Explorative Faktorenanalyse
In diesem Beitrag
Was versteht man unter explorativer Faktorenanalyse?
Die explorative Faktorenanalyse (EFA) ist ein statistisches Verfahren zur Dimensionsreduktion. Sie untersucht, ob sich eine größere Anzahl beobachtbarer Variablen (z. B. Items eines Fragebogens) auf eine kleinere Anzahl nicht direkt messbarer, latenter Variablen – sogenannter Faktoren – zurückführen lässt. Variablen, die hoch miteinander korrelieren, werden dabei zu einem gemeinsamen Faktor zusammengefasst.
Mathematisch ausgedrückt wird jede beobachtete Variable als lineare Kombination gemeinsamer Faktoren und einem variablenspezifischen Fehlerterm modelliert:
Grundmodell der Faktorenanalyse
Dabei steht für die sogenannten Faktorladungen – sie geben an, wie stark eine Variable mit einem bestimmten Faktor zusammenhängt. bezeichnet die gemeinsamen Faktoren und den spezifischen Fehler der Variable.
Der entscheidende Unterschied zur konfirmatorischen Faktorenanalyse (CFA) liegt im Ausgangspunkt: Bei der EFA wird keine vorab formulierte Struktur angenommen. Die Analyse erkundet, welche Faktorstruktur die Daten selbst nahelegen – daher der Begriff „explorativ“.
Warum ist die explorative Faktorenanalyse für statistische Analysen wichtig?
Die EFA wird vor allem dann eingesetzt, wenn noch keine klare Theorie über die Struktur eines Konstrukts vorliegt oder wenn ein neu entwickeltes Messinstrument überprüft werden soll. Sie ist damit ein zentrales Werkzeug bei der Fragebogenentwicklung und Skalenvalidierung.
Typische Anwendungsbereiche sind:
- Entwicklung und Überprüfung psychologischer Tests und Skalen
- Reduktion einer großen Anzahl von Variablen auf wenige interpretierbare Faktoren
- Erkundung latenter Strukturen in Survey-Daten
- Vorbereitende Analyse vor einer konfirmatorischen Faktorenanalyse
Ein wichtiger Schritt innerhalb der EFA ist die Rotation der Faktorlösung. Rotation verbessert die Interpretierbarkeit der Faktoren, indem Variablen möglichst eindeutig einem einzigen Faktor zugeordnet werden. Man unterscheidet zwischen orthogonalen Rotationsmethoden (z. B. Varimax, bei der Faktoren als unkorreliert angenommen werden) und obliquen Methoden (z. B. Promax oder Oblimin, die Korrelationen zwischen Faktoren erlauben).
Ein weiterer kritischer Schritt ist die Bestimmung der Faktoranzahl. Gängige Kriterien sind das Kaiser-Kriterium (Eigenwert > 1), der Scree-Plot sowie die Parallelanalyse, die als zuverlässigstes Verfahren gilt.
Praxisbeispiel zu explorativer Faktorenanalyse
Eine Psychologiestudentin entwickelt einen neuen Fragebogen zur Messung von Studienzufriedenheit. Sie hat 15 Items formuliert und möchte wissen, ob diese Items auf wenige gemeinsame Dimensionen hinweisen.
Nach der Datenerhebung an 250 Studierenden führt sie eine EFA durch. Als Extraktionsmethode wählt sie die Maximum-Likelihood-Schätzung, als Rotationsmethode Promax (oblique), da sie davon ausgeht, dass die Faktoren miteinander korrelieren könnten. Die Parallelanalyse legt drei Faktoren nahe.
| Item | Faktor 1 | Faktor 2 | Faktor 3 |
|---|---|---|---|
| Ich fühle mich in meinem Studium wohl. | .81 | – | – |
| Ich bin mit meinen Kommilitonen zufrieden. | .74 | – | – |
| Die Lehrveranstaltungen sind gut strukturiert. | – | .79 | – |
| Ich erhalte hilfreiche Rückmeldungen. | – | .68 | – |
| Ich sehe gute Berufsperspektiven nach dem Abschluss. | – | – | .77 |
| Mein Studium bereitet mich gut auf den Arbeitsmarkt vor. | – | – | .71 |
Die Faktorladungen zeigen eine klare Struktur: Faktor 1 lässt sich als Soziales Wohlbefinden, Faktor 2 als Lehrqualität und Faktor 3 als Karriereperspektive interpretieren. Die Studentin kann nun gezielt Subskalen bilden und diese Struktur in einer Folgestudie mit einer CFA bestätigen lassen.
