Faktorenanalyse
- Eingeführt von
- Louis Leon Thurstone
- Jahr
- 1931
- Typ
- Method
- Familie
- dimension-reduction
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die Faktorenanalyse ist eine statistische Technik zur Identifizierung latenter (unbeobachteter) Dimensionen, die beobachteten Variablen zugrunde liegen.
Sie wurde in den 1930er Jahren von Louis Leon Thurstone entwickelt und 1969 von Jöreskog formalisiert. Die explorative Faktorenanalyse (EFA) entdeckt unbekannte Faktorstrukturen aus Daten; die konfirmatorische Faktorenanalyse (CFA) testet hypothetisierte Beziehungen zwischen beobachteten und latenten Variablen. Die Faktorenanalyse ist essenziell in der psychometrischen Datenerhebung (Testentwicklung), der Organisationsforschung (Messung von Konstrukten wie Führungsstil) und der Biomedizin (Identifizierung von Krankheitssubtypen). Sie reduziert die Dimensionalität und deckt gleichzeitig die konzeptionelle Organisation in multivariaten Daten auf.
Die Intuition hinter der Methode
Beobachtete Variablen (Fragebogenitems, Messungen) sind oft Manifestationen zugrunde liegender latenter Konstrukte (Intelligenz, Depressionsschwere, Organisationsklima), die nicht direkt messbar sind. Die Faktorenanalyse nimmt an, dass Korrelationen zwischen beobachteten Variablen gemeinsame latente Faktoren widerspiegeln. Die mathematische Zerlegung einer Korrelationsmatrix umfasst gemeinsame Varianz (durch Faktoren erklärt) und einzigartige Varianz (Fehler und item-spezifische Effekte). Die explorative Faktorenanalyse fragt: Welche latente Struktur erklärt diese Korrelationen am besten? Die konfirmatorische Faktorenanalyse fragt: Passt eine theoretisch vorgeschlagene Struktur zu den Daten? Dies ermöglicht Forschern, abstrakte Konzepte zu messen, Bewertungsinstrumente zu validieren und die dimensionale Organisation in komplexen Datensätzen zu verstehen.
Geschichte
Charles Spearman (1904) führte die Faktorenanalyse ein, um positive Korrelationen zwischen mentalen Fähigkeiten (allgemeine Intelligenz 'g') zu erklären. Louis Leon Thurstone (1931) erweiterte sie auf mehrere Faktoren und entwickelte Rotationsmethoden (Zentroid, Hauptachsen). Karl Jöreskogs (1969) konfirmatorische Faktorenanalyse und Strukturgleichungsmodelle revolutionierten das Hypothesentesten in latenten Variablenmodellen. Das Kaiser-Kriterium (Kaiser, 1960) standardisierte die eigenwertbasierte Faktorextraktion. Moderne Entwicklungen umfassen die Item-Response-Theorie (Rasch, 1960), robuste Schätzmethoden (verteilungsfreie Schätzung) und multigroup/multilevel-Faktorenanalysen zum Vergleich von Strukturen über Populationen oder verschachtelte Daten hinweg.
Wann wird sie eingesetzt?
Verwenden Sie EFA, wenn Sie die dimensionale Struktur eines neuen Messkonstrukts untersuchen, Skalen verfeinern oder Beziehungen zwischen beobachteten Variablen ohne a priori Theorie verstehen möchten. Psychometrische Erhebung: Item-Auswahl für ein neues Depressions-Screening, Skala zur Erfassung von Führungsqualitäten. Biomedizin: Identifizierung von Krankheitssubtypen aus Korrelationen von Symptomen. Verwenden Sie CFA zur Validierung zuvor entwickelter Skalen, zum Testen theoretischer Messmodelle oder zum Vergleich konkurrierender Faktorstrukturen. Häufig in der Psychologie: Bestätigung eines eindimensionalen vs. mehrdimensionalen Modells eines Konstrukts. Verwenden Sie CFA auch als Messteil größerer Strukturgleichungsmodelle, die latente Variablen mit Ergebnissen verknüpfen.
Grenzen und Hinweise
- EFA-Ergebnisse sind stichprobenabhängig; die Faktorstruktur repliziert sich möglicherweise nicht in einer neuen Stichprobe. Validieren Sie Ergebnisse immer durch Kreuzvalidierung oder verwenden Sie konfirmatorische Faktorenanalyse auf einer unabhängigen Stichprobe.
- Nimmt lineare Beziehungen zwischen Variablen und Faktoren an; nichtlineare Effekte oder Schwelleneffekte werden nicht erkannt.
- Interpretation ist subjektiv: Ähnliche Eigenwertstrukturen und Rotationen können zu unterschiedlichen Interpretationen führen. Mehrere Lösungen können die Daten gleichermaßen gut erklären.
- Erfordert große Stichproben für stabile Schätzungen: Faustregel n > 5 × Variablen; kleine Stichproben (n < 100) liefern instabile, nicht replizierbare Faktoren.
- CFA geht davon aus, dass das Messmodell a priori korrekt ist; wenn die tatsächliche Struktur abweicht, erkennen Modell-Fit-Maße möglicherweise keine Fehlspezifikation (lokale Minima, äquivalente Modelle).
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Dimensionsreduktion: Viele beobachtete Variablen werden auf wenige interpretierbare latente Faktoren komprimiert, was die Analyse und Kommunikation vereinfacht.
- Aufdeckung latenter Konstrukte: Ermöglicht die Messung abstrakter Konzepte (Intelligenz, Persönlichkeit, Organisationskultur), die nicht direkt beobachtet werden können.
- Statistische Grundlage für die Testentwicklung: Unterstützt die Validitätsnachweise für psychologische und pädagogische Assessments; CFA validiert Messmodelle formal.
- Flexibel: Berücksichtigt binäre, ordinale und kontinuierliche Daten; behandelt fehlende Daten mittels Full-Information Maximum Likelihood (FIML) in CFA.
- Erweiterbar auf komplexe Modelle: Grundlage für Strukturgleichungsmodelle, die latente Variablen mit Ergebnissen verknüpfen und Mediations- und Moderationsanalysen ermöglichen.
Anwendungen
- Entwicklung psychologischer Tests: Konstruktion und Validierung klinischer Skalen (Depression, Angst), Persönlichkeitsinventare (Big Five) und Tests kognitiver Fähigkeiten; Nachweis von Validitätskriterien.
- Organisationsforschung: Messung von Konstrukten wie Arbeitszufriedenheit, Organisationsbindung, Führungsstil; Bestätigung der multidimensionalen Natur komplexer Konzepte.
- Bewertung der Lebensqualität: Reduzierung vieler gesundheitsbezogener Items auf interpretierbare Dimensionen (körperliche, geistige, soziale Funktionsfähigkeit) zur Ergebnisbewertung.
- Pädagogische Assessments: Entwicklung von Lehrplanbewertungen, Nachweis der Validität von Hochschulaufnahmeprüfungen, Reduzierung von Item-Pools bei gleichzeitiger Wahrung der konzeptionellen Abdeckung.
- Biomedizinische Forschung: Identifizierung distinkter Krankheitsphenotypen aus Korrelationen von Symptomen/genetischen Markern (Endotypen), Reduzierung hochdimensionaler genomischer Daten auf interpretierbare latente Dimensionen.
So funktioniert es
So funktioniert es
Führen Sie eine explorative oder konfirmatorische Faktorenanalyse durch, indem Sie Daten zu mehreren beobachteten Variablen (typischerweise >5) von einer ausreichend großen Stichprobe sammeln (Faustregel: n > 5 × Anzahl der Variablen oder absolutes Minimum n ≥ 100; idealerweise n > 200). Für EFA: Sammeln Sie Daten ohne vorherige Hypothese zur Faktorstruktur; die Variablen sollten einigermaßen miteinander korreliert sein (prüfen Sie die Korrelationsmatrix; alle Korrelationen < 0,3 deuten darauf hin, dass Faktoren unwahrscheinlich sind). Bewerten Sie die Stichprobenadequanz: Der Kaiser-Meyer-Olkin (KMO)-Test vergleicht die Größe der Korrelationen mit den partiellen Korrelationen; KMO > 0,6 ist akzeptabel, > 0,7 gut. Bartletts Test auf Sphärizität sollte signifikant sein (p < 0,05), was anzeigt, dass die Korrelationen von einer Identitätsmatrix abweichen. Für CFA: Spezifizieren Sie a priori eine hypothetisierte Faktorstruktur basierend auf Theorie und früherer Forschung.
Für die explorative Faktorenanalyse: Extrahieren Sie Faktoren mittels Principal Axis Factoring (PAF) oder Maximum Likelihood (ML). Kaiser-Kriterium: Behalten Sie Faktoren mit Eigenwerten > 1 bei. Scree-Plot: Tragen Sie die Eigenwerte in absteigender Reihenfolge auf; behalten Sie Faktoren vor dem Knick (Punkt abnehmender Erträge) bei. Parallele Analyse: Vergleichen Sie die Eigenwerte mit denen von Zufallsdaten; behalten Sie Faktoren bei, die den Zufalls-Benchmark überschreiten. Rotieren Sie die Faktoren (Varimax = orthogonal/unkorreliert, Oblimin = schief/korreliert), um die Interpretierbarkeit zu verbessern und eine einfache Struktur zu erreichen (jede Variable lädt stark auf einen Faktor). Berichten Sie die Faktorladungen (Korrelationen zwischen Variablen und Faktoren): Typischerweise wird |Ladung| > 0,4 als signifikant betrachtet; Ladungen > 0,7 sind stark. Berechnen Sie die Kommunalitäten: Anteil der Varianz jeder Variablen, der durch die Faktoren erklärt wird; niedrige Kommunalitäten (<0,3) deuten auf eine schlechte Passung für diese Variable hin. Für die konfirmatorische Faktorenanalyse: Passen Sie das hypothetisierte Modell mithilfe von Software für Strukturgleichungsmodelle (SEM) an. Berichten Sie Modell-Fit-Indizes: CFI (Comparative Fit Index) > 0,95, TLI (Tucker-Lewis Index) > 0,95, RMSEA (Root Mean Square Error of Approximation) < 0,06, SRMR (Standardized Root Mean Square Residual) < 0,08 (Hu & Bentler, 1999).
In der EFA identifizieren Sie latente Faktoren, indem Sie untersuchen, welche Variablen auf jeden Faktor stark laden; interpretieren Sie den Faktor konzeptionell basierend auf dem Variableninhalt. Wenn beispielsweise Items zu Traurigkeit, Hoffnungslosigkeit und Anhedonie alle mit >0,6 auf einen Faktor laden, benennen Sie diesen als 'Depression'. Berichten Sie die von den Faktoren erklärte Varianz: Die Summe der quadrierten Ladungen geteilt durch die Anzahl der Variablen × 100 % ergibt die Varianz pro Faktor; die Gesamtsumme über die Faktoren zeigt die Gesamtpassung an. Reliabilität innerhalb jedes Faktors: Berechnen Sie Cronbachs Alpha (≥0,70 akzeptabel, ≥0,80 gut) für die Variablen, die auf diesen Faktor laden. In der CFA untersuchen Sie standardisierte Faktorladungen (alle sollten > 0,4, idealerweise > 0,6 sein); nicht signifikante Ladungen deuten darauf hin, dass Items das Konstrukt schlecht messen. Modell-Fit-Indizes: Das Erfüllen aller Kriterien (CFI > 0,95, RMSEA < 0,06) stützt das vorgeschlagene Modell. Modifikationsindizes deuten auf alternative Pfade hin; datengesteuerte Modelländerungen (post-hoc) beeinträchtigen jedoch die Modellgültigkeit – verwenden Sie Kreuzvalidierungsstichproben, um modifizierte Modelle zu testen. Berichten Sie die von latenten Variablen erklärte Varianz für jede beobachtete Variable (R²).
Häufige Fallstricke
- Datengesteuerte EFA mit kleinen Stichproben: Nutzt Zufälle aus; die Replikationsfähigkeit in einer neuen Stichprobe ist schlecht. Führen Sie EFA immer auf einer explorativen Stichprobe durch und validieren Sie sie in einer unabhängigen Stichprobe.
- Extraktion von Faktoren nur basierend auf dem Kaiser-Kriterium (Eigenwert > 1); Scree-Plot und parallele Analyse liefern zusätzliche Hinweise und schlagen oft weniger Faktoren vor.
- Beibehaltung von nicht interpretierbaren Faktoren: Wenn ein Faktor konzeptionell nicht benannt werden kann oder konzeptionell zusammenhanglose Ladungen enthält, ziehen Sie in Erwägung, ihn zu entfernen, anstatt eine Interpretation zu erzwingen.
- CFA-Modellspezifikationsfehler: Falsche Spezifikation der Faktorstruktur, Auslassen theoretisch relevanter Pfade oder Zulassen korrelierter Fehler ohne Begründung beeinträchtigen die Validität.
- Fehlinterpretation der Faktorladungsstärke: Ladungen sind Korrelationen, keine Regressionen; eine Ladung von 0,5 erklärt nur 25 % der Varianz der Variablen (R² = 0,5²).
- Verwendung ungeeigneter Rotation: Varimax (orthogonal) erzwingt unkorrelierte Faktoren; Oblimin (schief) erlaubt Korrelationen. Wählen Sie basierend auf der Theorie; orthogonale Rotation ist oft unrealistisch.
Häufig gestellte Fragen
Was ist der Unterschied zwischen explorativer und konfirmatorischer Faktorenanalyse?
Die explorative Faktorenanalyse (EFA) entdeckt latente Strukturen aus Daten ohne vorherige Theorie; Sie lassen die Daten bestimmen, wie viele Faktoren und welche Variablen auf welche Faktoren laden. Verwenden Sie EFA bei der Untersuchung eines neuen Konstrukts oder einer neuen Skala. Die konfirmatorische Faktorenanalyse (CFA) testet eine hypothetisierte Faktorstruktur, die vor der Analyse basierend auf Theorie und früherer Forschung spezifiziert wurde. CFA bietet formale Fit-Tests und ist statistisch rigoroser. Standardvorgehen: Führen Sie EFA auf einer Trainingsstichprobe durch, um ein Modell vorzuschlagen, und validieren Sie es dann mit CFA auf einer unabhängigen Teststichprobe (oder verwenden Sie Kreuzvalidierung). Führen Sie niemals EFA auf derselben Stichprobe durch, die für die CFA-Validierung verwendet wurde.
Wie viele Faktoren sollte ich extrahieren? Was sagt mir der Scree-Plot?
Mehrere Kriterien leiten die Faktorextraktion: (1) Kaiser-Kriterium (Eigenwert > 1) ist traditionell, schlägt aber oft zu viele Faktoren vor. (2) Scree-Plot: Eigenwerte in absteigender Reihenfolge aufgetragen; behalten Sie Faktoren vor dem Knick (Punkt, an dem die Erträge abnehmen) bei. Der 'Scree' ist der Hang nach dem Knick. (3) Parallele Analyse: Vergleichen Sie empirische Eigenwerte mit denen von Zufallspermutationen; behalten Sie nur Faktoren bei, die die Zufallsbasislinie überschreiten. Die parallele Analyse ist statistisch am besten begründbar. (4) Interpretierbarkeit: Behalten Sie nur Faktoren bei, die Sie konzeptionell benennen und erklären können. Verschiedene Kriterien ergeben oft unterschiedliche Zahlen; konsultieren Sie mehrere Methoden und die Theorie.
Was bedeutet eine Faktorladung von 0,6 und wie unterscheidet sie sich von einem Reliabilitätskoeffizienten?
Eine Faktorladung von 0,6 ist die Korrelation zwischen einer beobachteten Variablen und einem latenten Faktor; sie zeigt an, dass die Variable zur Messung dieses Faktors beiträgt. Die quadrierte Ladung (0,6² = 0,36) ist der Anteil der Varianz der Variablen, der durch den Faktor erklärt wird. Ladungen > 0,4 sind minimal akzeptabel; > 0,6 sind stark. Ein Reliabilitätskoeffizient (Cronbachs Alpha, typischerweise ≥0,70) misst die interne Konsistenz: den Grad, in dem mehrere Variablen, die dasselbe Konstrukt messen, miteinander korrelieren. Die Ladung zeigt die Beziehung zum latenten Faktor; Alpha zeigt an, ob Variablen gemeinsam ein Konstrukt konsistent messen. Beides ist wichtig: Hohe Ladungen und hohes Alpha stützen gemeinsam eine homogene latente Dimension.
Wie gehe ich mit Variablen mit niedrigen Kommunalitäten um?
Die Kommunalität ist der Anteil der Varianz einer Variablen, der durch alle Faktoren erklärt wird (Summe der quadrierten Ladungen über alle Faktoren). Niedrige Kommunalitäten (<0,3) deuten darauf hin, dass die Variable durch die Faktoren schlecht repräsentiert wird, entweder weil: (1) sie ein einzigartiges Konstrukt misst, das nicht vom Faktormodell erfasst wird, (2) sie unzuverlässig/verrauscht ist, oder (3) die Faktorextraktion falsch ist. Optionen: Entfernen Sie die Variable (vereinfachen Sie das Modell, wenn theoretisch gerechtfertigt), fügen Sie Faktoren hinzu (kann zu Überanpassung führen) oder untersuchen Sie, ob die Variable tatsächlich zur Skala gehört. Untersuchen Sie immer den Item-Inhalt; manchmal spiegelt eine niedrige Kommunalität ein schlecht formuliertes Item wider und nicht eine konzeptionelle Unstimmigkeit.
Verwandte Methoden
Quellen
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
DOI-Referenz öffnenKopiert.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
DOI-Referenz öffnenKopiert.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
DOI-Referenz öffnenKopiert.