top of page

Drei Eigenwerte über 1, aber nur zwei Faktoren, wann du in jamovi eine Hauptkomponentenanalyse und wann eine Faktorenanalyse brauchst

25false09 GMT+0000 (Coordinated Universal Time)
4 Min. Lesezeit

In einem erfundenen Fragebogen mit 12 Items zeigt jamovi drei Komponenten mit Eigenwerten von 3.90, 1.60 und 1.10. Die Parallelanalyse behält nur zwei davon. Welche Zahl in deinen Methodenteil gehört, hängt zuerst davon ab, ob du eine Hauptkomponentenanalyse oder eine explorative Faktorenanalyse rechnest. Beide Verfahren sehen in der Ausgabe ähnlich aus, beantworten aber verschiedene Fragen.


Was eine PCA verdichtet und was eine EFA erklärt

Die Hauptkomponentenanalyse (PCA) fasst die gesamte Varianz vieler Variablen in wenigen Komponenten zusammen. Sie fragt, wie sich die Information mit möglichst wenig Verlust bündeln lässt. Die explorative Faktorenanalyse (EFA) geht dagegen von einem Messmodell aus. Hinter den Items stehen gemeinsame Ursachen, die Faktoren. Jedes Item hat zusätzlich einen eigenen Anteil, den die Faktoren nicht erklären.


Der Unterschied klingt technisch, hat aber Folgen für deine Arbeit. Wer eine Skala entwickelt oder prüfen will, ob ein Fragebogen ein bestimmtes Konstrukt misst, sucht latente Merkmale und braucht dafür in der Regel eine EFA. Wer viele Laborwerte oder Messgrößen auf wenige Kennwerte reduzieren will, etwa für eine spätere Regression, ist mit einer PCA gut bedient. Die Tabelle 1 stellt beide Verfahren gegenüber.


Merkmal

Hauptkomponentenanalyse (PCA)

Explorative Faktorenanalyse (EFA)

Ziel

Daten verdichten

Latente Faktoren schätzen

Analysierte Varianz

Gesamte Varianz

Gemeinsame Varianz der Items

Modellannahme

Kein Messmodell

Items als Indikatoren gemeinsamer Faktoren

Typischer Einsatz

Viele Messgrößen für weitere Analysen bündeln

Skalenentwicklung, Struktur eines Fragebogens

Begriff im Ergebnis

Komponenten

Faktoren


In Lehrbüchern und Programmausgaben werden beide Begriffe oft vermischt. Für die Begutachtung zählt, dass Ziel und Verfahren zusammenpassen. Wer im Text von „Faktoren“ spricht und eine PCA gerechnet hat, riskiert eine Rückfrage.


Warum das Kaiser-Kriterium oft zu viele Komponenten liefert

Das Kaiser-Kriterium behält alle Komponenten mit einem Eigenwert über 1. Es ist einfach anzuwenden, neigt aber vor allem bei vielen Items dazu, zu viele Komponenten zu behalten. Im erfundenen Beispiel liegt die dritte Komponente mit 1.10 nur knapp über der Grenze. Sie erklärt bei 12 Items rund 9 % der Varianz und damit kaum mehr als ein einzelnes Item.


Der Scree-Plot zeigt die Eigenwerte als Kurve. Gesucht ist der Knick, nach dem die Werte nur noch flach abfallen. Im Beispiel fällt die Kurve von 3.90 auf 1.60 deutlich und danach nur noch langsam. Das spricht für zwei Faktoren. Der Knick ist allerdings nicht immer eindeutig, deshalb bleibt der Scree-Plot eine Ermessensfrage.


Die Parallelanalyse vergleicht die beobachteten Eigenwerte mit Eigenwerten aus Zufallsdaten derselben Größe. Behalten wird nur, was über dem Zufall liegt. In der Methodenliteratur gilt sie als verlässlicher als das Kaiser-Kriterium. jamovi bietet bei PCA und EFA an, die Zahl über die Parallelanalyse, über Eigenwerte oder als feste Zahl festzulegen. So könnte der Vergleich mit erfundenen Werten aussehen:

Komponente

Beobachteter Eigenwert

Mittlerer Eigenwert aus Zufallsdaten

Behalten

1

3.90

1.45

ja

2

1.60

1.32

ja

3

1.10

1.22

nein


Wie viele Faktoren trägt deine Skala

An dieser Stelle fällt eine Entscheidung, die dir keine Ausgabe abnimmt. Die Kriterien können sich widersprechen. Neben den Zahlen zählen auch die Inhalte. Ein Faktor, auf dem nur zwei Items laden, ist ebenso ein Warnsignal wie ein Faktor, den du inhaltlich nicht benennen kannst. Dazu kommen die Wahl der Rotation und die Frage, ob Items mit hohen Querladungen in der Skala bleiben dürfen.


Wenn du unsicher bist, wie viele Faktoren deine Skala trägt und welche Items bleiben dürfen, findest du hier unsere Unterstützung bei der Faktorenanalyse in jamovi.

Was in Methodenteil und Ergebnisteil gehört

Im Methodenteil nennst du das Verfahren mit kurzer Begründung, die Extraktionsmethode, das Kriterium für die Zahl der Faktoren und die Rotation. Dazu kommen Kennwerte zur Eignung der Daten, meist das Kaiser-Meyer-Olkin-Maß und der Bartlett-Test. Wie ausführlich das sein muss, hängt von Hochschule und Betreuung ab. Wer die Wahl zwischen PCA und EFA in einem Satz begründet, ist auf der sicheren Seite.


Im Ergebnisteil berichtest du die Zahl der Faktoren, die erklärte Varianz und die Ladungen, meist in einer Tabelle. Für eine solche Ladungstabelle nach APA 7 enthält das Tabellen-Kit Word-Vorlagen für Bachelor-, Master- und Doktorarbeit. Mit erfundenen Werten könnte der zentrale Satz so lauten:

Die Parallelanalyse sprach für zwei Faktoren. Die explorative Faktorenanalyse (Maximum Likelihood, Oblimin-Rotation) ergab eine Lösung mit zwei Faktoren, die zusammen 38.40 % der Varianz erklärten. Die beiden Faktoren korrelierten mit r = .31.

Für die Reliabilität der gefundenen Skalen bieten sich anschließend Cronbachs Alpha oder McDonalds Omega an. Wer die Struktur in einer zweiten Stichprobe bestätigen will, rechnet eine konfirmatorische Faktorenanalyse. Deren Fit-Indizes widersprechen sich manchmal, auch dafür lohnt sich ein Blick vorab.


Wie du jamovi-Ausgaben allgemein für deine Arbeit aufbereitest, zeigt der Artikel zu jamovi-Ergebnissen nach APA 7. Wenn du noch zwischen zwei Programmen schwankst, hilft der Vergleich jamovi oder SPSS.


Was Studierende zur Faktorenanalyse in jamovi oft fragen

Sauberer ist es, die Begriffe passend zum Verfahren zu wählen. Eine PCA liefert Komponenten, eine EFA liefert Faktoren. Wenn deine Fragestellung latente Konstrukte betrifft, ist die EFA meist die passendere Wahl.

Wenn du erwartest, dass die Faktoren zusammenhängen, passt eine schiefwinklige Rotation wie Oblimin oder Promax. Varimax unterstellt unkorrelierte Faktoren, was bei psychologischen Skalen selten plausibel ist. Die Wahl solltest du im Methodenteil kurz begründen.

Das hängt davon ab, ob wir nur die Entscheidung zur Faktorenzahl prüfen oder die ganze Analyse mit Reliabilität und Tabellen übernehmen. Wie Ablauf und Abrechnung aussehen, steht auf der Seite Preise und Ablauf.

Eine feste Grenze gibt es nicht. Je höher die Ladungen sind und je mehr Items auf einen Faktor kommen, desto kleiner darf die Stichprobe sein. Bei kleinen Stichproben werden Lösungen leicht instabil, das gehört dann in die Diskussion.

Das ist möglich und verbreitet, viele rechnen die CFA zum Beispiel in R mit lavaan. jamovi bietet dafür aber ebenfalls eine eigene Analyse. Entscheidend ist, dass EFA und CFA auf getrennten Stichproben beruhen, sonst prüfst du die Struktur an denselben Daten, aus denen sie stammt.


Wenn die Parallelanalyse etwas anderes sagt als dein Gefühl Wir prüfen mit dir, wie viele Faktoren deine Daten tragen. Auf Wunsch übernehmen wir die Auswertung in jamovi samt Reliabilität und Tabellen. Wenn du lieber selbst rechnest, begleiten wir dich im Statistik-Coaching durch die Entscheidungen. Reichen deine Itemzahl und deine Stichprobe für eine stabile Lösung?


NEWSLETTER MIT GRATIS-PRÜFLISTE

​

Statistik-Tipps per E-Mail

​

Melde dich für unseren Newsletter an und du bekommst als Dankeschön sofort unsere Prüfliste „Stimmt deine Auswertung?“. Zwölf Punkte, die du vor der Abgabe selbst prüfen kannst.

​

Danach schreiben wir dir etwa zweimal im Monat mit neuen Blogartikeln, Anleitungen zu SPSS und R sowie Hinweisen auf unsere Angebote. Abmelden kannst du dich jederzeit mit einem Klick.

​

Die Prüfliste kommt als PDF direkt in dein Postfach.

Prüfliste und Newsletter

Mit deiner Anmeldung bekommst du die Prüfliste direkt in dein Postfach. Danach schicke ich dir etwa zweimal im Monat unseren Newsletter mit Tipps zu Auswertung, Ergebnisteil und APA 7.

Die Prüfliste kommt gleich per Mail. Für den Newsletter bekommst du zusätzlich einen Bestätigungslink.

bottom of page