Konfirmatorische Faktorenanalyse

Was versteht man unter konfirmatorischer Faktorenanalyse?

Die konfirmatorische Faktorenanalyse (CFA) ist ein strukturprüfendes statistisches Verfahren, mit dem man testet, ob eine theoretisch begründete Faktorstruktur mit den erhobenen Daten übereinstimmt. Sie gehört zur Familie der Strukturgleichungsmodelle (SEM) und setzt voraus, dass die Forschenden bereits vor der Analyse eine klare Hypothese darüber haben, welche beobachteten Variablen (Indikatoren) welchen latenten Faktoren zugeordnet sind.

Formal beschreibt die CFA, wie jede beobachtete Variable durch einen oder mehrere latente Faktoren sowie einen Messfehler erklärt wird:

Dabei steht für die sogenannte Faktorladung – also dafür, wie stark eine beobachtete Variable durch den latenten Faktor beeinflusst wird. Der Term repräsentiert den Messfehler, also den Anteil der Varianz eines Indikators, der nicht durch den Faktor erklärt wird.

Die CFA unterscheidet sich damit grundlegend von der explorativen Faktorenanalyse (EFA): Während die EFA Faktorstrukturen aus den Daten heraus entdeckt (ohne Vorannahmen), prüft die CFA eine bereits bestehende theoretische Struktur. Die CFA ist also ein hypothesentestendes, die EFA ein hypothesengenerierendes Verfahren.

Warum ist die konfirmatorische Faktorenanalyse für statistische Analysen wichtig?

Die CFA ist vor allem dann unverzichtbar, wenn du die Messqualität eines Instruments – etwa eines Fragebogens – systematisch überprüfen möchtest. Sie liefert konkrete Kennwerte zur Beurteilung, ob ein Konstrukt valide und reliabel gemessen wird. Dazu gehören:

• Faktorladungen: Zeigen, wie stark jeder Indikator das latente Konstrukt abbildet. Werte ab 0,50 gelten als akzeptabel, ab 0,70 als gut.
• Modell-Fit-Indizes: Geben an, wie gut das spezifizierte Modell zu den Daten passt (z. B. CFI, RMSEA, SRMR).
• Diskriminanzvalidität: Prüft, ob sich verschiedene Konstrukte im Modell hinreichend voneinander unterscheiden.
• Konvergenzvalidität: Prüft, ob Indikatoren desselben Konstrukts tatsächlich hoch miteinander zusammenhängen.

Ein häufiger Fehler besteht darin, die CFA als reine Formalität zu behandeln und Modifikationen am Modell (z. B. das Freisetzen von Fehlerkovarianzen) unkritisch zu übernehmen, nur weil die Software dies vorschlägt. Solche nachträglichen Anpassungen sollten stets theoretisch begründet sein – andernfalls passt man das Modell auf Kosten der inhaltlichen Aussagekraft an die Daten an (sogenanntes „overfitting“).

Praxisbeispiel zu konfirmatorischer Faktorenanalyse

Angenommen, du entwickelst einen Fragebogen zur Messung von Arbeitszufriedenheit. Du gehst theoretisch davon aus, dass Arbeitszufriedenheit aus zwei Dimensionen besteht: intrinsische Zufriedenheit (z. B. Sinnhaftigkeit, Autonomie, Entwicklung) und extrinsische Zufriedenheit (z. B. Gehalt, Arbeitsbedingungen, Führung). Für jede Dimension hast du vier Items formuliert, also insgesamt acht Indikatoren.

Mit der CFA spezifizierst du nun ein Modell, in dem die vier Items zur intrinsischen Zufriedenheit ausschließlich auf Faktor 1 laden und die vier Items zur extrinsischen Zufriedenheit ausschließlich auf Faktor 2 – genau so, wie deine Theorie es vorhersagt. Die CFA prüft dann, ob dieses Modell zu den erhobenen Daten passt.

Alle Faktorladungen liegen zwischen 0,65 und 0,81 – das spricht für eine gute Konvergenzvalidität. Ergeben die Fit-Indizes zudem akzeptable Werte (z. B. CFI = 0,97, RMSEA = 0,05), gilt das Zwei-Faktor-Modell als empirisch bestätigt. Die Theorie wird durch die Daten gestützt.