Explorative Faktorenanalyse (EFA)
& Reliabilitätsanalyse

Fragebögen validieren, Skalen prüfen, Cronbachs Alpha korrekt interpretieren – die EFA ist das Standardwerkzeug für alle Psychologie-Arbeiten, die mit selbst erhobenen oder adaptierten Messinstrumenten arbeiten. Dieser Guide führt Sie vom Scree-Plot bis zum vollständigen APA-Reliabilitätsbericht.

Faktorladungen interpretieren
Scree-Plot & Eigenwerte
Rotationsmethoden
Cronbachs Alpha
Item-Total-Korrelation

Fragebogenstudien gehören zu den häufigsten Aufträgen, die unser Team aus promovierten Psychologen und Diplom-Statistikern bei Business And Science bearbeitet. Ob adaptiertes Messinstrument oder Skalenneuentwicklung: Unsere Psychologie-Ghostwriter führen EFA und Reliabilitätsanalyse in SPSS und R durch, interpretieren Faktorladungen und Cronbachs Alpha korrekt und formulieren den Methodenteil nach APA 7 – in über 12.000 abgeschlossenen Projekten seit 2012.

📑 Inhalt

📌 EFA & Reliabilitätsanalyse – Kurzübersicht

Die Explorative Faktorenanalyse (EFA) untersucht die latente Struktur eines Itemsets – also welche Items gemeinsame Faktoren teilen. Sie wird eingesetzt, wenn keine klare theoretische Vorstruktur vorliegt oder ein Fragebogen für eine neue Stichprobe validiert wird. Die Faktoranzahl wird über Scree-Plot, Eigenwert-Kriterium (> 1) und Parallelanalyse bestimmt. Nach der Rotation (Varimax bei unkorreliierten, Oblimin/Promax bei korrelierten Faktoren) werden Faktorladungen ≥ .40 als bedeutsam bewertet. Die anschließende Reliabilitätsanalyse prüft die interne Konsistenz jeder Skala mit Cronbachs Alpha (Zielwert: ≥ .70) und der Item-Total-Korrelation (Zielwert: ≥ .30). Wir unterstützen Sie bei Statistik und Ghostwriting.

1. EFA vs. CFA: Wann welche Methode?

Ein häufiger Fehler in Bachelorarbeiten: EFA und konfirmatorische Faktorenanalyse (CFA) werden verwechselt oder ohne Begründung gewählt. Der Unterschied ist grundlegend.

🔍 Explorative Faktorenanalyse (EFA)

Ziel: Datengesteuert entdecken, welche latente Struktur hinter den Items steckt. Keine Vorannahmen über die Anzahl oder Zusammensetzung der Faktoren.

Wann: Neuentwicklung eines Instruments, Einsatz eines Fragebogens in neuer Stichprobe / Sprache / Kultur, Pilotphase der Fragebogenentwicklung.

Typisch in Bachelorarbeiten

„Der Fragebogen zur sozialen Kompetenz wurde aus dem Englischen adaptiert. Eine EFA prüft, ob die Faktorstruktur in der deutschen Stichprobe repliziert werden kann."

✅ Konfirmatorische Faktorenanalyse (CFA)

Ziel: Theoretisch postulierte Faktorstruktur an den Daten testen. Vorannahmen über Faktoranzahl, Itemzuordnung und Korrelationsmuster werden geprüft.

Wann: Gut etabliertes Instrument mit klarer Theorie, Messinvarianzprüfung über Gruppen, als Teil eines SEM-Modells.

Typisch in Masterarbeiten

„Die zweifaktorielle Struktur des BDI-II wird mittels CFA geprüft. Fit-Indizes (CFI, RMSEA) bewerten die Modellpassung."

⚠️ EFA und CFA nie an derselben Stichprobe

Ein klassischer methodischer Fehler: EFA und CFA an denselben Daten durchführen. Da die EFA die Struktur aus den Daten extrahiert, würde eine anschließende CFA mit denselben Daten trivialerweise gute Fit-Werte produzieren. Korrekt: EFA an einer Teilstichprobe (oder Pilotdaten), CFA zur Kreuzvalidierung an einer unabhängigen Stichprobe. Bei nur einer Stichprobe: Zufällige 50/50-Aufteilung (Split-Half-Validierung).

2. Voraussetzungen & Stichprobengröße

Bevor Sie die EFA starten, sind folgende Prüfungen im Methodenteil zu dokumentieren. Gutachter achten explizit darauf.

Stichprobengröße

Faustregel: n ≥ 10 × Itemanzahl, mindestens aber n ≥ 100. Besser: n ≥ 200 für stabile Faktorlösungen. Bei n < 100 sind EFA-Ergebnisse als vorläufig zu kennzeichnen. Comrey & Lee (1992): 100 = schlecht, 200 = fair, 300 = gut, 500 = sehr gut.

KMO-Wert & Bartlett-Test

Kaiser-Meyer-Olkin (KMO): Misst die Stichprobeneignung. KMO ≥ .80 = gut, ≥ .70 = akzeptabel, < .60 = inakzeptabel. Bartlett-Test auf Sphärizität: Prüft, ob die Korrelationsmatrix nicht die Einheitsmatrix ist. Muss signifikant sein (p < .05).

Messniveau & Verteilung

Items sollten metrisch oder polytom ordinalskaliert (≥ 5 Stufen) sein. Bei stark schiefen Verteilungen oder Decken-/Bodeneffekten einzelner Items: Item vor der EFA prüfen. Polychorische Korrelationsmatrix als Alternative zu Pearson bei ordinalen Items.

KMO und Bartlett in SPSS ausgeben lassen

Analysieren → Dimensionsreduktion → Faktorenanalyse → Deskriptive Statistiken → KMO- und Bartlett-Test ankreuzen. Ergebnisse aus dem SPSS-Output:

===== KMO- und Bartlett-Test ===== Kaiser-Meyer-Olkin-Maß der Stichprobeneignung .847 ← ≥ .80 = gut Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 1284.33 df 136 Signifikanz <.001 ← muss signifikant sein

Berichten Sie beide Werte im Methodenteil – sie belegen, dass die EFA auf Ihren Daten sinnvoll durchführbar ist.

Voraussetzungsprüfung – wo wir regelmäßig Fehler korrigieren

In den Entwürfen, die Studierende bei uns zur Überarbeitung einreichen, fehlen KMO und Bartlett-Test in über der Hälfte der Fälle. Unsere promovierten Methodiker prüfen die Voraussetzungen vollständig, dokumentieren sie nach APA 7 und begründen, welche Konsequenzen bei Verletzungen gezogen wurden. Zur Statistik-Beratung.

3. Faktorenextraktion: Hauptkomponenten vs. Hauptachsen

In SPSS stehen verschiedene Extraktionsmethoden zur Verfügung. Die Wahl hängt vom Ziel der Analyse ab.

MethodeWann verwendenBesonderheit
Hauptkomponentenanalyse (PCA)Datenreduktion, Summenwerte für Skalen, wenn alle Varianz erklärt werden sollTechnisch keine „echte" Faktorenanalyse – extrahiert Komponenten, keine latenten Variablen. Sehr häufig in Bachelorarbeiten verwendet, aber oft falsch bezeichnet.
Hauptachsenanalyse (PAF)Wenn latente Variablen angenommen werden; bevorzugte Methode für psychologische KonstrukteSchätzt nur gemeinsame Varianz (Kommunalitäten). Statistisch korrekter für Konstruktvalidierung als PCA.
Maximum-Likelihood-EFAWenn Modellpassung getestet werden soll (χ²-Test); Voraussetzung: NormalverteilungErmöglicht statistischen Modellvergleich. Sensitiv gegenüber Normalverteilungsverletzungen.

💡 PCA oder PAF? – Die Entscheidung für Ihre Arbeit

In der Psychologie-Literatur ist die Hauptachsenanalyse (PAF) methodisch bevorzugt, wenn latente Konstrukte gemessen werden (Persönlichkeit, Einstellungen, klinische Symptome). Die PCA ist streng genommen ein Datenreduktionsverfahren, kein Faktorenmodell. In der Praxis sind die Lösungen bei vielen Items und hohen Kommunalitäten ähnlich. Für Ihre Bachelorarbeit: Wenn der Fragebogen ein psychologisches Konstrukt misst → PAF wählen und begründen. Nur wenn Sie rein explorativ Itemgruppen bilden wollen → PCA vertretbar.

4. Faktoranzahl bestimmen: Scree-Plot, Eigenwert & Parallelanalyse

Die Entscheidung, wie viele Faktoren extrahiert werden, ist die wichtigste und fehleranfälligste Entscheidung der gesamten EFA. Mehrere Kriterien sollten konvergent auf dieselbe Zahl hinweisen.

Eigenwert-Kriterium (> 1)

Kaiser-Kriterium: Alle Faktoren mit Eigenwert > 1.0 extrahieren. Vorteil: Einfach, automatisch in SPSS. Nachteil: Überschätzt häufig die Faktoranzahl, besonders bei vielen Items. Sollte nicht als einziges Kriterium verwendet werden.

Scree-Plot (Cattell)

Grafische Darstellung der Eigenwerte in absteigender Reihenfolge. Der „Knick" (Ellbogen) markiert den Punkt, ab dem die Eigenwerte flach verlaufen – die Faktoren links des Knicks werden extrahiert. Subjektiv, aber bei klarem Knick sehr zuverlässig.

Parallelanalyse (Horn)

Goldstandard. Vergleicht reale Eigenwerte mit denen zufälliger Daten gleicher Größe. Nur Faktoren extrahieren, deren Eigenwert über dem zufälligen Eigenwert liegt. In SPSS nicht direkt verfügbar – über R (psych-Paket) oder Online-Tools berechnen.

Beispiel: Scree-Plot mit Parallelanalyse-Vergleich

0 1 2 3 4 EW = 1 1 2 3 4 5 6 7 8 9 10 Faktor Knick → 2 Faktoren Reale Eigenwerte Parallelanalyse

Eigenwert-Kriterium (>1): 3 Faktoren. Scree-Plot (Knick): 2 Faktoren. Parallelanalyse: 2 Faktoren. → Entscheidung: 2 Faktoren extrahieren

Wenn die Kriterien nicht übereinstimmen

Das ist häufig – und kein Fehler. Gehen Sie pragmatisch vor:

  1. Gewichten Sie die Parallelanalyse am stärksten (Goldstandard)
  2. Führen Sie die EFA mit k und k±1 Faktoren durch
  3. Prüfen Sie, welche Lösung inhaltlich sinnvoller interpretierbar ist
  4. Berichten Sie alle geprüften Lösungen kurz und begründen Sie Ihre Wahl

5. Rotation: Varimax vs. Oblimin

Rotation verbessert die Interpretierbarkeit der Faktorlösung, ohne den Modellfit zu verändern. Die zentrale Frage: Sind die Faktoren (Konstrukte) theoretisch unabhängig voneinander – oder erwarten Sie Korrelationen?

Varimax (orthogonal)

Hält die Faktoren rechtwinklig (unkorreliert). Maximiert die Varianz der Ladungen innerhalb jedes Faktors → einfache Struktur. Wählen wenn: Faktoren sind theoretisch unabhängig (z.B. orthogonale Persönlichkeitsdimensionen). Ergibt eine Komponentenmatrix.

Standard in SPSS; am häufigsten in Bachelorarbeiten verwendet.

Oblimin / Promax (oblique)

Erlaubt Korrelationen zwischen Faktoren. Realistischer für die meisten psychologischen Konstrukte (z.B. Angst und Depression korrelieren). Ergibt zwei Matrizen: Mustermatrix (Einfluss je Faktor) und Strukturmatrix (Korrelation Item-Faktor).

Methodisch empfohlen, wenn Faktoren korrelieren könnten – in der Psychologie der Regelfall.

⚠️ Welche Matrix bei Oblique-Rotation berichten?

Bei Oblimin/Promax gibt SPSS zwei Matrizen aus. Berichten Sie die Mustermatrix (Pattern Matrix) – sie zeigt den einzigartigen Beitrag jedes Faktors zu jedem Item. Die Strukturmatrix enthält auch die indirekten Effekte durch Faktorkorrellation und ist für die Interpretation weniger geeignet. Geben Sie in der Tabelle an: „Musterladungen nach Oblimin-Rotation". Unsere Autoren achten bei jeder Auswertung darauf, dass die richtige Matrix berichtet und korrekt beschriftet wird – ein Fehler, den wir in eingereichten Entwürfen besonders häufig korrigieren.

6. Faktorladungen lesen & beurteilen

Faktorladungen sind Korrelationen zwischen Items und Faktoren (bei orthogonaler Rotation) bzw. Regressionskoeffizienten (bei obliqueer Rotation). Sie variieren zwischen –1 und +1.

LadungshöheBewertungKonsequenz
≥ .70Sehr stark – Item lädt klar auf diesen FaktorProblemlos beibehalten
.50–.69Stark – gute ZuordnungBeibehalten
.40–.49Moderat – übliche MindestgrenzeBeibehalten, inhaltlich prüfen
.30–.39Schwach – kritischNur beibehalten wenn theoretisch gut begründbar
< .30Zu niedrig – Item lädt kaum auf den FaktorItem streichen oder Zuordnung überdenken

Probleme: Querladungen & Kommunalitäten

Querladungen (Cross-Loadings)

Ein Item lädt auf zwei oder mehr Faktoren mit Ladungen ≥ .32. Das Item ist inhaltlich mehrdeutig oder deckt ein Konstrukt ab, das zwischen zwei Faktoren liegt. Konsequenz: Item entweder dem stärker ladenden Faktor zuordnen oder streichen, wenn der Unterschied zwischen den Ladungen < .15.

Niedrige Kommunalitäten

Kommunalität = Anteil der Varianz eines Items, der durch die extrahierten Faktoren erklärt wird. h² < .30: Das Item teilt wenig Varianz mit anderen – schlechte Passung. Solche Items sollten gestrichen werden. SPSS zeigt Kommunalitäten in der Tabelle „Kommunalitäten" (Spalte: Extraktion).

Beispiel: Rotierte Komponentenmatrix (Varimax, 2 Faktoren)

ItemFaktor 1Faktor 2h²
Item 1: „Ich fühle mich wertlos".812.091.669
Item 2: „Ich bin erschöpft".764.187.619
Item 3: „Ich habe Schuldgefühle".731.124.550
Item 4: „Ich schlafe schlecht".421.398.336
Item 5: „Ich kann mich nicht konzentrieren".689.201.515
Item 6: „Ich bin nervös".143.821.694
Item 7: „Ich mache mir viele Sorgen".088.793.637
Item 8: „Ich fühle mich angespannt".221.744.603
Item 9: „Ich habe Herzrasen".074.698.492
Varianzaufklärung (%)28.4 %24.1 %52.5 %

Hinweis: Item 4 zeigt eine Querladung (Δ = .023) – inhaltlich prüfen, ob es eher zu Faktor 1 (Depression) oder Faktor 2 (Angst) gehört oder gestrichen werden sollte.

7. Reliabilitätsanalyse & Cronbachs Alpha

Nach der EFA prüft die Reliabilitätsanalyse, wie konsistent die Items einer Skala miteinander zusammenhängen. Cronbachs Alpha ist das gebräuchlichste Maß für interne Konsistenz.

Cronbachs Alpha: Richtwerte & Grenzen

α < .60
Inakzeptabel
Skala überarbeiten
.60–.69
Fraglich
Nur in Piloten
.70–.79
Akzeptabel
Forschungsstandard
.80–.89
Gut
Ziel für Praxis
≥ .90
Sehr gut
Klinische Diagnostik

SPSS: Reliabilitätsanalyse durchführen

Analysieren → Skalierung → Reliabilitätsanalyse. Items der Skala einfügen, Modell: Alpha. Unter Statistiken: Item, Skala, Skala bei gestrichenem Item aktivieren. Wichtige Ausgaben:

  • Alpha (gesamt): Interne Konsistenz der gesamten Skala
  • Korrigierte Item-Skala-Korrelation: Item-Total-Korrelation (Zielwert: ≥ .30)
  • Alpha bei gestrichenem Element: Würde das Löschen dieses Items Alpha verbessern? (→ Item-Selektion)
  • Mittlere Inter-Item-Korrelation: Sollte zwischen .15 und .50 liegen

💡 Cronbachs Alpha allein reicht nicht – McDonald's Omega als Ergänzung

Cronbachs Alpha setzt tau-Äquivalenz voraus (alle Items laden gleich stark auf den Faktor) – eine Annahme, die selten erfüllt ist. Bei ungleichen Faktorladungen unterschätzt Alpha die wahre Reliabilität. McDonald's Omega (ω) ist ein robusterer Schätzer und wird von APA 7 und neueren Methodenstandards empfohlen. In R: Paket psych, Funktion omega(). In der Praxis: Berichten Sie Alpha und Omega, wenn die Faktorladungen stark variieren.

8. Item-Selektion & Item-Total-Korrelation

Die Item-Total-Korrelation (korrigierte Item-Skala-Korrelation in SPSS) zeigt, wie gut ein einzelnes Item die Gesamtskala repräsentiert.

1

Item-Total-Korrelation prüfen (Richtwert: ≥ .30)

Items mit r < .30 korrelieren zu wenig mit den anderen Items der Skala – sie messen möglicherweise etwas anderes. Kandidaten für Streichung. Gleichzeitig: Sehr hohe Korrelationen (r > .85) deuten auf Itemredundanz hin – inhaltlich prüfen.

2

„Alpha wenn Item gelöscht" prüfen

SPSS zeigt für jedes Item, auf welchen Wert Alpha steigen würde, wenn das Item entfernt wird. Steigt Alpha deutlich (um > .05), ist das Item ein Kandidat für die Streichung – aber nur wenn auch die Faktorladung und Item-Total-Korrelation niedrig sind. Nie allein auf diesen Wert stützen.

3

Inhaltliche Prüfung vor Streichung

Statistik ist kein ausreichender Grund für Itemstreichung. Prüfen Sie: Deckt das Item einen inhaltlichen Aspekt ab, der für das Konstrukt unverzichtbar ist? Ein Item mit r = .28, das das zentrale Konstruktmerkmal abfragt, kann trotzdem behalten werden – mit expliziter Begründung.

4

Nach Streichung erneut Alpha berechnen

Nach jeder Streichung: Reliabilitätsanalyse erneut durchführen, da sich alle Werte verändern. Iterativer Prozess. Dokumentieren Sie alle Schritte und begründen Sie jede Streichung im Methodenteil.

Unsere Methodiker begleiten diesen iterativen Prozess und dokumentieren jeden Selektionsschritt so, dass die Entscheidungslogik für Gutachter nachvollziehbar ist. Sprechen Sie uns an.

⚠️ Alpha-Maximierung ist kein Ziel

Ein häufiger Fehler: Studierende streichen so lange Items, bis Alpha möglichst hoch ist. Das führt zu einer inhaltlich verkürzten Skala, die nur noch den Kern des Konstrukts misst – alle Randbereiche fehlen. Außerdem steigt Alpha automatisch mit der Itemanzahl. Ziel ist inhaltliche Vollständigkeit bei akzeptabler Reliabilität – nicht maximales Alpha.

9. APA-konformes Berichten von EFA & Reliabilität

Muster: Methodenteil – EFA-Durchführung

Methodenteil

„Zur Prüfung der Faktorstruktur des adaptierten Fragebogens zur sozialen Kompetenz (24 Items) wurde eine explorative Faktorenanalyse (Hauptachsenanalyse mit obliqueer Rotation, Oblimin δ = 0) durchgeführt. Die Stichprobeneignung war gut (KMO = .847) und der Bartlett-Test auf Sphärizität signifikant, χ²(276) = 1284.33, p < .001. Die Faktoranzahl wurde auf Basis des Scree-Plots und einer Parallelanalyse auf zwei festgelegt (Kaiser-Kriterium: 3). Als Mindestladung für die Itemzuordnung wurde λ = .40 festgelegt."

Muster: Ergebnisteil – EFA-Lösung

Ergebnisteil

„Die zweifaktorielle EFA-Lösung erklärte 52.5% der Gesamtvarianz (Faktor 1: 28.4%, Faktor 2: 24.1%). Faktor 1 gruppierte 10 Items mit Ladungen zwischen λ = .42 und λ = .81 und wurde inhaltlich als ,Selbstbehauptung' interpretiert. Faktor 2 umfasste 12 Items (λ = .44–.77) und entsprach ,Empathie'. Zwei Items zeigten Querladungen (Δλ < .10) und wurden nach inhaltlicher Prüfung dem theoretisch passenderen Faktor zugeordnet. Alle Kommunalitäten lagen zwischen h² = .34 und h² = .72."

Muster: Reliabilität berichten

Ergebnisteil

„Die interne Konsistenz beider Skalen war zufriedenstellend: Selbstbehauptung α = .87 (95%-KI [.83, .91]), McDonald's ω = .88; Empathie α = .82 (95%-KI [.77, .86]), McDonald's ω = .84. Alle korrigierten Item-Total-Korrelationen lagen über dem Schwellenwert von r > .30 (Selbstbehauptung: r = .41–.73; Empathie: r = .38–.69)."

Formulierungen wie diese – mit Konfidenzintervallen, McDonald's Omega und vollständiger Itemstatistik – entsprechen dem Standard, den unsere Psychologie-Autoren in jeder Mustervorlage liefern. Über 12.000 abgeschlossene Projekte seit Gründung 2012 sprechen für sich.

Fragebogenstudie in Ihrer Bachelorarbeit?

Promovierte Psychologen prüfen Ihre EFA-Lösung, berechnen Cronbachs Alpha und schreiben den Methodenteil APA-konform
Statistik-Beratung →

10. Die häufigsten Fehler bei EFA & Reliabilitätsanalyse

① PCA als EFA bezeichnet

Hauptkomponentenanalyse (PCA) ≠ Faktorenanalyse. SPSS-Standard ist PCA – viele Studierende nennen es „Faktorenanalyse". Entweder korrekt als PCA bezeichnen oder auf PAF umstellen.

② Faktoranzahl nur per Eigenwert > 1

Das Kaiser-Kriterium allein überschätzt häufig die Faktoranzahl. Scree-Plot und Parallelanalyse müssen ergänzend verwendet und im Methodenteil dokumentiert werden.

③ Varimax trotz korrelierender Faktoren

Psychologische Konstrukte korrelieren fast immer. Varimax erzwingt Unabhängigkeit, die in der Realität nicht vorliegt – methodisch inkonsequent. Oblique Rotation prüfen und Faktorkorrellationen berichten.

④ Strukturmatrix statt Mustermatrix berichtet

Bei Oblique-Rotation gibt SPSS zwei Matrizen aus. Viele Studierende verwenden die Strukturmatrix – richtig ist die Mustermatrix für die Itemzuordnung.

⑤ Alpha-Maximierung durch beliebige Itemstreichung

Items werden gestrichen, bis Alpha möglichst hoch ist – ohne inhaltliche Begründung. Führt zu Konstruktverkürzung. Jede Streichung muss statistisch und inhaltlich begründet werden.

⑥ KMO und Bartlett nicht berichtet

Diese Voraussetzungskennwerte fehlen in vielen Methodenteilen komplett. Gutachter erwarten KMO und Bartlett als Standard-Reporting vor jeder EFA.

Alle sechs Fehler gehören zu den Punkten, die unsere Methodiker in eingereichten Arbeiten am häufigsten korrigieren. Wenn Sie möchten, dass Ihre EFA und Reliabilitätsanalyse beim ersten Einreichen bestehen, helfen wir Ihnen gern – hier unverbindlich anfragen.

Häufige Fragen zur EFA & Reliabilitätsanalyse

Was ist der Unterschied zwischen EFA und CFA – muss ich beides machen?

Nein – in der Regel reicht eine der beiden Methoden. In einer Bachelorarbeit mit adaptiertem Fragebogen ist eine EFA typischerweise ausreichend und methodisch sauber. Eine CFA wäre nötig, wenn Sie eine bereits postulierte Faktorstruktur am eigenen Datensatz bestätigen wollen. Wichtig: EFA und CFA nie an denselben Daten – wenn Sie beides wollen, brauchen Sie zwei unabhängige Stichproben oder eine Split-Half-Lösung. Unsere Autoren beraten Sie, welche Variante für Ihre Fragestellung die richtige ist.

Was mache ich, wenn Cronbachs Alpha unter .70 liegt?

Zuerst: Nicht in Panik verfallen. Prüfen Sie die Item-Total-Korrelationen – gibt es Items mit r < .20 oder sogar negativen Werten? Diese ziehen Alpha stark nach unten. Prüfen Sie außerdem: Sind negativ formulierte Items korrekt umgepolt? Ein häufiger Fehler. Wenn nach Item-Selektion und Umpolprüfung Alpha noch unter .70 liegt, können Sie die Einschränkung im Diskussionsteil transparent benennen – bei Pilotinstrumenten ist α = .65 noch vertretbar. Berichten Sie McDonald's Omega zusätzlich.

Wie führe ich eine Parallelanalyse in SPSS durch?

SPSS unterstützt die Parallelanalyse nicht direkt. Die einfachste Lösung: In R mit dem Paket psych, Funktion fa.parallel(daten, fm="pa"). Alternativ: kostenlose Online-Tools wie ViSta oder das Excel-Makro von Brian O'Connor (frei verfügbar). Sie brauchen nur die Korrelationsmatrix und die Itemanzahl. Die Ausgabe zeigt Ihnen, bei wie vielen Faktoren die realen Eigenwerte über den zufälligen liegen.

Mein KMO-Wert liegt unter .70 – was jetzt?

Ein KMO unter .70 (und besonders unter .60) zeigt, dass die Korrelationsmatrix wenig partielle Korrelationsstruktur hat – die Items teilen zu wenig gemeinsame Varianz für eine sinnvolle EFA. Mögliche Ursachen: zu viele inhaltlich heterogene Items, zu kleine Stichprobe, falsche Itemauswahl. Prüfen Sie zunächst, welche Items die niedrigsten Anti-Image-Korrelationskoeffizienten haben (SPSS-Option: Anti-Image-Korrelationsmatrix) – Items unter .50 auf der Diagonale sind Problemkandidaten und können entfernt werden, um den KMO-Wert zu verbessern.

Wie viele Items brauche ich für eine stabile EFA?

Als Faustregel gilt: mindestens 3–4 Items pro Faktor für eine stabile Faktorlösung, idealerweise 5+. Zu wenige Items pro Faktor (1–2) ergeben instabile Lösungen, die sich bei Kreuzvalidierung nicht replizieren lassen. Bezüglich Gesamtitemzahl: n = 10× Itemanzahl als Mindeststichprobe. Bei 20 Items also mindestens n = 200. Viele Forscher empfehlen generell n ≥ 300 für robuste Faktorlösungen.

Weitere Methodik-Guides für Psychologie-Arbeiten

SEM & Pfadanalyse

Latente Variablen, RMSEA, CFI, CFA – die nächste Stufe nach der EFA: konfirmatorisch und mit Modellfit.

→ Zum Guide

Voraussetzungsprüfung

Mahalanobis-Distanz, VIF, Homoskedastizität – der erste Schritt vor jeder multivariaten Analyse.

→ Zum Guide

Power-Analyse mit G*Power

Stichprobengröße für Ihre EFA-Studie korrekt berechnen und im Exposé begründen.

→ Zum Guide

← Zurück zum Methodik-Hub

Fragebogenstudie in der Bachelorarbeit?

Unsere promovierten Psychologen helfen bei EFA, Reliabilitätsanalyse, Item-Selektion und APA-konformem Ergebnisteil – für Bachelor- und Masterarbeiten seit 2012.

Psychologie Ghostwriter Ghostwriter Kostenlos anfragen

📚 Weiterführende Seiten

Forschungsmethodik-Hub Ghostwriter Hausarbeit Ghostwriter Seminararbeit Ghostwriter Bachelorarbeit Ghostwriter Masterarbeit Ghostwriter Diplomarbeit Ghostwriter Doktorarbeit
crossmenu