Faktoranalyse

Definition: Die Faktoranalyse ist ein multivariates statistisches Verfahren zur Dimensionsreduktion, das eine große Anzahl beobachteter Variablen auf eine kleinere Anzahl zugrundeliegender, nicht direkt messbarer Konstrukte – sogenannte latente Faktoren – zurückführt. Dabei wird die Korrelationsstruktur zwischen den Ausgangsvariablen ausgenutzt: Variablen, die stark miteinander korrelieren, werden einem gemeinsamen Faktor zugeordnet. Das Ziel ist es, die komplexe Informationsstruktur eines Datensatzes übersichtlicher und interpretierbarer zu gestalten, ohne wesentliche Information zu verlieren. In der Marktforschung wird die Faktoranalyse häufig zur Verdichtung von Fragebogenitems, zur Konstruktvalidierung und zur Entwicklung psychometrischer Skalen eingesetzt. So lassen sich beispielsweise 30 Items zur Markenpersönlichkeit auf fünf zugrundeliegende Dimensionen wie Kompetenz, Aufrichtigkeit, Aufregung, Kultiviertheit und Robustheit reduzieren. Voraussetzung für die Durchführung ist, dass zwischen den Variablen ausreichend Korrelationen bestehen, was mit dem Kaiser-Meyer-Olkin-Kriterium (KMO ≥ 0,6) und Bartletts Spharizitätstest überprüft wird.

Erläuterung

In der Marktforschungspraxis werden zwei grundlegende Varianten der Faktoranalyse unterschieden: die explorative Faktoranalyse (EFA) und die konfirmatorische Faktoranalyse (CFA). Die EFA wird eingesetzt, wenn die Faktorstruktur vorab unbekannt ist und aus den Daten heraus ermittelt werden soll. Sie ist typisch in frühen Phasen der Skalenentwicklung oder bei der Analyse von Konsumentenpräferenzen, bei der nicht bekannt ist, wie viele unabhängige Dimensionen im Spiel sind. Die CFA hingegen prüft eine vorab theoretisch begründete Faktorstruktur auf Basis des Strukturgleichungsmodell-Frameworks und wird in der Regel nach einer EFA oder zur Kreuzvalidierung einer Faktorlösung an unabhängigen Stichproben eingesetzt. Die Hauptkomponentenanalyse (PCA) wird oft mit der Faktoranalyse verwechselt, verfolgt aber ein anderes Ziel: PCA maximiert die erklärte Varianz, während die klassische Faktoranalyse die gemeinsame Varianz (Kommunalität) modelliert und messfehlerbereinigte Faktoren schätzt. Rotationsverfahren verbessern die Interpretierbarkeit der Faktorlösung, indem sie die Ladungen so verteilen, dass jede Variable möglichst eindeutig einem Faktor zugeordnet werden kann. Orthogonale Rotationen wie Varimax gehen davon aus, dass die Faktoren unkorreliert sind, was im Marketing häufig eine vereinfachende Annahme darstellt. Oblique Rotationen wie Oblimin oder Promax erlauben korrelierte Faktoren und sind realistischer, wenn latente Konstrukte wie Markenloyalität und Kundenzufriedenheit erwartungsgemäss zusammenhängen. Für die Entscheidung über die Anzahl der zu extrahierenden Faktoren dienen das Kaiser-Kriterium (Eigenwert > 1), der Scree-Test sowie Parallelanalysen, wobei Letztere als methodisch überlegen gilt (Horn, 1965; Hayton, Allen & Scarpello, 2004). Typische Softwaretools sind IBM SPSS, R mit den Paketen psych und lavaan sowie Python mit factor_analyzer und semopy.

Wichtige Kennzahlen und Gütekriterien

• KMO-Wert (Kaiser-Meyer-Olkin): Misst die Eignung der Korrelationsmatrix für die Faktoranalyse. Werte ≥ 0,8 gelten als gut, Werte < 0,5 als inakzeptabel. Berechnet das Verhältnis einfacher Korrelationen zu partiellen Korrelationen zwischen den Variablen.
• Bartletts Spharizitätstest: Prüft, ob die Korrelationsmatrix signifikant von der Einheitsmatrix abweicht (d. h. ob überhaupt bedeutsame Korrelationen vorhanden sind). Muss auf einem Signifikanzniveau von p < 0,05 signifikant sein.
• Kommunalität: Gibt an, welcher Anteil der Varianz einer Variablen durch die extrahierten Faktoren erklärt wird. Kommunalitäten unter 0,3 deuten darauf hin, dass eine Variable schlecht durch die Faktorlösung repräsentiert wird.
• Faktorladungen: Korrelationen zwischen einer Variablen und einem Faktor. Ladungen ≥ 0,4 (besser ≥ 0,5) gelten als praktisch bedeutsam und werden als substanziell eingestuft.
• Erklärte Varianz: Prozentualer Anteil der Gesamtvarianz, der durch alle extrahierten Faktoren erklärt wird. Werte zwischen 50 % und 70 % sind in sozialwissenschaftlichen Studien üblich.

Anwendungsfelder im Marketing

• Skalenentwicklung und -validierung: Verdichtung von Fragebogenitems zu reliablen Subskalen für Konstrukte wie Kundenzufriedenheit, Markenloyalität oder Kaufbereitschaft, gefolgt von Reliabilitätsanalysen (Cronbachs Alpha).
• Kundensegmentierung: Reduktion zahlreicher Verhaltensvariablen auf wenige Kerndimensionen, die anschliessend als Eingabevariablen für Clusteranalysen dienen.
• Markenpersönlichkeitsforschung: Identifikation der wesentlichen Dimensionen, auf denen Konsumenten Marken wahrnehmen und bewerten, z. B. basierend auf Aakers (1997) Markenpersönlichkeitsskala.
• Fragebogen-Optimierung: Identifikation redundanter Items und Reduktion der Fragebogenlänge, um Drop-out-Raten bei Online-Umfragen zu senken.

Ausgewählte Referenzen

• Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E. (2019). Multivariate Data Analysis (8. Aufl.). Cengage.
• Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185.
• Hayton, J. C., Allen, D. G. & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205.
• Aaker, J. L. (1997). Dimensions of brand personality. Journal of Marketing Research, 34(3), 347–356.
• Backhaus, K., Erichson, B., Gensler, S., Weiber, R. & Weiber, T. (2021). Multivariate Analysemethoden (16. Aufl.). Springer.