Wie führt man eine Faktorenanalyse in den Sozialwissenschaften durch?
In diesem Beitrag
- Was ist eine Faktorenanalyse – und wofür braucht man sie?
- EFA oder CFA: Welche Variante passt zu Ihrer Studie?
- Schritt 1 – Dateneignung prüfen
- Schritt 2 – Extraktionsmethode wählen
- Schritt 3 – Faktorenanzahl bestimmen
- Schritt 4 – Rotation wählen
- Schritt 5 – Ladungen interpretieren und Faktoren benennen
- Praktische Umsetzung in SPSS
- Häufige Fehler und wie Sie sie vermeiden
- Ergebnisse korrekt berichten
Was ist eine Faktorenanalyse – und wofür braucht man sie?
Die Faktorenanalyse ist ein multivariates statistisches Verfahren, das viele beobachtbare Variablen auf eine kleinere Anzahl zugrundeliegender Dimensionen – sogenannte latente Faktoren – zurückführt. Sie beantwortet die Frage: Welche Items in meinem Fragebogen messen eigentlich dasselbe Konstrukt?
In den Sozialwissenschaften begegnet man ihr vor allem bei der Entwicklung und Validierung von Skalen, bei der Auswertung von Befragungsdaten mit Likert-Items sowie beim Nachweis der Konstruktvalidität eines Messinstruments. Wer also in seiner Abschlussarbeit einen Fragebogen zu Einstellungen, Persönlichkeitsmerkmalen oder sozialen Überzeugungen auswertet, wird früher oder später mit der Faktorenanalyse in Berührung kommen.
In der Methodenliteratur werden Faktorenanalyse und PCA klar voneinander abgegrenzt: Wer an latenten Konstrukten interessiert ist – also beispielsweise daran, ob sich hinter 20 Items tatsächlich drei theoretisch sinnvolle Faktoren verbergen –, sollte zur Faktorenanalyse greifen. Die PCA ist hingegen angemessen, wenn es ausschließlich um Datenkompression geht.
Für einen breiteren Überblick über den Stellenwert solcher Verfahren lohnt sich der Blick auf den Beitrag zu den gängigen statistischen Verfahren in den Sozialwissenschaften, der die Faktorenanalyse in den Kontext des methodischen Werkzeugkastens einordnet.
EFA oder CFA: Welche Variante passt zu Ihrer Studie?
Bevor Sie mit der eigentlichen Analyse beginnen, müssen Sie eine grundlegende Entscheidung treffen: Explorative Faktorenanalyse (EFA) oder Konfirmatorische Faktorenanalyse (CFA)?
| Kriterium | EFA | CFA |
|---|---|---|
| Ziel | Struktur explorativ entdecken | Vorab spezifiziertes Modell prüfen |
| Theoretische Voraussetzung | Gering bis moderat | Hoch (Theorie muss vorliegen) |
| Typische Anwendung | Neue Skalen, unbekannte Strukturen | Validierung etablierter Instrumente |
| Software | SPSS, R, Stata | R (lavaan), AMOS, Mplus |
| Ergebnis | Faktorstruktur wird datengetrieben gefunden | Modell-Fit-Indizes (CFI, RMSEA usw.) |
Die EFA ist als heuristische Strukturfindung konzipiert, die CFA hingegen prüft ein theoretisch begründetes Modell. In Abschlussarbeiten dominiert die EFA, weil viele Forschende entweder eigene Instrumente entwickeln oder mangels etablierter deutschsprachiger Normen eine erste Strukturprüfung vornehmen müssen.
Der Rest dieses Artikels fokussiert auf die explorative Faktorenanalyse, da sie in sozialwissenschaftlichen Studien das mit Abstand häufigste Verfahren ist. Das klingt zunächst methodisch anspruchsvoll, folgt aber einer klar strukturierten Abfolge von fünf Schritten.
Schritt 1 – Dateneignung prüfen
Der erste Schritt besteht darin, zu prüfen, ob Ihre Daten überhaupt für eine Faktorenanalyse geeignet sind. Dabei spielen drei Aspekte eine Rolle: Stichprobengröße, Interkorrelationen der Items und statistische Eignungstests.
Stichprobengröße
Pauschale Regeln wie „mindestens 5 oder 10 Probanden pro Item“ sind in der Methodenliteratur umstritten – starre N:p-Regeln gelten als uneinheitlich und kontextabhängig. Entscheidender ist, dass die Stichprobe groß genug ist, um stabile Korrelationsschätzungen zu liefern. Als Richtwert gilt in der Praxis eine Mindeststichprobe von n = 100 bis 200 für Instrumente mit 20 bis 40 Items.
Interkorrelationen der Items
Items, die nicht miteinander korrelieren, lassen sich nicht zu Faktoren zusammenfassen. Prüfen Sie die Korrelationsmatrix: Wenn kaum Korrelationen über .30 vorliegen, ist eine Faktorenanalyse wenig sinnvoll.
KMO-Wert und Bartlett-Test
Zwei Kennzahlen helfen dabei, die Eignung der Daten statistisch zu beurteilen:
- Kaiser-Meyer-Olkin-Kriterium (KMO): Misst, ob die Korrelationsmuster für eine Faktorenanalyse geeignet sind. Werte ab .50 gelten als akzeptabel, ab .80 als gut.
- Bartlett-Test auf Sphärizität: Prüft, ob die Korrelationsmatrix signifikant von einer Einheitsmatrix abweicht. Das Ergebnis sollte p < .05 sein.
Schritt 2 – Extraktionsmethode wählen
Die Extraktionsmethode bestimmt, wie die Faktoren mathematisch aus den Daten berechnet werden. In der Praxis stehen vor allem zwei Verfahren zur Wahl:
- Maximum-Likelihood-Methode (ML): Empfohlen, wenn die Daten annähernd multivariat normalverteilt sind. Erlaubt die Berechnung von Fit-Indizes, Signifikanztests sowie Konfidenzintervallen für Ladungen – methodisch also die transparenteste Option.
- Principal Axis Factoring (PAF): Robuster gegenüber Verletzungen der Normalverteilungsannahme und deshalb oft die bessere Wahl bei Likert-Skalen mit wenigen Antwortkategorien.
Bei klaren Abweichungen von der multivariaten Normalverteilung – was bei Likert-Daten in den Sozialwissenschaften häufig vorkommt – ist PAF oft die pragmatischere Entscheidung. Die Frage, welche Besonderheiten bei Likert-Skalen zu beachten sind, wird in einem eigenen Beitrag ausführlich behandelt.
Schritt 3 – Faktorenanzahl bestimmen
Dies ist der methodisch heikelste Schritt – und gleichzeitig derjenige, bei dem in der Praxis die meisten Fehler gemacht werden. Wie viele Faktoren soll das Modell enthalten?
Eigenwert-Kriterium (Kaiser-Kriterium)
Das sogenannte Kaiser-Kriterium – Eigenwert > 1 als Schwellenwert – ist das bekannteste und in SPSS standardmäßig voreingestellte Verfahren. Es hat jedoch einen entscheidenden Nachteil: In Simulationsstudien tendiert es dazu, systematisch zu viele Faktoren zu behalten. Als alleiniges Entscheidungskriterium ist es nicht empfehlenswert.
Eigenwert eines Faktors
Der Eigenwert eines Faktors entspricht der Summe der quadrierten Ladungen aller Items auf diesen Faktor. Ein Eigenwert von 1 bedeutet, dass der Faktor genauso viel Varianz erklärt wie eine einzelne Variable.
Scree-Plot
Der Scree-Plot stellt Eigenwerte gegen die Faktorenanzahl dar. Dort, wo die Kurve einen deutlichen Knick zeigt und flacher wird, wird die Faktorenanzahl abgelesen. Dieses Verfahren erfordert eine gewisse Urteilskraft, ist aber in der Kombination mit anderen Kriterien zuverlässiger als das Kaiser-Kriterium allein.
Parallelanalyse
Die Parallelanalyse gilt heute als eines der präzisesten Verfahren zur Bestimmung der Faktorenanzahl. Dabei werden zufällig erzeugte Datensätze mit denselben Dimensionen simuliert und die daraus resultierenden Eigenwerte mit den empirischen Eigenwerten verglichen. Nur Faktoren, deren Eigenwerte über dem zufälligen Vergleichswert liegen, werden beibehalten.
Die Empfehlung aus der Methodenliteratur lautet eindeutig: Kombinieren Sie mehrere Kriterien. Scree-Plot, erklärte Varianz und Parallelanalyse gemeinsam zu betrachten, führt zu stabileren Entscheidungen als die blinde Anwendung einer einzigen Regel.
Schritt 4 – Rotation wählen
Nach der Extraktion sind die Faktoren mathematisch korrekt, aber oft schwer interpretierbar. Die Rotation dreht das Faktorensystem so, dass die Ladungsstruktur einfacher und interpretationsfähiger wird – ohne die erklärte Gesamtvarianz zu verändern.
Orthogonale Rotation (Varimax)
Varimax ist die bekannteste orthogonale Rotationsmethode. Sie erzwingt, dass die Faktoren unkorreliert bleiben, und maximiert dabei die Varianz der Ladungen innerhalb jedes Faktors. Das Ergebnis ist eine klare Trennung der Items auf die Faktoren.
Oblique Rotation (Oblimin, Promax)
In sozialwissenschaftlichen Anwendungen sind Faktoren jedoch häufig inhaltlich verwandt – und damit tatsächlich korreliert. Wer zum Beispiel Persönlichkeitsdimensionen misst, muss damit rechnen, dass Neurotizismus und Extraversion nicht vollständig unabhängig voneinander sind. In solchen Fällen ist eine oblique Rotation theoretisch angemessener, weil sie Faktorkorrelationen zulässt.
Bei obliquer Rotation liefert SPSS zwei Matrizen: die Mustermatrix (eindeutige Ladungen nach Kontrolle der Faktorkorrelationen) und die Strukturmatrix (einfache Korrelationen zwischen Items und Faktoren). Für die Interpretation der Items werden in der Regel die Ladungen der Mustermatrix herangezogen.
Schritt 5 – Ladungen interpretieren und Faktoren benennen
Nach der Rotation folgt die inhaltliche Interpretation. Im Mittelpunkt stehen die Faktorladungen – Korrelationskoeffizienten zwischen Items und Faktoren, die Werte zwischen −1 und +1 annehmen.
Ladungsschwellen
Als Mindestladung für die Interpretation gilt in der Methodenliteratur ein Wert von .30 – Items, die unter diesem Schwellenwert laden, tragen kaum zur Faktorstruktur bei. Darüber hinaus gelten folgende Richtwerte für eine „saubere“ Struktur:
- Ladungen gelten als substanziell
- Ladungen gelten als hoch
- Jeder Faktor sollte mindestens drei Items mit substanzieller Ladung aufweisen
- Cross-Loadings (ein Item lädt auf mehrere Faktoren ) sind ein Warnsignal für unklare Itemzuordnung
Kommunalitäten
Die Kommunalität eines Items gibt an, welcher Anteil seiner Gesamtvarianz durch die extrahierten Faktoren erklärt wird. Hohe Extraktionskommunalitäten zeigen, dass das Item gut durch die Faktorstruktur repräsentiert wird. Kommunalitäten unter .40 gelten als Warnsignal – das entsprechende Item trägt nur wenig zur gemeinsamen Faktorstruktur bei und sollte kritisch überprüft werden.
Faktoren benennen
Sind die Faktorladungen interpretiert, werden die Faktoren inhaltlich benannt. Der Name sollte das übergeordnete Konstrukt widerspiegeln, das alle hoch ladenden Items gemeinsam messen. Dieser Schritt ist der theoriegeleitetste im gesamten Prozess – hier verbinden Sie die empirische Struktur mit Ihrer Forschungsfrage.
Praktische Umsetzung in SPSS
SPSS ist in den Sozialwissenschaften die meistgenutzte Software für explorative Faktorenanalysen. Der Menüpfad lautet:
Analysieren → Dimensionsreduktion → Faktor
Im Dialogfenster nehmen Sie folgende Einstellungen vor:
- Variablen: Alle Items in das Variablenfeld ziehen
- Deskriptive Statistik: KMO und Bartlett-Test aktivieren, Kommunalitäten anzeigen
- Extraktion: Methode wählen (Principal Axis Factoring oder Maximum Likelihood), Anzahl der Faktoren festlegen oder nach Eigenwert > 1 extrahieren lassen, Scree-Plot aktivieren
- Rotation: Methode auswählen (Varimax für orthogonal; Direct Oblimin oder Promax für oblique)
- Optionen: Ladungen unter .30 unterdrücken aktivieren
FACTOR
/VARIABLES item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
/MISSING LISTWISE
/ANALYSIS item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
/PRINT INITIAL KMO EXTRACTION ROTATION
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PAF
/CRITERIA ITERATE(25)
/ROTATION OBLIMIN
/METHOD=CORRELATION.Die Syntax gibt Ihnen maximale Kontrolle über die Einstellungen und lässt sich jederzeit reproduzieren – ein wichtiger Aspekt für die Dokumentation in einer Abschlussarbeit. Wer sich noch unsicher ist, welche Software für die eigene Studie am besten geeignet ist, findet eine Übersicht im Beitrag zur Software für sozialwissenschaftliche Datenanalysen.
Häufige Fehler und wie Sie sie vermeiden
In der Praxis begegnen Gutachtenden immer wieder dieselben methodischen Schwächen bei faktoranalytischen Auswertungen. Die folgende Übersicht zeigt die häufigsten Fallstricke:
Worauf Sie achten sollten
- Kaiser-Kriterium nicht als einziges Kriterium zur Faktorbestimmung verwenden
- Rotationswahl begründen – nicht einfach Varimax als Standard übernehmen
- Faktorkorrelationsmatrix bei obliquer Rotation berichten und kommentieren
- Kommunalitäten unter .40 kritisch diskutieren oder betroffene Items ausschließen
- Cross-Loadings kenntlich machen und inhaltlich reflektieren
- Faktoren mit weniger als drei Items als instabil kennzeichnen
- EFA und PCA nicht verwechseln oder gleichsetzen
- Stichprobengröße in Relation zur Itemzahl ausreichend begründen
Ein weiterer Punkt, der in Abschlussarbeiten oft unterschätzt wird, ist die Frage der Effektstärken in den Sozialwissenschaften: Auch bei Faktorenanalysen sollte die erklärte Varianz der extrahierten Faktoren klar ausgewiesen werden, um die praktische Bedeutsamkeit der Lösung beurteilen zu können.
Ergebnisse korrekt berichten
Die Darstellung faktoranalytischer Ergebnisse folgt in sozialwissenschaftlichen Arbeiten meist den APA-Richtlinien. Folgende Elemente gehören in den Ergebnisteil:
- KMO-Wert und Bartlett-Test (mit Chi-Quadrat, Freiheitsgraden und p-Wert)
- Extraktionsmethode und Rotationsverfahren mit Begründung
- Kriterien zur Bestimmung der Faktorenzahl (Eigenwert, Scree-Plot, Parallelanalyse)
- Rotierte Ladungsmatrix als Tabelle (Ladungen unter .30 unterdrückt)
- Kommunalitäten und erklärte Gesamtvarianz je Faktor
- Faktorkorrelationsmatrix bei obliquer Rotation
- Benennung und inhaltliche Interpretation der Faktoren
Ein Beispielsatz für den Methodenteil könnte lauten: „Zur Prüfung der Faktorstruktur wurde eine explorative Faktorenanalyse mit Principal Axis Factoring und obliqer Rotation (Direct Oblimin) durchgeführt. Der KMO-Wert betrug .84, der Bartlett-Test war signifikant (χ²(45) = 612.3, p < .001). Anhand von Scree-Plot und Parallelanalyse wurden drei Faktoren extrahiert, die gemeinsam 58 % der Varianz erklären.“
Wie statistische Ergebnisse allgemein nach APA korrekt formatiert werden, erläutert der Beitrag zum Berichten statistischer Ergebnisse nach APA in den Sozialwissenschaften.
Die Faktorenanalyse ist ein Verfahren, das auf den ersten Blick viele Entscheidungen gleichzeitig verlangt. In der Praxis zeigt sich jedoch, dass die Schritte gut strukturierbar sind – und dass eine sorgfältige Dokumentation jeder Entscheidung den Unterschied zwischen einer methodisch überzeugenden und einer angreifbaren Auswertung ausmacht. Wenn Sie Unterstützung bei der Planung oder Durchführung benötigen, finden Sie bei der methodischen Begleitung für sozialwissenschaftliche Studien einen Ansprechpartner, der Sie durch den gesamten Analyseprozess begleitet.
