Du hast 24 Items im Fragebogen, die Daten sind erhoben, und in der Besprechung fällt der Satz, der die nächsten drei Tage kostet: «Sind das jetzt drei Skalen oder eine?» Genau das beantwortet die explorative Faktorenanalyse. Sie schaut sich an, welche Items gemeinsam variieren, und schlägt vor, wie viele dahinterliegende Dimensionen deine Antworten erklären. Sie sagt dir nicht, wie diese Dimensionen heissen — das ist deine Arbeit. Aber sie sagt dir, ob deine Skalenidee im Datensatz überhaupt sichtbar ist.
Diese Anleitung führt dich durch den Ablauf, die vier Entscheidungen, an denen die meisten Arbeiten hängen bleiben, und den Absatz, den du am Ende in den Methodenteil schreibst.
Was die Faktorenanalyse beantwortet — und was nicht
Die explorative Faktorenanalyse (EFA) sucht nach latenten Variablen: Grössen, die du nicht direkt gemessen hast, die aber erklären, warum bestimmte Items miteinander korrelieren. Wenn deine Befragten bei «Ich fühle mich meinem Team verbunden», «Ich würde meine Abteilung weiterempfehlen» und «Ich denke selten an einen Stellenwechsel» ähnlich antworten, liegt der Verdacht nahe, dass eine gemeinsame Grösse dahintersteht.
Drei Abgrenzungen, die in Gutachten regelmässig eingefordert werden:
- EFA ist nicht konfirmatorisch. Du prüfst keine vorher festgelegte Faktorstruktur, du erkundest sie. Wenn du eine etablierte Skala mit bekannter Struktur einsetzt, ist eine konfirmatorische Faktorenanalyse (CFA) das passendere Verfahren — und in einer Bachelorarbeit oft schlicht zu aufwendig. Dann berichtest du die EFA als Plausibilitätsprüfung, nicht als Modelltest.
- EFA ist keine Reliabilitätsprüfung. Sie sagt dir, welche Items zusammengehören, nicht wie präzise sie messen. Beides gehört zusammen, aber in dieser Reihenfolge: erst Struktur, dann interne Konsistenz.
- EFA ist keine Validierung. Dass drei Faktoren herauskommen, heisst nicht, dass sie das messen, was du zu messen glaubst. Die inhaltliche Deutung bleibt ein Argument, kein Rechenergebnis. Wie sich Reliabilität und Validität unterscheiden und warum du beides getrennt begründen musst, gehört in denselben Abschnitt.
Bevor du rechnest: vier Voraussetzungen
Stichprobengrösse. Es gibt keine verbindliche Regel, aber eine brauchbare Faustzahl: mindestens fünf, besser zehn Fälle pro Item. Bei 24 Items sind das 120 bis 240 Personen. Entscheidender als das Verhältnis ist die absolute Zahl — unter etwa 100 Fällen werden die Ladungen so instabil, dass eine zweite Stichprobe eine andere Struktur liefern würde. Wenn du noch in der Planung steckst, rechne die nötige Stichprobengrösse vor der Erhebung aus statt danach.
Interkorrelation. Wenn die Items gar nicht miteinander korrelieren, gibt es nichts zu bündeln. Zwei Kennwerte prüfen das: das Kaiser-Meyer-Olkin-Mass (KMO) sollte über 0,60 liegen, ab 0,80 ist es komfortabel; der Bartlett-Test auf Sphärizität sollte signifikant ausfallen. Beide fordert SPSS auf Knopfdruck an. Ein KMO unter 0,50 ist ein Abbruchkriterium, kein Schönheitsfehler.
Skalenniveau. Die klassische EFA rechnet mit Pearson-Korrelationen und unterstellt damit metrische Daten. Fünfstufige Likert-Items werden in der Praxis breit so behandelt, ab etwa fünf Stufen und annähernd symmetrischer Verteilung ist das vertretbar. Bei vierstufigen oder stark schiefen Items ist die polychorische Korrelationsmatrix die sauberere Grundlage — die bekommst du in R oder jamovi, nicht im SPSS-Standardmenü.
Fehlende Werte und Ausreisser. Entscheide vorher, ob du listenweise oder paarweise ausschliesst, und schreibe die Entscheidung auf. Listenweiser Ausschluss ist konservativer und bei moderaten Ausfällen die einfachere Wahl.
Der Ablauf in SPSS
Menüweg: Analysieren → Dimensionsreduktion → Faktorenanalyse. Alle Items in das Variablenfeld. Danach vier Dialogfelder, in denen die eigentlichen Entscheidungen fallen.
Extraktion: Hauptachsen oder Hauptkomponenten
SPSS schlägt standardmässig die Hauptkomponentenanalyse vor. Das ist bequem, aber streng genommen kein Faktorenmodell: Die Hauptkomponentenanalyse fasst die gesamte Varianz zusammen, auch die fehlerbehaftete. Wenn du latente Konstrukte behauptest, ist die Hauptachsen-Faktorenanalyse die theoretisch passende Wahl, weil sie nur die gemeinsame Varianz modelliert. In den meisten Datensätzen unterscheiden sich die Ergebnisse wenig — aber die Begründung im Methodenteil unterscheidet sich sehr. Wähle bewusst und schreibe hin, warum.
Wie viele Faktoren?
Hier entscheidet sich, ob deine Analyse überzeugt. Drei Kriterien, in aufsteigender Qualität:
- Kaiser-Kriterium (Eigenwert > 1): der SPSS-Standard und das schwächste Kriterium. Es überschätzt die Faktorzahl systematisch, besonders bei vielen Items.
- Screeplot: du suchst den Knick. Alles links davon behältst du. Das ist eine Sichtprüfung und damit angreifbar, aber es ist die Prüfung, die jede Betreuung kennt.
- Parallelanalyse: das methodisch stärkste Verfahren. Sie vergleicht deine Eigenwerte mit denen aus Zufallsdaten gleicher Grösse und behält nur Faktoren, deren Eigenwert den Zufallswert übersteigt. SPSS hat sie nicht im Menü, jamovi und R liefern sie direkt mit.
Der belastbare Weg: alle drei ansehen und die Lösung wählen, die inhaltlich interpretierbar ist. Eine vierfaktorielle Lösung, deren vierter Faktor aus zwei Items besteht, die nichts gemeinsam haben, ist schlechter als die dreifaktorielle daneben.
Rotation: Varimax oder Oblimin
Ohne Rotation laden fast alle Items auf den ersten Faktor. Die Rotation dreht die Achsen so, dass die Zuordnung eindeutiger wird. Varimax hält die Faktoren unkorreliert, Oblimin und Promax lassen Korrelation zu. Die Entscheidung ist inhaltlich: Erwartest du, dass deine Dimensionen zusammenhängen? Bei Einstellungs- und Persönlichkeitskonstrukten fast immer ja — dann ist eine oblique Rotation ehrlicher. Rechne im Zweifel beides und berichte die Faktorkorrelationen aus der obliquen Lösung; liegen sie unter etwa 0,30, ist Varimax vertretbar.
Die rotierte Matrix lesen
Drei Zahlen entscheiden über jedes Item.
Die Hauptladung sollte mindestens 0,40 betragen, ab 0,50 ist sie überzeugend. Ein Item, das nirgends über 0,40 lädt, misst nichts von dem, was deine Faktoren abbilden.
Die Querladung. Lädt ein Item auf zwei Faktoren ähnlich hoch, trennt es nicht. Eine gängige Regel: der Abstand zwischen höchster und zweithöchster Ladung sollte mindestens 0,20 betragen.
Die Kommunalität sagt, welcher Anteil der Itemvarianz durch die Faktorlösung erklärt wird. Werte unter 0,20 bedeuten, dass das Item praktisch für sich steht.
Ergänzend berichtest du die aufgeklärte Gesamtvarianz. In den Sozialwissenschaften gelten 50 bis 60 Prozent als brauchbar; niedrigere Werte sind kein Fehler, aber sie brauchen einen Satz Einordnung.
Items streichen — und es sauber dokumentieren
Items zu entfernen ist erlaubt und üblich. Was nicht erlaubt ist: so lange zu streichen, bis das gewünschte Bild entsteht, und nur das Endergebnis zu zeigen. Der Unterschied liegt vollständig in der Dokumentation.
Halte fest: welches Item, mit welchem Kennwert, in welchem Schritt, mit welcher Begründung — und wie die Lösung danach aussah. Streiche pro Durchgang nur ein Item und rechne neu; nach jeder Entfernung verschieben sich die Ladungen. Ein kurzer Tabellenanhang mit den Durchgängen macht die Analyse nachvollziehbar und nimmt jeder Nachfrage die Spitze. Formuliere ausserdem, was du nicht getan hast — etwa, dass du keine Items nachträglich umgepolt oder zusammengefasst hast.
Was danach kommt: Skalenbildung
Die Faktorenanalyse endet mit einer Struktur, nicht mit einer Variablen. Für die weitere Auswertung bildest du pro Faktor einen Skalenwert — in der Regel den Mittelwert der zugehörigen Items, nicht die Summe, weil der Mittelwert bei unterschiedlich vielen Items pro Skala vergleichbar bleibt.
Erst jetzt prüfst du die interne Konsistenz der so gebildeten Skalen, und erst jetzt gehen sie in Mittelwertvergleiche oder Regressionen ein. Wer die Reihenfolge umdreht und die Konsistenz vor der Struktur prüft, testet eine Skala, die es vielleicht gar nicht gibt. Wenn du deine Items ursprünglich aus einer theoretischen Definition abgeleitet hast, lohnt an dieser Stelle der Rückblick auf die Operationalisierung: Passt die gefundene Struktur zu dem, was du messen wolltest?
Der Absatz für den Methodenteil
Ein Mustersatz, den du mit deinen Zahlen füllst:
«Zur Prüfung der Skalenstruktur wurde eine explorative Faktorenanalyse (Hauptachsenmethode, Oblimin-Rotation) über die 24 Items gerechnet. Die Eignung der Daten war gegeben (KMO = 0,84; Bartlett-Test auf Sphärizität signifikant). Parallelanalyse und Screeplot sprachen übereinstimmend für eine dreifaktorielle Lösung, die 57 Prozent der Varianz aufklärte. Zwei Items wurden wegen Ladungen unter 0,40 ausgeschlossen (Item 7, Item 19); die Analyse wurde nach jedem Ausschluss wiederholt. Alle verbleibenden Items luden mit mindestens 0,52 auf genau einen Faktor.»
Vier Sätze, alle Kennwerte, keine Lücke für Nachfragen. Wie du solche Kennwerte typografisch korrekt setzt, klärst du am besten einmal für die ganze Arbeit statt Tabelle für Tabelle. Eine Übersicht darüber, welche Auswertungsschritte in einer quantitativen Abschlussarbeit in welcher Reihenfolge stehen, hilft beim Aufbau des Kapitels.
Häufige Fragen
Meine Analyse liefert nur einen Faktor. Ist das ein Ergebnis?
Ja, und oft ein gutes. Ein einziger Faktor bedeutet, dass deine Items eine einzige Dimension messen — dann bildest du eine Gesamtskala und begründest, warum die theoretisch erwartete Untergliederung sich empirisch nicht zeigt. Das ist ein berichtbares Ergebnis, kein gescheiterter Versuch.
Muss ich vorher eine Hypothese über die Faktorzahl haben?
Nein — «explorativ» heisst genau das. Wenn du aber eine Erwartung hast, weil die Items aus einer publizierten Skala stammen, schreibe sie hin und vergleiche sie mit dem Befund. Eine Abweichung ist interessant, solange du sie benennst.
Reicht die Hauptkomponentenanalyse für eine Bachelorarbeit?
In der Praxis wird sie fast überall akzeptiert. Entscheidend ist, dass du das Verfahren korrekt benennst: Wer Hauptkomponenten rechnet, schreibt nicht «Faktorenanalyse» und spricht nicht von Faktoren, sondern von Komponenten. Diese Unschärfe fällt Gutachtenden auf.
Wie viele Items müssen pro Faktor übrig bleiben?
Drei ist das übliche Minimum. Ein Faktor mit zwei Items ist instabil und lässt sich kaum sinnvoll auf interne Konsistenz prüfen. Wenn nur zwei übrig bleiben, ist die Lösung mit weniger Faktoren meist die bessere.
Kann ich die Analyse mit Excel rechnen?
Nicht sinnvoll. Du brauchst SPSS, R, jamovi oder Stata. jamovi ist kostenlos, liefert die Parallelanalyse mit und exportiert eine Ladungsmatrix, die sich ohne Nacharbeit in die Arbeit übernehmen lässt.
Die Kurzfassung
Prüfe KMO und Bartlett, bevor du rechnest. Wähle Hauptachsen, wenn du von latenten Konstrukten sprichst. Bestimme die Faktorzahl über Parallelanalyse und Screeplot, nicht über das Kaiser-Kriterium allein. Rotiere oblique, wenn deine Dimensionen inhaltlich zusammenhängen dürfen. Streiche Items einzeln, dokumentiere jeden Durchgang, und bilde erst danach Skalenmittelwerte. Wenn diese sechs Entscheidungen im Methodenteil begründet stehen, ist der Abschnitt fertig.
Und wenn dir beim Schreiben dieses Kapitels vor allem die Formulierungen fehlen: Tesify baut deine Arbeit Kapitel für Kapitel mit dir auf — inklusive Methodenteil, der die Kennwerte an die richtige Stelle setzt.