Was ist eine konfirmatorische Faktorenanalyse in Amos?

Was ist eine konfirmatorische Faktorenanalyse?

Die konfirmatorische Faktorenanalyse (kurz: CFA, von englisch Confirmatory Factor Analysis) ist ein statistisches Verfahren, mit dem Sie eine vorab theoretisch begründete Faktorstruktur an empirischen Daten überprüfen. Anders als bei der explorativen Variante legen Sie nicht die Software bestimmen, welche Variablen auf welche Faktoren laden – Sie definieren die Struktur selbst und prüfen dann, wie gut sie zur beobachteten Kovarianzmatrix passt.

Methodisch wurde dieses Prinzip in der Grundlagenarbeit zur konfirmatorischen Maximum-Likelihood-Faktorenanalyse klar formuliert: Parameter eines Faktormodells können gezielt fixiert, andere frei geschätzt werden – Rotation ist nicht mehr nötig, weil die Struktur durch theoretische Restriktionen bereits vorab definiert ist. Eine CFA ist damit keine Datenreduktionsmethode, sondern eine Hypothesenprüfung über die Messstruktur Ihrer Konstrukte.

In der Forschungspraxis kommt die CFA vor allem dann zum Einsatz, wenn Sie einen Fragebogen mit etablierten Skalen einsetzen, ein Konstrukt durch mehrere Indikatoren messen und sicherstellen möchten, dass diese Indikatoren tatsächlich das messen, was sie messen sollen. Das ist der Kern von Konstruktvalidierung.

CFA vs. EFA: Der entscheidende Unterschied

Viele Studierende verwechseln CFA und EFA oder sind unsicher, wann welches Verfahren passt. Der Unterschied ist konzeptuell klar, aber in der Praxis oft unterbewertet.

Für eine Abschlussarbeit bedeutet das: Wenn Sie einen etablierten Fragebogen (z. B. einen validierten Persönlichkeitstest oder ein standardisiertes Instrument) verwenden, spricht das für eine CFA. Wenn Sie selbst Items entwickeln und noch nicht wissen, welche Faktorstruktur sich ergibt, ist die EFA der richtige erste Schritt. In manchen Designs kommen beide Verfahren nacheinander vor – EFA in einer Vorstichprobe, CFA in der Hauptstichprobe.

Wie funktioniert eine CFA in Amos?

Amos (Analysis of Moment Structures) ist eine grafische SEM-Software von IBM, die CFA-Modelle als Pfaddiagramme spezifiziert. Das offizielle Amos-Handbuch zeigt, wie latente Variablen, Indikatoren, Faktorladungen und Fehlerterme grafisch als Messmodell dargestellt und geschätzt werden. Der Ablauf in der Praxis gliedert sich in vier Schritte:

1. Daten laden: Sie öffnen Amos Graphics und verknüpfen Ihre SPSS-Datendatei. Wie das konkret funktioniert, erläutert der Beitrag zum Übertragen von Daten von SPSS nach Amos.
2. Messmodell zeichnen: Sie zeichnen das Pfaddiagramm mit latenten Variablen (Ovale), beobachteten Indikatoren (Rechtecke), gerichteten Faktorladungen (Pfeile) und Fehlertermen (kleine Kreise mit Pfeil auf jeden Indikator).
3. Identifikation sicherstellen: Das Modell muss identifiziert sein. Das erreichen Sie, indem Sie je Faktor eine Ladung auf 1 fixieren (Referenzindikator) oder alternativ die Varianz des latenten Faktors auf 1 setzen.
4. Modell schätzen und auswerten: Sie starten die Berechnung über Analyze → Calculate Estimates. Amos liefert dann Faktorladungen, Fehlervarianzen, Fitindizes und einen Chi-Quadrat-Test.

Die grafische Logik macht Amos für Einsteiger zugänglich, verbirgt aber methodische Entscheidungen nicht – sie macht sie sichtbar. Jedes Oval, jeder Pfeil und jede fehlende Verbindung ist eine Modellentscheidung, die theoretisch begründbar sein sollte. Wer sich mit dem breiteren Einsatz von SEM in Amos vertraut machen möchte, findet im Beitrag Wie kann ich SEM in SPSS Amos verwenden? einen guten Ausgangspunkt.

Modellspezifikation: Das Messmodell aufbauen

Latente Variablen und Indikatoren

Das Herzstück einer CFA ist die Zuordnung von manifesten Indikatoren (z. B. einzelne Fragebogenitems) zu latenten Faktoren (z. B. „Arbeitszufriedenheit“ oder „Neurotizismus“). Diese Zuordnung treffen Sie nicht willkürlich, sondern auf Basis von Theorie oder vorheriger Forschung.

In Amos sieht das Messmodell für einen einzelnen Faktor mit vier Indikatoren schematisch so aus:

Dabei steht für den beobachteten Indikator, für die Faktorladung, für den latenten Faktor und für den Messfehler des jeweiligen Indikators. In Amos zeichnen Sie diese Gleichung als Pfaddiagramm – die Software schätzt dann die -Werte per Maximum-Likelihood-Schätzung.

Mehrere Faktoren und Faktor-Kovarianzen

Bei einem CFA-Modell mit mehreren latenten Faktoren – was bei den meisten Abschlussarbeiten der Fall ist – müssen Sie außerdem entscheiden, ob die Faktoren miteinander korrelieren dürfen. In Amos verbinden Sie zwei latente Variablen mit einem doppelköpfigen, gebogenen Pfeil, um eine freie Kovarianz zu spezifizieren.

Eine orthogonale Lösung (keine Korrelation zwischen Faktoren) ist in sozialwissenschaftlichen Daten selten realistisch. Die meisten psychologischen oder betriebswirtschaftlichen Konstrukte hängen zumindest schwach zusammen – ein frei geschätzter Korrelationspfad ist daher in den meisten Fällen die inhaltlich plausiblere Wahl.

Mindestanzahl an Indikatoren

Damit ein Faktor identifiziert ist, braucht er mindestens drei Indikatoren – bei einem Einfaktor-Modell mindestens drei, bei mehreren Faktoren unter Umständen auch zwei, wenn das Gesamtmodell ausreichend Einschränkungen enthält. Als Faustregel gilt: Lieber vier bis fünf sorgfältig gewählte Indikatoren pro Faktor als sieben mit schlechter Ladungsqualität.

Modellfit bewerten und interpretieren

Nachdem Sie das Modell in Amos geschätzt haben, liefert der Output eine Reihe von Fitmaßen. Diese Maße zeigen, wie gut Ihr spezifiziertes Modell die empirische Kovarianzmatrix reproduziert.

Die wichtigsten Fitindizes im Überblick

Wichtig: Diese Richtwerte sind keine starren Schwellenwerte, sondern Orientierungsgrößen. Eine Analyse von 221 publizierten CFA-Studien zeigt, dass viele Berichte wesentliche Informationen zur Modellspezifikation und Fitbewertung auslassen – und dass Cutoffs nicht kontextfrei interpretiert werden sollten. Ein CFI von .93 kann in einem komplexen Modell mit vielen Indikatoren durchaus akzeptabel sein; in einem einfachen Drei-Indikator-Modell wäre dieselbe Zahl ein ernstes Warnsignal.

Den Chi-Quadrat-Test allein sollten Sie nicht als Entscheidungskriterium heranziehen: Er reagiert sehr sensitiv auf Stichprobengröße und weist bei großen Stichproben fast immer ein signifikantes Ergebnis aus – auch wenn das Modell inhaltlich gut passt. Schauen Sie stattdessen auf das Verhältnis Chi-Quadrat zu Freiheitsgraden sowie auf die inkrementellen und absoluten Fitindizes gemeinsam. Mehr zur Interpretation dieser Maße finden Sie im Beitrag zu den Fit-Indizes in Amos.

Faktorladungen prüfen

Neben dem globalen Modellfit schauen Sie sich die einzelnen standardisierten Faktorladungen an. Als Richtwert gilt: Ladungen sollten mindestens .40, idealerweise .50 oder höher betragen. Ladungen unter .30 deuten darauf hin, dass der Indikator den latenten Faktor nur schwach erfasst und möglicherweise ausgetauscht oder entfernt werden sollte.

Prüfen Sie außerdem die Modification Indices in Amos (zu finden unter View → Text Output → Modification Indices). Diese zeigen, welche zusätzlichen Pfade oder Residualkorrelationen die Modellpassung am stärksten verbessern würden. Aber Vorsicht: Modellmodifikationen sollten immer theoretisch begründet sein – nicht nur datengetrieben.

Ergebnisse in der Abschlussarbeit berichten

Eine CFA in der Abschlussarbeit vollständig zu berichten ist mehr als nur das Einfügen einiger Fitindizes. Folgende Informationen gehören in eine saubere Ergebnisdarstellung:

Einen ausführlichen Leitfaden dazu, wie SEM-Ergebnisse insgesamt in einer Abschlussarbeit dokumentiert werden, bietet der Beitrag zum Berichten von SEM-Ergebnissen in der Abschlussarbeit.

Wenn Sie eine professionelle Begleitung bei Ihrer CFA-Auswertung in Amos benötigen – von der Modellspezifikation bis zur Ergebnisdarstellung – unterstützen erfahrene Statistikerinnen und Statistiker Sie dabei, methodisch fundiert vorzugehen.

Häufige Fehler bei der CFA in Amos

In der Praxis begegnen uns bei der Beratung von Studierenden immer wieder dieselben Stolpersteine. Hier sind die häufigsten:

• Fehlende Identifikation: Wenn Sie vergessen, eine Ladung zu fixieren oder die Faktorvarianz auf 1 zu setzen, kann Amos das Modell nicht schätzen. Prüfen Sie immer, ob das Modell identifiziert ist.
• Zu wenige Indikatoren: Ein Faktor mit nur zwei Indikatoren ist in einem Einfaktormodell nicht identifiziert. Planen Sie mindestens drei Indikatoren pro Faktor ein.
• Normalverteilung ignorieren: Maximum-Likelihood-Schätzung setzt multivariate Normalverteilung voraus. Bei stark schiefen oder kurtotischen Daten sollten Sie robuste Schätzmethoden oder Bootstrap-Optionen in Betracht ziehen. Mehr zu den grundlegenden Voraussetzungen für SEM finden Sie in unserem separaten Beitrag.
• Fehlende Werte unbeachtet lassen: Amos bietet Full Information Maximum Likelihood (FIML) zur Behandlung fehlender Werte. Listenweiser Fallausschluss führt zu Informationsverlust und verzerrten Ergebnissen. Wie Sie fehlende Werte in Amos behandeln, erläutern wir in einem eigenen Beitrag.
• Nur einen Fitindex berichten: Ein einziger Fitindex gibt kein vollständiges Bild. Berichten Sie immer mehrere komplementäre Maße.
• CFA ohne theoretische Basis: Eine CFA, bei der die Faktorstruktur nicht aus Theorie oder früherer Forschung abgeleitet wird, verletzt das Grundprinzip des Verfahrens. In diesem Fall wäre eine EFA das ehrlichere Vorgehen.

Das klingt nach viel – und in der Summe ist eine sorgfältig durchgeführte CFA tatsächlich anspruchsvoller als eine einfache Regression. In der Praxis zeigt sich aber, dass die meisten Fehler bereits in der Planungsphase vermeidbar sind, wenn die Modellstruktur vor der Datenerhebung sauber konzipiert wird.