Explorative und konfirmatorische Faktorenanalyse: Wann du welche brauchst

Die explorative Faktorenanalyse (EFA) fragt: Welche Struktur steckt in diesen Items? Die konfirmatorische Faktorenanalyse (CFA) fragt: Passt eine vorher festgelegte Struktur zu den Daten? Die erste sucht, die zweite prüft. Wer diesen Unterschied klar formulieren kann, hat in der Methodenklausur schon die halbe Aufgabe gelöst.

Der Vergleich auf einen Blick

EFA: Wie viele Faktoren?

Die wichtigste Entscheidung bei der EFA ist die Zahl der Faktoren. Drei Kriterien begegnen dir in fast jeder Vorlesung:

• Kaiser-Kriterium: Faktoren mit Eigenwert über 1. Einfach, überschätzt aber oft die Faktorenzahl und gilt heute als zu grob.
• Scree-Test: Man sucht den Knick im Eigenwertverlauf. Anschaulich, aber subjektiv.
• Parallelanalyse: Die Eigenwerte werden mit denen aus Zufallsdaten gleicher Größe verglichen. Gilt als das zuverlässigste der drei Verfahren.

EFA: Rotation

Nach der Extraktion wird die Lösung rotiert, damit sie besser interpretierbar ist. Orthogonale Rotationen wie Varimax erzwingen unkorrelierte Faktoren. Oblique Rotationen wie Oblimin oder Promax erlauben Korrelationen. Weil psychologische Konstrukte fast immer zusammenhängen, ist eine oblique Rotation meist die realistischere Wahl. Bei schiefwinkliger Rotation unterscheidest du außerdem die Mustermatrix, die die eindeutigen Ladungen zeigt, von der Strukturmatrix mit den Korrelationen zwischen Item und Faktor.

EFA ist nicht Hauptkomponentenanalyse

Eine häufige Prüfungsfrage: Die Hauptkomponentenanalyse (PCA) fasst die gesamte Varianz der Items zusammen und dient vor allem der Datenreduktion. Die EFA modelliert nur die gemeinsame Varianz und nimmt an, dass latente Faktoren die Items verursachen. Für die Frage nach einem psychologischen Konstrukt ist die EFA das passendere Modell.

CFA: Fit-Indizes lesen

Bei der CFA beurteilst du, wie gut das festgelegte Modell die Daten abbildet. Verbreitete Richtwerte gehen auf Hu und Bentler (1999) zurück:

• χ²-Test: sollte nicht signifikant sein, ist bei großen Stichproben aber fast immer signifikant und wird deshalb nicht allein betrachtet.
• CFI und TLI: Werte ab etwa .95 sprechen für guten Fit.
• RMSEA: Werte bis etwa .06 gelten als gut, mit Konfidenzintervall berichten.
• SRMR: Werte bis etwa .08 gelten als gut.

Die Grenzwerte sind Faustregeln, keine harten Schwellen. In der Klausur lohnt es sich, das zu erwähnen.

EFA und CFA in der Masterarbeit

Wenn du einen neuen Fragebogen entwickelst, ist die typische Abfolge: EFA in einer Teilstichprobe, CFA in einer zweiten, unabhängigen Teilstichprobe. Beide Analysen auf denselben Daten zu rechnen, ist ein häufiger Fehler, weil die CFA dann nur bestätigt, was die EFA aus genau diesen Daten herausgelesen hat. Plane deshalb die Stichprobengröße von Anfang an so, dass sie für eine Teilung reicht.

Weiterlernen

Faktorenanalyse, IRT und Validierungsstrategien erklärt das Skript Psychometrie & Validierung. Im Prüfungspaket Methoden & Diagnostik bekommst du es zusammen mit Testkonstruktion und KI in der Datenanalyse. Den Ablauf einer vollständigen Validierung beschreibt der Artikel Testvalidierung Schritt für Schritt.

Häufige Fragen

Kann ich eine CFA ohne vorherige EFA rechnen?

Ja, wenn die Struktur theoretisch begründet oder aus früheren Studien bekannt ist. Bei etablierten Instrumenten ist das sogar der Normalfall.

Welche Stichprobengröße brauche ich für eine Faktorenanalyse?

Pauschale Regeln wie zehn Personen pro Item sind umstritten. Die nötige Größe hängt von der Höhe der Ladungen und der Zahl der Items pro Faktor ab. Mehrere hundert Personen sind für eine CFA üblich.

Was mache ich, wenn der CFA-Fit schlecht ist?

Modifikationsindizes zeigen, wo das Modell nicht passt. Jede Anpassung muss aber inhaltlich begründet sein, sonst wird aus der konfirmatorischen eine explorative Analyse.