitäten angegeben werden. Zusätzlich sollte erklärt werden, nach welchen Kriterien die Faktorenanzahl festgelegt wurde und wie die Faktoren inhaltlich benannt wurden.

Zur Beurteilung einer Faktorenanalyse werden häufig Eigenwerte, erklärte Varianz, Faktorladungen, Kommunalitäten und Modellgüte herangezogen. Für die Entscheidung über die Faktorenanzahl können Eigenwerte, Scree-Plot, Parallelanalyse oder theoretische Kriterien genutzt werden. Die Kennwerte sollten immer zusammen mit der inhaltlichen Interpretierbarkeit bewertet werden.

Eine explorative Faktorenanalyse wird verwendet, wenn die zugrunde liegende Struktur der Daten noch nicht eindeutig bekannt ist. Sie eignet sich, um zu prüfen, welche Items zusammengehören und welche Faktoren sich empirisch aus den Daten ergeben. Besonders sinnvoll ist sie bei neuen Fragebögen, Skalenentwicklungen oder wenig erforschten Konstrukten.

Eine Faktorenanalyse ist sinnvoll, wenn mehrere Variablen miteinander zusammenhängen und geprüft werden soll, ob sie gemeinsame Dimensionen abbilden. Sie eignet sich besonders bei Fragebogendaten, Skalen, psychologischen Konstrukten, Einstellungen oder Kompetenzmessungen. Voraussetzung ist, dass die Variablen ausreichend korrelieren und die Stichprobe groß genug ist.

Faktorladungen zeigen, wie stark eine Variable mit einem Faktor zusammenhängt. Hohe Ladungen deuten darauf hin, dass eine Variable gut zu einem Faktor passt. Niedrige oder uneindeutige Ladungen können darauf hinweisen, dass ein Item schlecht zum Konstrukt passt oder mehrere Faktoren gleichzeitig berührt. Deshalb sind Faktorladungen zentral für Interpretation, Skalenbildung und Itemauswahl.

Die Klassische Testtheorie (KTT) ist nicht identisch mit einer Faktorenanalyse. Die KTT beschreibt, wie beobachtete Testwerte aus wahrem Wert und Messfehler zusammengesetzt sind. Faktorenanalysen können jedoch ergänzend genutzt werden, um zu prüfen, ob Items eines Tests ein gemeinsames latentes Konstrukt abbilden. Beide Ansätze hängen also zusammen, verfolgen aber unterschiedliche methodische Ziele.

Eine Faktorenanalyse wird angewendet, um Daten zu reduzieren, latente Konstrukte zu identifizieren, Skalen zu prüfen oder Fragebogenitems zu strukturieren. Sie hilft dabei, viele Einzelvariablen in wenige interpretierbare Dimensionen zu überführen. Dadurch wird die weitere Analyse übersichtlicher und theoretisch besser begründbar.

OLS steht für Ordinary Least Squares und bezeichnet ein Schätzprinzip, bei dem Abweichungen zwischen beobachteten und modellierten Werten minimiert werden. Im Kontext faktorenanalytischer Verfahren kann OLS zur Schätzung einer Faktorlösung genutzt werden. Ziel ist, die Datenstruktur mit möglichst geringen Fehlerabweichungen abzubilden.

Eigenwerte zeigen, wie viel Varianz ein Faktor erklärt. Je höher der Eigenwert, desto mehr Informationsgehalt bündelt dieser Faktor. Kommunalitäten zeigen, welcher Anteil der Varianz einer einzelnen Variable durch die extrahierten Faktoren erklärt wird. Hohe Kommunalitäten sprechen dafür, dass eine Variable gut durch die Faktorenstruktur abgebildet wird.

Bei zu kleiner Stichprobengröße können Faktorenlösungen instabil und schwer interpretierbar werden. Einzelne Ausreißer oder zufällige Muster können die Ergebnisse stark beeinflussen. Dadurch besteht das Risiko, dass die gefundene Faktorenstruktur nicht die tatsächliche Datenstruktur widerspiegelt. Deshalb sollte vor der Analyse geprüft werden, ob die Fallzahl zur Anzahl der Items passt.

Der Eigenwert gibt an, wie viel Varianz ein Faktor in den analysierten Variablen erklärt. Ein hoher Eigenwert bedeutet, dass der Faktor viel gemeinsame Information der Variablen bündelt. Eigenwerte werden häufig genutzt, um zu entscheiden, welche Faktoren relevant sind. Diese Entscheidung sollte jedoch nicht allein auf dem Eigenwert beruhen, sondern auch theoretisch und inhaltlich begründet werden.

Fälle sind die einzelnen Beobachtungen im Datensatz. Bei einer Befragung entspricht ein Fall meist einer befragten Person. Bei Unternehmensdaten kann ein Fall ein Unternehmen sein. Die Variablen oder Items werden für jeden Fall gemessen und bilden die Grundlage für die Berechnung der Zusammenhänge zwischen den Variablen.

Für eine Faktorenanalyse sollten Items ausgewählt werden, die theoretisch zu einem gemeinsamen Konstrukt gehören und empirisch miteinander zusammenhängen könnten. Items mit sehr geringen Korrelationen, starken Decken- oder Bodeneffekten oder unklarer inhaltlicher Passung sollten kritisch geprüft werden. Die Auswahl muss zur Forschungsfrage und zur geplanten Skalenbildung passen.

Delta bezieht sich in der Faktorenanalyse meist auf einen Parameter der obliquen Rotation, etwa bei Direct Oblimin. Der passende Delta-Wert hängt davon ab, wie stark Faktoren miteinander korrelieren dürfen und welches Rotationsverfahren verwendet wird. Die Entscheidung sollte nicht mit dem Eigenwertkriterium verwechselt werden. Eigenwerte helfen bei der Faktorenanzahl, Delta beeinflusst dagegen die Rotationslösung.

In SPSS wird die explorative Faktorenanalyse über die Faktorenanalyse-Funktion durchgeführt. Zuerst werden die zu analysierenden Variablen ausgewählt. Danach werden Extraktionsmethode, Kriterien für die Faktorenanzahl und Rotationsverfahren festgelegt. Anschließend werden Kennwerte wie KMO, Bartlett-Test, Eigenwerte, erklärte Varianz, Faktorladungen und Kommunalitäten interpretiert.

Rotation wird eingesetzt, um die Faktorlösung klarer interpretierbar zu machen. Dabei wird die Struktur der Faktorladungen so verändert, dass Variablen möglichst eindeutig auf bestimmte Faktoren laden. Orthogonale Rotation geht von unkorrelierten Faktoren aus, oblique Rotation erlaubt Korrelationen zwischen Faktoren. Die Wahl des Rotationsverfahrens sollte zur Theorie und zur Datenstruktur passen.

Für einen Fragebogen wird eine Faktorenanalyse durchgeführt, indem die Items auf gemeinsame Strukturen geprüft werden. Zuerst werden Datenqualität, Stichprobengröße und Korrelationen kontrolliert. Danach werden Faktoren extrahiert, rotiert und anhand der Faktorladungen interpretiert. Items, die nicht eindeutig laden oder nicht zum Konstrukt passen, sollten kritisch geprüft werden.

Die benötigte Personenzahl hängt von Anzahl der Items, Kommunalitäten, Faktorladungen und Datenqualität ab. Als grobe Orientierung wird häufig mindestens das Fünffache der analysierten Variablen genannt; stabiler sind jedoch größere Stichproben. Entscheidend ist, dass die Faktorenlösung belastbar, interpretierbar und nicht nur durch Zufallsmuster geprägt ist.