Faktorenanalyse in der empirischen Abschlussarbeit verstehen

Wie die Faktorenanalyse zahlreiche Variablen strukturiert

Bei der Auswertung von Fragebögen für Bachelor- oder Masterarbeiten stößt man schnell auf zahlreiche Items, die miteinander zusammenhängen. Die Faktorenanalyse verdichtet diese Vielzahl von Variablen zu wenigen zugrunde liegenden Dimensionen und macht die Datenstruktur sichtbar. Dieser Leitfaden erläutert Schritt für Schritt, was die Faktorenanalyse leistet, welche Voraussetzungen du prüfen musst und wie du die Ergebnisse in SPSS korrekt 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 zur Dimensionsreduktion, das viele beobachtete Variablen durch wenige nicht direkt messbare Faktoren erklärt. Ein Faktor fasst Items zusammen, 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.

Das Prinzip gleicht der Korrelation in SPSS: Nur gemeinsam variierende Variablen lassen sich zu einem Faktor bündeln. Im Gegensatz zu einer einfachen Korrelationstabelle liefert die Faktorenanalyse jedoch eine klare Struktur, in der jedes Item einem oder mehreren Faktoren zugeordnet wird. Sie eignet sich daher besonders für die Auswertung von Skalen und Fragebögen, bei denen mehrere Aussagen dasselbe Konstrukt erfassen sollen.

Explorative und konfirmatorische Vorgehensweisen

Es gibt zwei Hauptansätze. Die explorative Faktorenanalyse kommt zum Einsatz, wenn die Datenstruktur noch unklar ist und du ermitteln möchtest, wie viele Faktoren sinnvoll sind und welche Items ihnen zugeordnet werden. Dieser Ansatz ist datengetrieben und im Ergebnis offen.

Die konfirmatorische Faktorenanalyse geht umgekehrt vor: Du leitest vorab aus einer Theorie ein Modell ab und prüfst, wie gut deine Daten zu diesem Modell passen. Sie eignet sich für ein theoriegeleitetes Forschungsdesign der Bachelorarbeit, in dem du klare Hypothesen zur Struktur eines Konstrukts formulierst.

• Explorativ: Die Struktur ergibt sich aus den Daten.
• Konfirmatorisch: Die Passung eines vorab festgelegten Modells wird geprüft.
• Kombination: Zuerst wird die Struktur explorativ erkundet, dann an einer neuen Stichprobe konfirmatorisch geprüft.

Für studentische Arbeiten ist die explorative Faktorenanalyse in SPSS meist der übliche Einstieg, da sie keine spezielle Zusatzsoftware erfordert.

Voraussetzungen prüfen: KMO, Bartlett-Test und Kommunalitäten

Bevor du die Faktorenanalyse durchführst, solltest du prüfen, ob deine Daten für das gewählte Verfahren geeignet sind. Dabei spielen zwei Kennwerte eine zentrale Rolle. Das Kaiser-Meyer-Olkin-Kriterium, kurz KMO, bewertet die Eignung der Daten für eine Faktorenanalyse. Werte ab 0,6 gelten häufig als akzeptabel, Werte ab 0,8 als gut. Der Bartlett-Test auf Sphärizität prüft, ob sich die Korrelationsmatrix von einer Einheitsmatrix unterscheidet. Ein signifikanter Test liefert einen Hinweis auf ausreichende Zusammenhänge, ersetzt aber nicht die Prüfung weiterer Voraussetzungen.

Die Kommunalitäten geben an, welcher Anteil der Varianz eines einzelnen Items durch die extrahierten Faktoren erklärt wird. Sehr niedrige Kommunalitäten können Anlass geben, die Analyse und den Inhalt des Items genauer zu prüfen; ob ein Item entfernt wird, ist inhaltlich und statistisch zu begründen. Grundlagen zur Streuung und Varianz findest du in unserem Überblick zur deskriptiven Statistik.

So führst du die Faktorenanalyse in SPSS durch

In SPSS startest du die Faktorenanalyse über den Menüpfad Analysieren, Dimensionsreduktion, Faktorenanalyse. Dort wählst du die relevanten Variablen aus und legst Extraktion sowie Rotation fest. Der Ablauf gliedert sich in mehrere Schritte.

• Relevante Variablen auswählen und ihre Eignung mittels KMO und Bartlett-Test prüfen.
• Zahl der Faktoren anhand mehrerer Kriterien festlegen: Kaiser-Kriterium (Eigenwert über 1), Scree-Plot und gegebenenfalls Parallelanalyse.
• Extraktionsmethode wählen, zum Beispiel Hauptachsenfaktoren; zur Datenreduktion kommt auch die Hauptkomponentenmethode infrage.
• Die Lösung rotieren, um die Interpretierbarkeit der Faktoren zu erhöhen.
• Faktorladungen und erklärte Gesamtvarianz interpretieren.

Der Scree-Plot visualisiert die Eigenwerte als fallende Kurve. Ein markanter Knick kann einen visuellen Hinweis auf eine sinnvolle Faktorenanzahl geben und sollte zusammen mit weiteren Kriterien beurteilt werden. Zur Auffrischung von SPSS bietet der Statistik- und SPSS-Hub eine kompakte Übersicht relevanter Verfahren.

Faktorladungen, Rotation und deren Interpretation

Zentral ist die Matrix der Faktorladungen. Sie zeigt die Stärke des Zusammenhangs zwischen Item und Faktor im Bereich von minus eins bis plus eins. Ladungen ab etwa 0,4 oder 0,5 sind lediglich Orientierungswerte; ihre Beurteilung hängt unter anderem von Stichprobe, Modell und Forschungsziel ab. Für eine eindeutige Zuordnung sollte jedes Item möglichst stark auf genau einem Faktor und nur schwach auf den übrigen Faktoren laden.

Die Rotation kann die Interpretierbarkeit des Ladungsmusters verbessern. Die Varimax-Rotation zählt zu den häufig verwendeten orthogonalen Methoden und vereinfacht die Faktoren, ohne Korrelationen zwischen ihnen zuzulassen. Wenn inhaltlich korrelierte Faktoren zu erwarten sind, kommen schiefwinklige Verfahren wie Oblimin infrage.

Benenne jeden Faktor passend zu seinen Items. Ein Faktor, auf dem mehrere Aussagen zur Arbeitsbelastung hoch laden, könnte beispielsweise Belastungserleben heißen. Diese inhaltliche Benennung erfordert fachliches Urteil und unterscheidet die Faktorenanalyse von rein rechnerischen Verfahren.

Häufige Fehler und Abgrenzung zur Hauptkomponentenanalyse

In studentischen Arbeiten treten bei der Faktorenanalyse immer wieder typische Fehler auf. Häufig ist die Stichprobe zu klein. Eine häufig verwendete grobe Orientierung sind etwa fünf bis zehn Fälle pro Item; die erforderliche Fallzahl hängt jedoch auch von Faktorladungen, Anzahl der Faktoren und Datenstruktur ab. Weitere Fehler sind das Beibehalten von Items mit sehr niedriger Kommunalität sowie die unkritische Übernahme der Faktorenzahl allein nach dem Kaiser-Kriterium.

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

Die Abgrenzung zur Hauptkomponentenanalyse ist wichtig. Diese fasst die gesamte Varianz der Variablen zu Komponenten zusammen und dient primär der Datenreduktion. Die Faktorenanalyse im engeren Sinn modelliert dagegen ausschließlich die gemeinsame Varianz und geht von latenten Faktoren aus, die den Items zugrunde liegen. In SPSS ähneln sich die Dialoge, was Verwechslungen begünstigt. Die Belastbarkeit deiner Struktur prüfst du vorzugsweise an einer unabhängigen Stichprobe, mittels konfirmatorischer Faktorenanalyse oder geeigneter Stabilitätsanalysen. Ein geeigneter Hypothesentest allein validiert eine explorativ gewonnene Faktorstruktur nicht.

Weitere multivariate Verfahren sind die Clusteranalyse, die Regressionsanalyse sowie Statistik und SPSS.