Wie führe ich eine Faktorenanalyse in SPSS durch?

Die Faktorenanalyse in SPSS lässt sich über den Menüpfad Analysieren → Dimensionsreduktion → Faktor aufrufen. Dahinter verbirgt sich jedoch weit mehr als ein einzelner Klick: Welche Extraktionsmethode sinnvoll ist, wie viele Faktoren behalten werden sollten und ob rotiert wird, sind Entscheidungen, die den Output erheblich beeinflussen – und in Ihrer Abschlussarbeit begründet werden müssen.

Dieser Artikel führt Sie Schritt für Schritt durch die gesamte Analyse, von der Methodenwahl bis zur Interpretation des Outputs.

PCA oder EFA – welche Methode ist die richtige?

Viele Studierende stolpern direkt über die erste grundlegende Frage: Führen Sie eine Hauptkomponentenanalyse (PCA) oder eine Explorative Faktorenanalyse (EFA) durch? Beide Verfahren stecken in SPSS hinter dem Begriff „Faktor“, obwohl sie auf unterschiedlichen Modellen beruhen.

Der zentrale Unterschied liegt in der Varianzpartitionierung. Bei der PCA werden alle beobachteten Variablen zu linearen Kombinationen (Komponenten) verdichtet – es gibt keine Trennung zwischen gemeinsamer Varianz und Messfehler. Die EFA hingegen zielt darauf ab, latente Faktoren zu identifizieren, die die beobachteten Zusammenhänge erklären, und trennt dabei systematisch zwischen gemeinsamer Varianz (Kommunalität) und einzigartiger Varianz (einschließlich Messfehler).

In der Methodenliteratur wird ausdrücklich empfohlen, diese Entscheidung nicht dem Zufall zu überlassen, sondern die Wahl der Extraktionsmethode theoretisch zu begründen – denn sie bestimmt, wie die resultierenden Faktoren inhaltlich interpretiert werden dürfen.

Voraussetzungen der Faktorenanalyse prüfen

Bevor Sie die Analyse durchführen, sollten Sie prüfen, ob Ihre Daten überhaupt für eine Faktorenanalyse geeignet sind. Die wichtigsten Voraussetzungen:

• Skalenniveau: Die Variablen sollten metrisch oder zumindest ordinalskaliert mit ausreichend vielen Abstufungen sein (z. B. Likert-Skalen mit 5–7 Stufen).
• Stichprobengröße: Als Faustregel gilt etwa 5–10 Beobachtungen pro Variable, wobei absolute Mindestwerte um n = 100 bis 200 für stabile Lösungen empfohlen werden.
• Interkorrelationen: Die Variablen müssen untereinander korrelieren. Prüfen Sie dies mit dem KMO-Kriterium und dem Bartlett-Test.
• Keine extremen Ausreißer: Stark abweichende Fälle können die Faktorstruktur verzerren.

KMO und Bartlett-Test in SPSS anfordern

Das Kaiser-Meyer-Olkin-Kriterium (KMO) misst, ob die Korrelationsstruktur der Variablen für eine Faktorenanalyse geeignet ist. Werte ab 0,60 gelten als akzeptabel, ab 0,80 als gut. Der Bartlett-Test auf Sphärizität prüft, ob die Korrelationsmatrix signifikant von einer Einheitsmatrix abweicht – er sollte signifikant sein (p < .05).

Beide Tests fordern Sie in SPSS über die Schaltfläche Deskriptive Statistiken im Faktorenanalyse-Dialog an, indem Sie dort „KMO und Bartlett-Test auf Sphärizität“ aktivieren.

Faktorenanalyse in SPSS Schritt für Schritt

Öffnen Sie Ihren Datensatz und folgen Sie diesem Menüpfad:

Analysieren → Dimensionsreduktion → Faktor…

Es öffnet sich das Hauptdialogfenster der Faktorenanalyse. Hier verschieben Sie alle zu analysierenden Variablen in die Liste Variablen. Anschließend stehen Ihnen fünf Untermenüs zur Verfügung:

Klicken Sie nach Ihren Einstellungen auf OK, um die Analyse zu starten. Der Output erscheint im SPSS Viewer.

SPSS-Syntax für die Faktorenanalyse

Wer die Analyse reproduzierbar dokumentieren möchte – was für Abschlussarbeiten empfehlenswert ist –, kann dieselbe Prozedur auch über die SPSS-Syntax ausführen. Ein typischer Syntax-Aufruf für eine EFA mit Hauptachsenanalyse und Oblimin-Rotation sieht so aus:

FACTOR
  /VARIABLES item1 item2 item3 item4 item5 item6 item7 item8 item9
  /MISSING LISTWISE
  /ANALYSIS item1 item2 item3 item4 item5 item6 item7 item8 item9
  /PRINT INITIAL KMO EXTRACTION ROTATION
  /PLOT EIGEN
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PAF
  /CRITERIA ITERATE(25)
  /ROTATION OBLIMIN
  /SAVE REG(ALL)
  /METHOD=CORRELATION.

Wie Sie solche Syntax-Dateien in SPSS anlegen, speichern und für spätere Analysen wiederverwenden, ist in einem separaten Beitrag zur SPSS-Syntax ausführlich beschrieben.

Extraktionsmethode und Faktorenzahl bestimmen

Klicken Sie im Hauptdialog auf Extraktion. Hier treffen Sie zwei wichtige Entscheidungen: die Extraktionsmethode und das Kriterium für die Faktorenzahl.

Welche Extraktionsmethode wählen?

SPSS bietet mehrere Methoden an. Die verfügbaren Extraktionsverfahren umfassen unter anderem Hauptkomponentenanalyse, Hauptachsenanalyse, Maximum Likelihood sowie Unweighted und Generalized Least Squares. Für die Praxis sind vor allem drei relevant:

• Principal Components (Hauptkomponentenanalyse): Eignet sich zur Datenreduktion. Die erste Komponente erklärt den maximalen Varianzanteil, jede weitere Komponente erklärt einen abnehmenden Anteil der verbleibenden Varianz.
• Principal Axis Factoring (Hauptachsenanalyse): Die klassische EFA-Methode. SPSS schätzt die Kommunalitäten iterativ, bis ein Konvergenzkriterium erfüllt ist. Empfohlen, wenn Sie latente Konstrukte modellieren.
• Maximum Likelihood: Erzeugt Parameterschätzungen, die die beobachtete Korrelationsmatrix unter der Annahme multivariater Normalverteilung am wahrscheinlichsten erzeugen. Erlaubt Modellfit-Tests, setzt aber Normalverteilung voraus.

Für die meisten Abschlussarbeiten in Psychologie und Sozialwissenschaften mit Likert-Skalen ist die Hauptachsenanalyse (PAF) die methodisch sauberste Wahl.

Wie viele Faktoren extrahieren?

Für die Faktorenanzahl stehen in SPSS zwei Voreinstellungen zur Verfügung: das Eigenwertkriterium (Kaiser-Kriterium) und die Vorgabe einer festen Faktorenzahl. Aktivieren Sie zusätzlich den Scree Plot, indem Sie das entsprechende Häkchen im Extraktion-Untermenü setzen.

Der Eigenwert eines Faktors gibt an, wie viel Varianz er insgesamt erklärt – gemessen in Einheiten der Varianz einer einzelnen Variable. Formal gilt:

Dabei ist der Eigenwert des j-ten Faktors, die Ladung der i-ten Variable auf diesem Faktor und die Gesamtzahl der Variablen. Ein Eigenwert von 3 bedeutet also, dass der Faktor so viel Varianz erklärt wie drei einzelne Variablen zusammen.

Rotation wählen: orthogonal oder oblique?

Klicken Sie im Hauptdialog auf Rotation. Ohne Rotation sind Faktoren oft schwer interpretierbar, weil Variablen ähnlich stark auf mehrere Faktoren laden. Die Rotation verbessert die Einfachstruktur – das Ziel, dass jede Variable möglichst hoch auf einen und möglichst niedrig auf alle anderen Faktoren lädt.

Orthogonale Rotation: Varimax

Varimax ist die am häufigsten verwendete orthogonale Rotation. Sie hält die Faktoren unkorreliert – eine Annahme, die inhaltlich nicht immer realistisch ist, die Interpretation aber vereinfacht. Wählen Sie Varimax, wenn Sie theoretisch unabhängige Dimensionen erwarten.

Oblique Rotation: Oblimin oder Promax

Direct Oblimin und Promax erlauben korrelierte Faktoren. In den Sozialwissenschaften und der Psychologie hängen latente Konstrukte meist zusammen – daher ist eine oblique Rotation in der Regel realistischer. Der Output enthält dann eine Mustermatrix (zeigt die direkten Faktorladungen) und eine Strukturmatrix (zeigt Korrelationen zwischen Variablen und Faktoren); für die Interpretation verwenden Sie primär die Mustermatrix.

Aktivieren Sie im Rotationsdialog außerdem die Option Ladungsdiagramm, um eine grafische Darstellung der rotierten Lösung zu erhalten, die sich gut in Abschlussarbeiten einbinden lässt.

Den SPSS-Output interpretieren

Nach dem Klick auf OK erzeugt SPSS mehrere Output-Tabellen. Die wichtigsten im Überblick:

KMO und Bartlett-Test

Die erste relevante Tabelle zeigt den KMO-Wert und den Bartlett-Test. Berichten Sie beides: Den KMO-Wert als Maß für die Stichprobeneignung und den Bartlett-Test mit Chi-Quadrat-Wert, Freiheitsgraden und Signifikanzniveau.

Kommunalitäten

Die Tabelle der Kommunalitäten zeigt für jede Variable, wie viel Varianz durch die extrahierten Faktoren gemeinsam erklärt wird. Werte unter 0,30 deuten darauf hin, dass eine Variable schlecht in das Faktormodell passt und ggf. aus der Analyse ausgeschlossen werden sollte.

Erklärte Gesamtvarianz

Diese zentrale Tabelle listet alle extrahierten Faktoren mit ihren Eigenwerten, dem prozentualen und kumulierten Varianzanteil – jeweils vor und nach der Rotation. Für Ihre Abschlussarbeit berichten Sie typischerweise die kumulierte erklärte Varianz nach Rotation.

Rotierte Komponentenmatrix / Mustermatrix

Die rotierte Matrix zeigt die Faktorladungen: Wie stark lädt jede Variable auf welchen Faktor? Als Faustregel gilt eine Mindestladung von |0,40| für die Interpretation, wobei viele Methodiker sogar |0,50| empfehlen. Variablen, die auf mehrere Faktoren annähernd gleich hoch laden (Querladungen), sollten kritisch bewertet werden.

Beim Berechnen von Cronbachs Alpha für die identifizierten Skalen nutzen Sie anschließend genau diese Faktorstruktur als Grundlage.

Scree Plot lesen

Der Scree Plot zeigt die Eigenwerte aller möglichen Faktoren in absteigender Reihenfolge. Der „Knick“ in der Kurve – der sogenannte Scree – markiert den Punkt, ab dem zusätzliche Faktoren nur noch wenig Varianz erklären. Faktoren oberhalb dieses Knicks werden behalten. Der Scree Plot liefert oft klarere Hinweise als das Kaiser-Kriterium allein, sollte aber immer in Kombination mit inhaltlichen Überlegungen genutzt werden.

In der Fachliteratur wird betont, dass die Faktorenanzahl nie rein mechanisch bestimmt werden sollte, sondern immer durch die Konvergenz von Eigenwertkriterium, Scree Plot und theoretischer Plausibilität.

Faktorwerte speichern und weiternutzen

Wenn Sie die identifizierten Faktoren in weiteren Analysen – etwa einer Regression oder einem Gruppenvergleich – verwenden möchten, können Sie Faktorwerte direkt im Datensatz speichern.

Klicken Sie im Hauptdialog auf Faktorwerte und aktivieren Sie Als Variablen speichern. SPSS fügt dem Datensatz neue Variablen hinzu (FAC1_1, FAC2_1 usw.), die für jeden Fall den geschätzten Faktorwert enthalten. Die Regressionsmethode zur Schätzung der Faktorwerte ist in den meisten Fällen ausreichend; für speziellere Anwendungen stehen auch Bartlett- und Anderson-Rubin-Schätzungen zur Verfügung.

Ergebnisse korrekt berichten

Die Faktorenanalyse gehört zu jenen Verfahren, bei denen viele Studierende im Ergebnisteil Lücken lassen. Ein vollständiger Bericht enthält:

Für den Export der Tabellen aus dem SPSS Viewer in Ihr Textverarbeitungsprogramm finden Sie konkrete Hinweise im Beitrag zum Export von SPSS-Ergebnissen für Abschlussarbeiten.

Die Faktorenanalyse ist eines der anspruchsvolleren Verfahren in der quantitativen Forschung – nicht wegen der Bedienung in SPSS, sondern wegen der vielen methodischen Entscheidungen, die jede für sich begründet werden muss. Wer diese Entscheidungen transparent dokumentiert, legt eine solide Grundlage für die Interpretation der Ergebnisse und überzeugt auch methodisch kritische Gutachtende. Wenn Sie dabei Unterstützung benötigen, bietet professionelle SPSS-Hilfe eine zuverlässige Orientierung – von der Methodenwahl bis zur fertigen Tabelle.