Was ist der Unterschied zwischen explorativer und konfirmatorischer Faktorenanalyse?

Die kurze Antwort: Worum geht es bei beiden Verfahren?

Die explorative Faktorenanalyse (EFA) wird eingesetzt, wenn Sie noch nicht genau wissen, welche Faktorstruktur Ihren Daten zugrunde liegt. Die konfirmatorische Faktorenanalyse (CFA) hingegen prüft, ob eine bereits theoretisch begründete Struktur zu Ihren Daten passt. Kurz gesagt: EFA entdeckt, CFA überprüft.

Beide Verfahren gehören zu den zentralen statistischen Verfahren im Psychologiestudium und werden vor allem bei der Entwicklung und Validierung von Fragebögen eingesetzt. Sie verfolgen dabei jedoch grundlegend unterschiedliche Forschungslogiken – und genau diese Unterscheidung wird in Abschlussarbeiten häufig unterschätzt.

Explorative Faktorenanalyse (EFA): Struktur entdecken

Die EFA ist ein datengetriebenes Verfahren. Sie lassen die Struktur weitgehend aus den Daten entstehen, ohne vorab genau festzulegen, welches Item auf welchen Faktor laden soll. Das macht sie besonders wertvoll in frühen Phasen der Fragebogenentwicklung oder wenn die Dimensionalität eines Konstrukts noch unklar ist.

Wann ist EFA sinnvoll?

• Die Faktorstruktur eines Instruments ist theoretisch noch nicht ausreichend belegt.
• Sie entwickeln einen neuen Fragebogen und möchten wissen, welche Items zusammengehören.
• Bestehende Skalen sollen für eine neue Stichprobe oder einen neuen Kulturkontext geprüft werden.
• Sie möchten explorative Hypothesen über latente Dimensionen generieren.

EFA ist dabei kein einfacher Knopfdruck in der Software. In der Fachliteratur wird betont, dass explorative Faktorenanalyse mindestens vier kritische Entscheidungen erfordert: die Wahl der Extraktionsmethode, die Wahl der Rotationsstrategie, die Bestimmung der Faktoranzahl und die Bewertung der Stichprobengröße. Jede dieser Entscheidungen beeinflusst das Ergebnis erheblich.

Die wichtigsten Entscheidungen bei der EFA

Extraktionsmethode: Häufig wird die Hauptkomponentenanalyse (Principal Components Analysis, PCA) mit der eigentlichen EFA gleichgesetzt – das ist jedoch methodisch ungenau. PCA ist technisch kein Faktorenmodell im strengen Sinne. Für psychologische Skalen empfiehlt sich in der Regel die Maximum-Likelihood-Methode oder Principal Axis Factoring.

Rotation: Die Wahl zwischen orthogonaler Rotation (z. B. Varimax) und obliker Rotation (z. B. Promax, Oblimin) hängt davon ab, ob Sie davon ausgehen, dass die Faktoren miteinander korrelieren. In der Psychologie ist das meist der Fall – oblique Rotation ist daher häufig die bessere Wahl.

Faktoranzahl: Das Kaiser-Kriterium (Eigenwert > 1) ist als alleiniges Entscheidungskriterium unzuverlässig. Besser ist es, den Scree-Plot zu analysieren, parallele Analysen durchzuführen und die inhaltliche Interpretierbarkeit mehrerer Lösungen zu vergleichen.

Konfirmatorische Faktorenanalyse (CFA): Struktur prüfen

Die CFA setzt einen entscheidenden Schritt weiter an: Sie spezifizieren vorab ein konkretes Messmodell – also welche Items auf welche Faktoren laden, ob Faktoren korrelieren und welche Ladungen fixiert oder frei geschätzt werden – und prüfen dann, wie gut dieses Modell zu Ihren empirischen Daten passt.

Damit ist die CFA ein hypothesenprüfendes Verfahren und methodisch der konfirmatorischen Forschungslogik zuzuordnen. Sie gehört zur Familie der Strukturgleichungsmodelle (SEM) und wird in der Regel mit Software wie R (lavaan), Mplus, AMOS oder Stata durchgeführt.

Modelfit: Das Kernstück der CFA

Das zentrale Ergebnis einer CFA ist der Modellfit – also die Frage, wie gut das spezifizierte Modell die empirischen Daten reproduziert. Dafür werden mehrere Fit-Indizes herangezogen:

Die Interpretation dieser Indizes ist allerdings kein mechanischer Prozess. In der psychologischen Forschung wurden über 200 CFA-Modelle aus begutachteten Fachzeitschriften untersucht – mit dem Befund, dass viele Arbeiten nicht alle Informationen berichten, die für eine spätere Neubewertung des Modellfits erforderlich wären. Das zeigt: CFA-Ergebnisse korrekt zu berichten ist anspruchsvoller, als es auf den ersten Blick scheint.

Was muss bei einer CFA berichtet werden?

• Die vollständige Modellspezifikation (welche Items laden auf welche Faktoren)
• Begründung der Spezifikation aus Theorie oder Voranalysen
• Mehrere Fit-Indizes (nicht nur einen)
• Faktorladungen und deren Standardfehler
• Korrelationen zwischen Faktoren (bei korrelierten Faktoren)
• Begründung von Modifikationen, falls das ursprüngliche Modell angepasst wurde

Wenn Sie einen Fragebogen in der Psychologie auswerten, ist die CFA typischerweise der Schritt, der nach einer vorangegangenen EFA oder auf Basis einer bereits etablierten Theorie folgt.

EFA vs. CFA: Der direkte Vergleich

Wann nutzt man welches Verfahren?

Die Entscheidung zwischen EFA und CFA ergibt sich aus dem Stand der Theorie und dem Ziel Ihrer Analyse – nicht aus persönlicher Präferenz oder Softwareverfügbarkeit. In der Fachliteratur wird ausdrücklich betont, dass Forschende häufig falsche Annahmen darüber treffen, wann welches Verfahren angebracht ist – etwa wenn CFA als rein objektiver Nachweis missverstanden wird oder EFA trotz klarer Theorie unreflektiert eingesetzt wird.

EFA einsetzen, wenn …

• Sie einen neuen Fragebogen entwickeln und nicht wissen, wie viele Faktoren es gibt.
• Vorhandene Skalen in einer neuen Stichprobe noch nicht validiert wurden.
• Die theoretische Grundlage noch dünn ist und Sie zunächst explorative Erkenntnisse gewinnen wollen.
• Sie die Dimensionalität eines Konstrukts erst klären müssen, bevor Sie ein Modell testen.

CFA einsetzen, wenn …

• Sie ein etabliertes Messmodell auf eine neue Stichprobe übertragen und dessen Passung prüfen wollen.
• Die Faktorstruktur theoretisch klar begründet oder in der Literatur bereits repliziert ist.
• Sie konkurrierende Modelle vergleichen möchten (z. B. ein-faktorielle vs. zwei-faktorielle Lösung).
• Ihre Studie auf einem konfirmatorischen Forschungsdesign basiert und Hypothesen über die Messstruktur geprüft werden sollen.

Die Faktorladung als zentrale Größe

In beiden Verfahren sind die Faktorladungen die entscheidende Kennzahl. Sie geben an, wie stark ein Item mit einem latenten Faktor zusammenhängt. Als Faustregel gilt:

Bei der EFA können Items auf mehrere Faktoren laden (Nebenladungen), was bei der CFA in der Regel nicht vorgesehen ist – es sei denn, Sie spezifizieren dies explizit im Modell. Dieser Unterschied ist inhaltlich bedeutsam: Eine hohe Nebenladung in der EFA ist ein Hinweis darauf, dass ein Item möglicherweise mehrdeutig ist.

Wer die methodische Qualität seiner Skala umfassend absichern möchte, sollte neben der Faktoranalyse auch eine Berechnung von Cronbachs Alpha in Betracht ziehen, um die interne Konsistenz der identifizierten Faktoren zu beurteilen.

Typische Fehler und praktische Hinweise

Fehler 1: CFA als „Upgrade“ zur EFA missverstehen

CFA ist nicht einfach die modernere oder bessere Version der EFA. Beide Verfahren beantworten unterschiedliche Fragen. Wer CFA durchführt, ohne ein theoretisch begründetes Modell zu haben, produziert bestenfalls zufällige Fit-Werte – schlimmstenfalls eine Scheinvalidierung.

Fehler 2: Fit-Indizes mechanisch anwenden

Ein CFI von .95 bedeutet nicht automatisch, dass Ihr Modell „gut“ ist. Der Modellfit hängt von Stichprobengröße, Modellkomplexität und inhaltlicher Plausibilität ab. Cutoff-Werte sind Orientierungsgrößen, keine Freischeine. Berichten Sie immer mehrere Indizes und begründen Sie Ihre Bewertung inhaltlich.

Fehler 3: Stichprobengröße unterschätzen

Sowohl EFA als auch CFA stellen Anforderungen an die Stichprobengröße. Als grobe Orientierung gilt für die EFA: mindestens 5–10 Fälle pro Item, bei komplexen Strukturen mehr. Für die CFA wird häufig eine Mindestgröße von N = 200 empfohlen, auch wenn dies von Modellkomplexität und Effektgröße abhängt. Mehr zur Stichprobenplanung finden Sie im Beitrag zur optimalen Stichprobengröße in der Psychologie.

Fehler 4: EFA-Ergebnis ohne Kreuzvalidierung direkt als Modell übernehmen

Wenn Sie Ihre EFA-Lösung im selben Datensatz mit einer CFA überprüfen, ist das methodisch problematisch: Die CFA würde zwangsläufig gut passen, weil das Modell aus denselben Daten stammt. Nutzen Sie nach Möglichkeit eine unabhängige Stichprobe oder teilen Sie Ihren Datensatz.

Fazit: Zwei Verfahren, zwei Forschungslogiken

EFA und CFA sind keine konkurrierenden Methoden, sondern methodische Werkzeuge für unterschiedliche Phasen des Forschungsprozesses. Die EFA öffnet den Blick für unbekannte Strukturen; die CFA schließt den Kreis, indem sie theoretisch begründete Annahmen empirisch überprüft.

Welches Verfahren für Ihre Abschlussarbeit das richtige ist, hängt von Ihrem Forschungsstand, Ihren Hypothesen und Ihrer Datenlage ab. Wenn Sie unsicher sind, ob Ihre gewählte Methode zur Fragestellung passt, kann eine fachkundige methodische Begleitung viel Klarheit bringen – gerade wenn Statistik im Psychologiestudium ohnehin schon eine Herausforderung darstellt.

Bei QuantExpert unterstützen wir Studierende und Promovierende bei der Planung, Durchführung und Interpretation von Faktorenanalysen – von der Entscheidung zwischen EFA und CFA bis zur APA-konformen Ergebnisdarstellung. Mehr dazu erfahren Sie auf unserer Seite zur statistischen Beratung für Psychologie.