Zum Inhalt springen
Methode

Exploratorische Faktorenanalyse (EFA)

Die exploratorische Faktorenanalyse (EFA) findet die Struktur hinter einer Menge von Items, wenn Sie sie nicht im Voraus kennen: wie viele Faktoren es gibt und welche Items zu welchem gehören. Übliche Richtwerte sind ein KMO von .60 oder höher (.80 ist gut), ein signifikanter Bartlett-Test (p < .05) und Ladungen von mindestens .40 bis .50 zur Interpretation. Sie können EFA in Explonia online im Browser rechnen, mit Daten, die Sie erheben oder hochladen.

Diese Seite ist eine Übersetzung des geprüften englischen Originals. Original ansehen (EN)

exploratory factor analysis

Was es ist

Die exploratorische Faktorenanalyse (EFA) deckt die Struktur hinter einer Menge von Items auf, wenn Sie sie nicht im Voraus kennen. Sie betrachtet die Korrelationen zwischen den Items und fasst jene zusammen, die gemeinsam variieren, und schlägt so vor, wie viele zugrunde liegende Faktoren existieren und welche Items zu welchem gehören. EFA ist datengetrieben: Sie geben die Struktur nicht vor, sondern lassen sie eine vorschlagen. Sie ist der natürliche erste Schritt, wenn Sie eine neue Skala entwickeln oder eine bestehende an einen neuen Kontext anpassen, und sie bereitet einen späteren konfirmatorischen Test vor.

Wann man es verwendet

  • Sie entwickeln eine neue Skala und kennen ihre Dimensionen noch nicht.
  • Sie haben eine Skala an einen neuen Kontext, eine neue Sprache oder Stichprobe angepasst und wollen die Struktur prüfen.
  • Sie haben viele Items und wollen sie auf wenige interpretierbare Faktoren reduzieren.
  • Sie brauchen Belege zur sampling adequacy (KMO, Bartlett), bevor Sie faktorisieren.

Wann man es nicht verwendet

  • Sie haben bereits eine klare hypothetisierte Struktur — bestätigen Sie sie stattdessen mit CFA.
  • Ihre Items sind formative Indikatoren — von ihnen wird kein gemeinsamer Faktor erwartet.

Annahmen

  • Die Items sind zumindest annähernd intervallskaliert und linear verbunden.
  • Die Stichprobe ist angemessen — KMO und der Bartlett-Test auf Sphärizität stützen die Faktorisierbarkeit.
  • Ausreichende Stichprobengröße — viele Richtlinien empfehlen N ≥ 200 oder mindestens 5–10 Fälle pro Item.
  • Es bestehen einige bedeutsame Korrelationen zwischen den Items (eine Korrelationsmatrix nahe der Einheitsmatrix kann nicht faktorisiert werden).

Schwellenwerte & Grenzwerte

CriterionRule of thumbSource
KMO (sampling adequacy)≥ .60 akzeptabel, ≥ .80 gutKaiser (1974)
Bartlett-Test auf Sphärizitätp < .05 (Korrelationen weichen von der Einheitsmatrix ab)Bartlett (1954)
Eigenvalue (Kaiser-Regel)> 1, um einen Faktor zu behalten (mit scree plot / parallel analysis nutzen)Kaiser (1960)
Faktorladung≥ .40 bis .50 zur InterpretationHair et al. (2019)

Wie man es in APA berichtet

APA-Vorlage — kopieren & anpassen

Die sampling adequacy war akzeptabel, KMO = .XX, und der Bartlett-Test auf Sphärizität war signifikant, χ²(df) = X.XX, p < .001. Die exploratorische Faktorenanalyse mit [Extraktion] und [Rotation]-Rotation behielt X Faktoren mit eigenvalues über 1 und erklärte XX% der Varianz. Alle Items luden über .40 auf ihrem vorgesehenen Faktor, ohne problematische cross-loadings.

Wie Explonia es berechnet

Explonia führt EFA im Browser auf den Daten aus, die Sie erheben oder hochladen. Es berichtet das KMO-Maß und den Bartlett-Test, die eigenvalues und einen scree plot sowie die rotierten Faktorladungen, sodass Sie sehen, wie viele Faktoren entstehen und welche Items wo laden. Die Ausgabe entwirft eine APA-„Article description”, die Sie prüfen und bearbeiten können. Wenn Sie die Struktur bestätigen wollen, wandern dieselben Items direkt in die CFA. Export nach SPSS (.sav) und R ist in den bezahlten Tarifen verfügbar.

Results verified against R (lavaan)

Häufig gestellte Fragen

Welcher KMO-Wert ist gut für eine EFA?

KMO ≥ .60 ist akzeptabel und ≥ .80 ist gut (Kaiser, 1974). Ein niedriger KMO bedeutet, dass die Items nicht genug gemeinsame Varianz für eine sinnvolle Faktorlösung teilen.

Wie entscheide ich, wie viele Faktoren ich behalte?

Verlassen Sie sich nicht allein auf die Regel eigenvalue über 1. Kombinieren Sie sie mit einem scree plot und idealerweise einer parallel analysis und prüfen Sie dann, ob die Faktoren interpretierbar sind.

Welche Extraktionsmethode soll ich in der EFA nutzen?

Für Modelle mit latenten Faktoren nutzen Sie eine common-factor-Methode — principal axis factoring oder maximum likelihood (ML), wobei ML fit-Tests erlaubt, wenn die Items annähernd normalverteilt sind. Die principal components analysis (PCA) ist eine Technik zur Datenreduktion, keine echte Faktorenanalyse, berichten Sie sie also als solche, falls Sie sie nutzen.

Welche Rotation soll ich in der EFA nutzen?

Nutzen Sie eine oblique Rotation (etwa promax oder oblimin), wenn die Faktoren voraussichtlich korrelieren, was in den Sozialwissenschaften häufig ist, und eine orthogonale Rotation (varimax), wenn Sie annehmen, dass sie es nicht tun. Im Zweifel beginnen Sie oblique: Stellen sich die Faktoren als nahezu unkorreliert heraus, liegt das Ergebnis ohnehin nahe an einer orthogonalen Lösung.

EFA oder CFA — was ist der Unterschied?

EFA entdeckt Struktur, wenn Sie sie nicht kennen; CFA bestätigt eine Struktur, die Sie bereits annehmen. Sehen Sie unseren Vergleich EFA vs CFA als Entscheidungshilfe.

Last updated: September 2026

Führen Sie EFA mit Ihren eigenen Daten durch

Sammeln oder laden Sie Ihre Daten hoch, führen Sie die Analyse in Ihrem Browser durch und erhalten Sie einen APA-Absatzentwurf, den Sie bearbeiten können. Kostenlos starten. Keine Kreditkarte.

Kostenlos starten