Was ist eine Faktorenanalyse und wann braucht man sie?

Was ist eine Faktorenanalyse?

Eine Faktorenanalyse ist ein statistisches Verfahren zur Datenreduktion und Strukturentdeckung. Sie sucht hinter einer Vielzahl beobachtbarer Variablen nach wenigen, nicht direkt messbaren Dimensionen – den sogenannten Faktoren oder latenten Variablen.

Das Grundprinzip: Wenn mehrere Fragen in einem Fragebogen stark miteinander korrelieren, ist das ein Hinweis darauf, dass sie dasselbe zugrunde liegende Konstrukt messen. Die Faktorenanalyse macht diese Struktur sichtbar. Anstatt mit 20 Einzelitems zu arbeiten, können Sie vielleicht drei oder vier inhaltlich kohärente Faktoren identifizieren – etwa „soziale Kompetenz“, „Stressresistenz“ und „Motivation“.

Manifeste und latente Variablen

Der Unterschied zwischen manifesten und latenten Variablen ist das Herzstück der Faktorenanalyse:

• Manifeste Variablen sind direkt beobachtbar – zum Beispiel die einzelnen Antworten auf Fragebogenitems.
• Latente Variablen (Faktoren) sind nicht direkt messbar, sondern werden aus den Mustern der manifesten Variablen erschlossen – zum Beispiel „Persönlichkeitsmerkmal Extraversion“.

Die Faktorenanalyse nimmt also an, dass die beobachteten Korrelationen zwischen Variablen durch gemeinsame, dahinterliegende Konstrukte erklärbar sind. Das Verfahren identifiziert Cluster interkorrelierter Variablen, die gemeinsame latente Dimensionen abbilden.

Dabei steht für die beobachtete Variable, für die Faktorladung (wie stark Variable i auf Faktor j lädt), für den latenten Faktor und für den variablenspezifischen Fehlerterm.

Wann braucht man eine Faktorenanalyse?

Die Faktorenanalyse ist dann das richtige Verfahren, wenn Sie viele korrelierte Variablen haben und herausfinden wollen, ob diesen eine kleinere Zahl an zugrunde liegenden Dimensionen entspricht. Typische Einsatzszenarien in empirischen Abschlussarbeiten sind:

• Fragebogenentwicklung und Skalenvalidierung: Sie haben selbst einen Fragebogen konstruiert und möchten prüfen, ob Ihre Items die theoretisch angenommenen Dimensionen auch empirisch abbilden.
• Übernahme etablierter Skalen: Sie nutzen ein validiertes Instrument und möchten dessen Faktorstruktur in Ihrer Stichprobe replizieren oder überprüfen.
• Datenreduktion vor weiteren Analysen: Statt 30 Einzelitems in eine Regression aufzunehmen, reduzieren Sie auf fünf Faktorwerte – das verhindert Multikollinearität und erleichtert die Interpretation.
• Theorieentwicklung: Sie möchten explorativ herausfinden, welche latenten Strukturen Ihren Daten zugrunde liegen, ohne vorab eine bestimmte Anzahl von Faktoren anzunehmen.

Ein konkretes Beispiel aus der Praxis: Sie untersuchen in Ihrer Masterarbeit Arbeitszufriedenheit anhand von 24 Fragebogenitems. Statt alle 24 Items einzeln zu analysieren, verdichtet die Faktorenanalyse diese auf zum Beispiel vier Faktoren – etwa „Führungsqualität“, „Kollegenzusammenhalt“, „Aufgabenvielfalt“ und „Vergütung“. Mit diesen Faktoren können Sie anschließend weiterarbeiten, etwa in einer Regressionsanalyse.

Wann ist die Faktorenanalyse nicht geeignet?

Das Verfahren ist nicht sinnvoll, wenn:

• Ihre Variablen kaum oder gar nicht miteinander korrelieren (dann gibt es keine gemeinsame Struktur zu entdecken).
• Sie dichotome oder nominalskalierte Items haben, die keine Intervallskalierung erlauben.
• Ihre Stichprobe zu klein ist – als grobe Orientierung gelten mindestens 100 bis 200 Fälle als sinnvoll.
• Sie eine klar bestätigende Fragestellung haben und ein theoretisch fundiertes Messmodell testen wollen – dann ist die konfirmatorische Faktorenanalyse das richtige Instrument.

Explorative vs. konfirmatorische Faktorenanalyse

Die Faktorenanalyse ist keine einzelne Methode, sondern eine Familie verwandter Verfahren. Die wichtigste Unterscheidung, die Sie für Ihre Arbeit kennen müssen, ist die zwischen explorativer Faktorenanalyse (EFA) und konfirmatorischer Faktorenanalyse (CFA).

Die EFA eignet sich für die Entdeckung möglicher Dimensionen, wenn Sie noch keine gesicherte Theorie über die Faktorstruktur haben. Die CFA hingegen prüft, ob ein vorab spezifiziertes Messmodell gut zu Ihren Daten passt – bei der CFA wird eine einfache Faktorstruktur vorab angenommen und über Güte-der-Anpassung-Tests empirisch geprüft.

In der Praxis findet man beide Verfahren in Abschlussarbeiten. Die EFA ist in Bachelor- und Masterarbeiten häufiger, weil sie weniger Vorannahmen erfordert und mit gängiger Software wie SPSS einfacher umsetzbar ist. Die CFA setzt Kenntnisse der Strukturgleichungsmodellierung voraus und begegnet Ihnen häufiger in Dissertationen oder vertiefenden empirischen Studien.

Methodische Entscheidungen bei der Durchführung

Hier liegt eine Tücke, die viele Studierende unterschätzen: Die Faktorenanalyse ist kein automatischer Prozess, bei dem Sie einfach auf „Berechnen“ klicken und das Ergebnis übernehmen. Sie müssen mehrere inhaltlich begründete Entscheidungen treffen. In der methodischen Literatur wird betont, dass viele Entscheidungen die Ergebnisqualität beeinflussen und Standardoptionen nicht automatisch für jeden Datensatz die beste Lösung liefern.

1. Extraktionsmethode wählen

Die Extraktionsmethode bestimmt, wie die Faktoren aus den Daten berechnet werden. Die wichtigsten Optionen:

• Hauptkomponentenanalyse (PCA): Technisch gesehen keine echte Faktorenanalyse – sie erklärt die gesamte Varianz, nicht nur die gemeinsame. Geeignet für reine Datenreduktion ohne Annahme latenter Konstrukte.
• Hauptachsenanalyse (Principal Axis Factoring, PAF): Modelliert nur die gemeinsame Varianz (Kommunalität) und ist damit methodisch korrekter, wenn Sie latente Konstrukte annehmen.
• Maximum-Likelihood-Extraktion (ML): Erlaubt Signifikanztests und Modellgütemaße; setzt jedoch Normalverteilung der Daten voraus.

Für die meisten Abschlussarbeiten in den Sozialwissenschaften ist die Hauptachsenanalyse die methodisch sauberere Wahl, wenn es um latente Konstrukte geht. Die Hauptkomponentenanalyse ist hingegen dann sinnvoll, wenn Sie schlicht die Datenmenge reduzieren möchten, ohne eine Latent-Variablen-Theorie zu verfolgen. Eine Übersicht aller Extraktionsmethoden mit Software-Output finden Sie in diesem Leitfaden zur Faktorenanalyse in SPSS.

2. Rotation wählen

Nach der Extraktion werden die Faktoren rotiert, um eine möglichst einfache und interpretierbare Lösung zu erhalten. Zwei grundlegende Rotationstypen stehen zur Wahl:

• Orthogonale Rotation (z. B. Varimax): Erzwingt, dass die Faktoren unkorreliert bleiben. Gut interpretierbar, aber inhaltlich nur dann realistisch, wenn Sie tatsächlich unabhängige Dimensionen erwarten.
• Oblique Rotation (z. B. Promax, Oblimin): Lässt Korrelationen zwischen Faktoren zu. Oft realitätsnäher – denn in der Praxis sind psychologische Konstrukte selten völlig unabhängig voneinander.

Eine Faustregel: Wenn Sie inhaltlich keine Unabhängigkeit der Faktoren begründen können, wählen Sie eine oblique Rotation. Zeigt die Interkorrelationsmatrix der Faktoren Werte über 0,30, spricht das klar für eine oblique Rotation.

3. Faktoranzahl bestimmen

Wie viele Faktoren sollen extrahiert werden? Diese Entscheidung sollte auf mehreren Kriterien beruhen:

• Kaiser-Kriterium: Alle Faktoren mit einem Eigenwert werden beibehalten. Einfach anzuwenden, aber tendenziell zu liberal – es werden oft zu viele Faktoren extrahiert.
• Screeplot: Visualisierung der Eigenwerte in absteigender Reihenfolge. Der „Knick“ im Verlauf markiert die sinnvolle Faktoranzahl.
• Parallelanalyse: Vergleich der empirischen Eigenwerte mit simulierten Zufallsdaten. Gilt als die robusteste Methode.
• Inhaltliche Interpretierbarkeit: Können die extrahierten Faktoren sinnvoll benannt und theoretisch begründet werden?

Voraussetzungen der Faktorenanalyse

Bevor Sie eine Faktorenanalyse durchführen, sollten Sie die methodischen Voraussetzungen prüfen. Das gehört in Ihrer Arbeit zur Darstellung des Auswertungsvorgehens dazu – und lässt sich gut im Rahmen eines strukturierten Auswertungsplans dokumentieren.

Stichprobengröße

Als grobe Orientierung gilt: Je mehr Fälle, desto stabiler die Faktorlösung. In der Literatur werden verschiedene Daumenregeln diskutiert:

• Mindestens 5–10 Fälle pro Item (also bei 20 Items: 100–200 Fälle)
• Absolute Mindestgröße: 100 Fälle
• Für stabile, replizierbare Ergebnisse: 200+ Fälle

Kleine Stichproben können zu instabilen Faktorlösungen führen, die sich in anderen Stichproben nicht replizieren lassen. Mehr zur Planung der richtigen Stichprobengröße erfahren Sie in unserem Beitrag zur Stichprobengrößenberechnung.

Korrelationsstruktur der Daten

Die Faktorenanalyse setzt voraus, dass Ihre Variablen substanziell miteinander korrelieren. Prüfen Sie das anhand von:

• Kaiser-Meyer-Olkin-Maß (KMO): Werte ab 0,60 gelten als akzeptabel, ab 0,80 als gut. Das KMO-Maß misst, ob die Korrelationsstruktur für eine Faktorenanalyse geeignet ist.
• Bartlett-Test auf Sphärizität: Der Test prüft, ob die Korrelationsmatrix sich signifikant von der Einheitsmatrix unterscheidet (p < 0,05 gewünscht). Ist er nicht signifikant, gibt es keine gemeinsame Struktur zu entdecken.
• Kommunalitäten: Werte unter 0,30 deuten darauf hin, dass ein Item kaum durch die Faktoren erklärt wird – und aus der Analyse ausgeschlossen werden sollte.

Skalenniveau

Die klassische Faktorenanalyse setzt metrisch skalierte Variablen voraus. In der Praxis werden häufig Likert-Skalen mit mindestens 5 Antwortkategorien als quasi-metrisch behandelt – das ist methodisch vertretbar, sollte aber in Ihrer Arbeit erwähnt werden. Für dichotome oder ordinale Daten existieren Spezialverfahren (z. B. tetrachorische oder polychorische Korrelationen als Eingangsmatrix).

Ergebnisse lesen und interpretieren

Das Ergebnis einer Faktorenanalyse wird in der Faktorladungsmatrix zusammengefasst. Jede Zeile entspricht einer Variable, jede Spalte einem Faktor. Die Werte – die Faktorladungen – zeigen, wie stark jede Variable auf jeden Faktor lädt.

Was sind gute Faktorladungen?

Als grobe Orientierung gilt:

• ≥ 0,50: Klare, bedeutsame Ladung – das Item gehört eindeutig zu diesem Faktor.
• 0,30–0,49: Moderate Ladung – noch akzeptabel, aber mit Vorsicht zu interpretieren.
• < 0,30: Schwache Ladung – das Item trägt kaum zur Faktorstruktur bei.

Achten Sie außerdem auf Doppelladungen: Ein Item, das auf zwei Faktoren ähnlich hoch lädt (z. B. 0,45 und 0,43), ist inhaltlich nicht eindeutig zuzuordnen und sollte hinterfragt oder ausgeschlossen werden.

Faktorinterpretation und -benennung

Nachdem Sie die Ladungsmatrix betrachtet haben, benennen Sie jeden Faktor inhaltlich. Das erfordert, dass Sie die Items, die hoch auf einen Faktor laden, gemeinsam betrachten und einen übergeordneten Begriff finden, der ihre gemeinsame Bedeutung erfasst. Diese Benennung ist immer ein interpretatorischer Schritt – und sollte in Ihrer Arbeit nachvollziehbar begründet werden.

Wie Sie die Ergebnisse anschließend korrekt berichten – inklusive Tabellen und Kennwertangaben – zeigt unser Beitrag zur APA-konformen Darstellung statistischer Ergebnisse.

Typische Fehler und wie Sie sie vermeiden

Die Faktorenanalyse zählt zu den Verfahren, bei denen methodische Fehler in Abschlussarbeiten besonders häufig vorkommen – nicht weil das Verfahren unlösbar komplex wäre, sondern weil es viele Entscheidungen erfordert, die leicht unreflektiert übernommen werden. Die häufigsten Probleme:

• Hauptkomponentenanalyse und Faktorenanalyse werden gleichgesetzt. Beides sind unterschiedliche Verfahren mit unterschiedlichen Annahmen. Welches für Ihre Fragestellung passt, sollten Sie begründen können.
• Nur das Kaiser-Kriterium wird genutzt. Kombinieren Sie es mindestens mit dem Screeplot und prüfen Sie die inhaltliche Interpretierbarkeit.
• Varimax wird standardmäßig gewählt, ohne zu prüfen, ob Faktorunabhängigkeit überhaupt plausibel ist.
• Items mit niedrigen Kommunalitäten oder Doppelladungen werden nicht ausgeschlossen, was die Faktorstruktur verzerrt.
• Die Stichprobe ist zu klein für eine stabile Lösung – gerade in Bachelorarbeiten ein häufiges Problem.

Wer eine professionelle statistische Auswertung für empirische Abschlussarbeiten plant, sollte die Wahl der Extraktionsmethode, Rotation und Faktoranzahl immer dokumentieren und begründen – nicht einfach die Softwaredefaults übernehmen.

Wenn Sie unsicher sind, welches Verfahren für Ihre Fragestellung das richtige ist, hilft ein Blick auf den Entscheidungsbaum für statistische Tests oder – noch besser – ein Gespräch mit einem Methodenexperten, bevor Sie mit der Auswertung beginnen. In der Praxis zeigt sich, dass frühe methodische Beratung spätere Korrekturen erspart und die Qualität der Ergebnisse deutlich verbessert.