Faktorenanalyse in der empirischen Abschlussarbeit verstehen

Warum die Faktorenanalyse Ordnung in viele Variablen bringt

Wer für die Bachelor- oder Masterarbeit einen Fragebogen auswertet, steht schnell vor Dutzenden Items, die alle irgendwie zusammenhängen. Die Faktorenanalyse hilft dir, diese Vielzahl an Variablen auf wenige dahinterliegende Dimensionen zu verdichten und so die Struktur deiner Daten sichtbar zu machen. Dieser Ratgeber erklärt Schritt für Schritt, was die Faktorenanalyse leistet, welche Voraussetzungen du prüfen musst und wie du die Ergebnisse in SPSS sauber interpretierst.

So kannst du die Methode in deiner empirischen Auswertung einfach nachvollziehen und die Ergebnisse verstehen.

Was ist eine Faktorenanalyse?

Die Faktorenanalyse ist ein Verfahren der Dimensionsreduktion. Ihr Ziel ist es, viele beobachtete Variablen durch eine kleinere Zahl nicht direkt messbarer Faktoren zu erklären. Ein Faktor bündelt dabei mehrere Items, die stark miteinander korrelieren, weil sie vermutlich dasselbe zugrunde liegende Merkmal messen. Statt zwanzig Einzelfragen interpretierst du am Ende vielleicht nur drei oder vier Faktoren, etwa Motivation, Zufriedenheit und Belastung.

Der Grundgedanke ähnelt der Idee hinter der Korrelation in SPSS: Nur Variablen, die gemeinsam variieren, lassen sich zu einem Faktor zusammenfassen. Anders als eine einfache Korrelationstabelle liefert die Faktorenanalyse jedoch eine geordnete Struktur, in der jedes Item einem oder mehreren Faktoren zugeordnet wird. Sie eignet sich damit besonders für die Auswertung von Skalen und Fragebögen, in denen mehrere Aussagen dasselbe Konstrukt erfassen sollen.

Explorative und konfirmatorische Verfahren

Man unterscheidet zwei grundlegende Varianten. Die explorative Faktorenanalyse setzt du ein, wenn du noch keine feste Vorstellung von der Struktur deiner Daten hast und herausfinden möchtest, wie viele Faktoren sinnvoll sind und welche Items zu ihnen gehören. Sie ist datengetrieben und offen im Ergebnis.

Die konfirmatorische Faktorenanalyse geht den umgekehrten Weg. Hier formulierst du auf Basis einer Theorie vorab ein Modell und prüfst, ob deine Daten dieses Modell bestätigen. Dieses Vorgehen passt gut in ein theoriegeleitetes Forschungsdesign der Bachelorarbeit, in dem du klare Hypothesen zur Struktur eines Konstrukts hast.

• Explorativ: Struktur wird aus den Daten entwickelt.
• Konfirmatorisch: ein vorab definiertes Modell wird getestet.
• Kombination: erst explorativ erkunden, dann an einer neuen Stichprobe konfirmatorisch prüfen.

Für die meisten studentischen Arbeiten mit SPSS ist die explorative Faktorenanalyse der übliche Einstieg, weil sie ohne spezielle Zusatzsoftware auskommt.

Voraussetzungen prüfen: KMO, Bartlett und Kommunalitäten

Bevor du die Faktorenanalyse rechnest, musst du prüfen, ob deine Daten überhaupt geeignet sind. Zwei Kennwerte stehen dabei im Vordergrund. Das Kaiser-Meyer-Olkin-Kriterium, kurz KMO, misst, wie gut sich die Variablen durch gemeinsame Faktoren erklären lassen. Werte ab 0,6 gelten als akzeptabel, ab 0,8 als gut. Der Bartlett-Test auf Sphärizität prüft, ob die Korrelationsmatrix sich von einer Einheitsmatrix unterscheidet. Er sollte signifikant ausfallen, damit überhaupt genügend Zusammenhänge für eine Faktorenanalyse vorliegen.

Die Kommunalitäten geben an, welcher Anteil der Varianz eines einzelnen Items durch die extrahierten Faktoren erklärt wird. Items mit sehr niedriger Kommunalität tragen wenig bei und werden oft aus der Analyse entfernt. Grundlagen zur Streuung und Varianz findest du in unserem Überblick zur deskriptiven Statistik.

Ablauf der Faktorenanalyse in SPSS

In SPSS führst du die Faktorenanalyse über das Menü Analysieren, Dimensionsreduktion, Faktorenanalyse durch. Du wählst die relevanten Variablen aus und legst in den Dialogfeldern fest, wie extrahiert und rotiert werden soll. Der typische Ablauf gliedert sich in mehrere Schritte.

• Variablen auswählen und Eignung über KMO und Bartlett-Test prüfen.
• Zahl der Faktoren bestimmen, meist über das Kaiser-Kriterium (Eigenwert über 1) oder den Scree-Plot.
• Faktoren extrahieren, häufig per Hauptachsen- oder Hauptkomponentenmethode.
• Lösung rotieren, um die Faktoren besser interpretierbar zu machen.
• Faktorladungen und erklärte Gesamtvarianz auswerten.

Der Scree-Plot zeigt die Eigenwerte der Faktoren als absteigende Kurve. Der Punkt, an dem die Kurve deutlich abknickt, gibt einen Hinweis auf die sinnvolle Zahl der Faktoren. Wer den grundsätzlichen Umgang mit SPSS noch auffrischen möchte, findet im Statistik- und SPSS-Hub eine geordnete Übersicht der wichtigsten Verfahren.

Faktorladungen, Rotation und Interpretation

Das Herzstück der Auswertung ist die Matrix der Faktorladungen. Eine Ladung beschreibt, wie stark ein Item mit einem Faktor zusammenhängt, und liegt zwischen minus eins und plus eins. Als Faustregel gilt eine Ladung ab etwa 0,4 oder 0,5 als bedeutsam. Jedes Item sollte möglichst hoch auf genau einem Faktor laden und auf den übrigen niedrig, damit die Zuordnung eindeutig bleibt.

Damit dieses Muster sichtbar wird, rotierst du die Lösung. Die Varimax-Rotation ist die am häufigsten genutzte orthogonale Methode. Sie ordnet die Faktoren so, dass hohe Ladungen höher und niedrige noch niedriger werden, ohne dass die Faktoren miteinander korrelieren dürfen. Sind inhaltlich korrelierte Faktoren zu erwarten, kommen schiefwinklige Verfahren wie Oblimin infrage.

Bei der Interpretation gibst du jedem Faktor einen Namen, der die inhaltlich zusammengehörenden Items zusammenfasst. Ein Faktor, auf dem mehrere Aussagen zur Arbeitsbelastung hoch laden, könnte etwa Belastungserleben heißen. Dieses benennende Vorgehen unterscheidet die Faktorenanalyse von rein rechnerischen Verfahren und verlangt fachliches Urteil.

Typische Fehler und Abgrenzung zur Hauptkomponentenanalyse

In studentischen Arbeiten tauchen bei der Faktorenanalyse immer wieder dieselben Stolpersteine auf. Der häufigste ist eine zu kleine Stichprobe. Als grobe Orientierung solltest du mindestens etwa fünf bis zehn Fälle pro Item einplanen. Weitere Fehler sind das Beibehalten von Items mit sehr niedriger Kommunalität sowie eine unkritische Übernahme der Faktorenzahl allein nach dem Kaiser-Kriterium.

• Zu wenige Fälle im Verhältnis zur Zahl der Items.
• Voraussetzungen wie KMO und Bartlett-Test nicht berichtet.
• Faktoren ohne inhaltlich sinnvolle Benennung interpretiert.
• Verwechslung mit der Regressionslogik: Zur Vorhersage einer Zielgröße dient die Regressionsanalyse, nicht die Faktorenanalyse.

Wichtig ist zudem die Abgrenzung zur Hauptkomponentenanalyse. Die Hauptkomponentenanalyse fasst die gesamte Varianz der Variablen zu Komponenten zusammen und dient primär der Datenreduktion. Die Faktorenanalyse im engeren Sinn modelliert dagegen nur die gemeinsame Varianz und geht von latenten Faktoren aus, die hinter den Items stehen. In SPSS liefern beide Verfahren ähnliche Dialoge, weshalb sie leicht verwechselt werden. Ob deine Struktur belastbar ist, prüfst du zusätzlich mit einem geeigneten Hypothesentest an weiteren Merkmalen deiner Daten.

Weitere Verfahren der multivariaten Statistik: Clusteranalyse, Regressionsanalyse und Statistik und SPSS.