Faktorenanalyse (Factor Analysis)
Die Faktorenanalyse fasst drei oder mehr korrelierte numerische Variablen durch weniger zugrunde liegende Faktoren zusammen. Verwenden Sie sie, um die Merkmale hinter Prüfergebnissen, Prozessmessungen oder Fragebogen-Items zu finden. Die Anzahl der Faktoren muss kleiner als die Anzahl der Variablen sein, bei mehr Zeilen als Variablen; Maximum-Likelihood setzt annähernd multivariate Normalverteilung voraus. Ausgegeben werden Faktorladungen, Kommunalitäten, Spezifität, erklärte Varianz und ein Ladungsdiagramm.
Zuletzt geprüft
Kernaussage
Die Faktorenanalyse erklärt die Korrelationen zwischen vielen gemessenen Variablen durch wenige zugrunde liegende Faktoren, sodass sich viele Messwerte oder Fragebogen-Items durch einige leichter benennbare Faktoren zusammenfassen lassen.
Auf dieser Seite
Zweck
Die Faktorenanalyse (Factor Analysis) erklärt die Korrelationen zwischen vielen gemessenen Variablen durch wenige zugrunde liegende Faktoren. Variablen, die sich gemeinsam verändern, laden auf denselben Faktor; so lässt sich eine lange Liste von Messwerten oder Fragebogen-Items durch einige Faktoren zusammenfassen, die leichter zu benennen und zu verfolgen sind. Verwenden Sie sie, um die wenigen zugrunde liegenden Merkmale hinter einer Reihe von Prüfergebnissen, Prozessmessungen oder Fragebogen-Items zu finden und um zu sehen, welche Variablen weitgehend für sich allein stehen.
Wichtige Funktionen
- Extrahiert die von Ihnen gewählte Anzahl von Faktoren aus drei oder mehr numerischen Variablen.
- Zwei Extraktionsmethoden: Hauptkomponenten (Principal Components) und Maximum Likelihood.
- Varimax-Rotation, damit jeder Faktor auf weniger Variablen stark lädt und dadurch leichter zu benennen ist.
- Tabelle der Faktorladungen mit Kommunalität und Spezifität jeder Variablen.
- Prozentsatz der durch jeden Faktor erklärten Varianz und ein Ladungsdiagramm der ersten beiden Faktoren.
Statistische Methoden
Zeilen mit einem fehlenden oder nicht numerischen Wert in einer der ausgewählten Variablen werden entfernt, und jede Variable wird auf Mittelwert 0 und Standardabweichung 1 standardisiert, sodass die Analyse mit der Korrelationsmatrix arbeitet. Die Anzahl der Faktoren muss kleiner als die Anzahl der Variablen sein, und es muss mehr Zeilen als Variablen geben.
Bei der Hauptkomponentenextraktion wird die Korrelationsmatrix in Eigenwerte und Eigenvektoren zerlegt; die Ladungen von Faktor j sind der j-te Eigenvektor multipliziert mit der Wurzel seines Eigenwerts, für die größten Eigenwerte. Bei der Maximum-Likelihood-Extraktion wird das Modell gemeinsamer Faktoren (jede standardisierte Variable = Ladungen × Faktoren + ein spezifischer Fehler) per Maximum-Likelihood mit einem iterativen Algorithmus angepasst, der nach Maximum iterations (Standard 1000) stoppt oder wenn die Änderung unter die Convergence tolerance (Standard 0.01) fällt. Maximum-Likelihood setzt voraus, dass die Variablen annähernd multivariat normalverteilt sind.
Die Varimax-Rotation (Kaiser-Verfahren) dreht die Faktoren so, dass die Varianz der quadrierten Ladungen innerhalb jedes Faktors möglichst groß wird: Jede Variable lädt dann hoch auf einen Faktor und nahe null auf die übrigen. Die Rotation ändert nicht, wie viel von jeder Variablen erklärt wird. Nach der Rotation werden die Faktoren nach der von ihnen erklärten Varianz geordnet. Die Kommunalität einer Variablen ist die Summe ihrer quadrierten Ladungen, also der durch die Faktoren erklärte Anteil ihrer Varianz; die Spezifität (Uniqueness) ist 1 − Kommunalität. Die durch einen Faktor erklärte Varianz ist die Summe seiner quadrierten Ladungen, angegeben als Prozentsatz der Anzahl der Variablen. Das Vorzeichen eines Faktors ist beliebig: Ein Faktor mit umgekehrten Vorzeichen bedeutet dasselbe.
Eingabefelder und Optionen
Feld | Beschreibung |
Variables | Drei oder mehr numerische Spalten. Mit Ctrl- bzw. Command-Klick wählen Sie mehrere aus. |
Number of factors to extract | Standard 2. Muss kleiner als die Anzahl der Variablen sein. |
Method of extraction | Principal Components (Standard) oder Maximum Likelihood. |
Type of rotation | Varimax (Standard) oder None. Die Rotation gilt nur bei 2 oder mehr Faktoren. |
Maximum iterations | Optional, nur bei Maximum-Likelihood-Extraktion verwendet. Leer lassen für den Standardwert (1000). |
Convergence tolerance | Optional, nur bei Maximum-Likelihood-Extraktion verwendet. Leer lassen für den Standardwert (0.01). |
Title | Im Ladungsdiagramm angezeigter Titel. Standard Factor Analysis. |

Abbildung 1 — Optionen für das Beispiel: acht Variablen zu Kreditantragstellern, 2 Faktoren, Maximum-Likelihood-Extraktion, Varimax-Rotation.
Beschreibung der Ausgabe
- Factor Loading Plot — jede Variable als Linie vom Ursprung zu ihren Ladungen auf Factor1 (x) und Factor2 (y). Variablen, die in dieselbe Richtung zeigen, laden auf denselben Faktor.
- Methode, Rotation und erklärte Varianz — Methode und Rotation mit Namen (z. B. Maximum Likelihood, Varimax), der Prozentsatz der Gesamtvarianz, den jeder Faktor erklärt, und der kumulierte Prozentsatz.
- Factor Loadings — für jede Variable ihre Ladung auf jeden Faktor, ihre Communality und ihre Uniqueness.
- PDF-Export über Download.

Abbildung 2 — Zwei rotierte Faktoren für acht Variablen zu Kreditantragstellern: ein Stabilitätsfaktor (Employ, Residence, Age) und ein Verschuldungsfaktor (Debt, Credit cards gegenüber Education), die zusammen 61.39% der Varianz erklären.
Beispiel
Eine Bank erhebt von jedem Kreditantragsteller acht Angaben: Einkommen, Ausbildungsjahre, Alter, Jahre an der aktuellen Adresse (Residence), Jahre beim aktuellen Arbeitgeber (Employ), Ersparnisse, Schulden und Anzahl der Kreditkarten. Viele davon scheinen dasselbe zu messen. Ein Kreditsachbearbeiter möchte einige wenige Faktoren, die alle acht zusammenfassen. Mit 30 Antragstellern wählt der Ingenieur alle acht Spalten aus und setzt Number of factors to extract = 2, Method of extraction = Maximum Likelihood und Type of rotation = Varimax.
Die beiden Faktoren erklären 38.68% bzw. 22.71% der Varianz, zusammen 61.39%. Faktor 1 lädt stark auf Employ (0.9644), Residence (0.9523) und Age (0.8595) und mäßig auf Savings (0.5833): ein Faktor für Stabilität und Erfahrung. Faktor 2 lädt auf Debt (0.8063) und Credit cards (0.5679), gegenüber Education (−0.6288) und Savings (−0.5673): ein Verschuldungsfaktor. Die Kommunalitäten zeigen, wie gut die beiden Faktoren jede Variable beschreiben: hoch für Employ (0.937) und Residence (0.9076), niedrig für Income (0.2308) und Credit cards (0.3226).
Für die Bank beschreiben zwei Faktoren Stabilität und Verschuldung der Antragsteller gut, das Einkommen steht jedoch weitgehend für sich allein. Mit 3 Faktoren steigt die erklärte Varianz auf 72.93% (36.67%, 20.63% und 15.63%), und der dritte Faktor besteht hauptsächlich aus Income (−0.8835) mit Education (−0.5491); die Kommunalität von Income steigt auf 0.8545. Das stimmt mit Cluster Variables für dieselben Daten überein, das Income mit Education, die Stabilitätsvariablen miteinander sowie Debt mit Credit cards gruppiert. Ohne Rotation ändern sich die Ladungen hier nur wenig (Faktor 1: Employ 0.9666, Residence 0.9526), weil die unrotierte Lösung bereits recht einfach ist.
Häufig gestellte Fragen
Wofür wird die Faktorenanalyse verwendet?
Die Faktorenanalyse erklärt die Korrelationen zwischen vielen gemessenen Variablen durch wenige zugrunde liegende Faktoren. Variablen, die sich gemeinsam verändern, laden auf denselben Faktor; so lässt sich eine lange Liste von Prüfergebnissen, Prozessmessungen oder Fragebogen-Items durch einige Faktoren zusammenfassen, und Sie sehen, welche Variablen weitgehend für sich allein stehen.
Was ist der Unterschied zwischen Hauptkomponenten- und Maximum-Likelihood-Extraktion?
Bei der Hauptkomponentenextraktion wird die Korrelationsmatrix in Eigenwerte und Eigenvektoren zerlegt, und die Ladungen jedes Faktors sind ein Eigenvektor multipliziert mit der Wurzel seines Eigenwerts. Die Maximum-Likelihood-Extraktion passt das Modell gemeinsamer Faktoren mit einem iterativen Algorithmus an und setzt voraus, dass die Variablen annähernd multivariat normalverteilt sind.
Was bewirkt die Varimax-Rotation in der Faktorenanalyse?
Die Varimax-Rotation dreht die Faktoren so, dass jede Variable hoch auf einen Faktor und nahe null auf die übrigen lädt; dadurch sind die Faktoren leichter zu benennen. Die Rotation ändert nicht, wie viel von jeder Variablen erklärt wird. Nach der Rotation werden die Faktoren nach der von ihnen erklärten Varianz geordnet. Die Rotation gilt nur bei zwei oder mehr Faktoren.
Wie interpretieren Sie Kommunalität und Spezifität in der Faktorenanalyse?
Die Kommunalität einer Variablen ist die Summe ihrer quadrierten Ladungen, also der durch die Faktoren erklärte Anteil ihrer Varianz. Die Spezifität ist 1 minus die Kommunalität. Im Beispiel mit Kreditantragstellern hatte Employ eine Kommunalität von 0.937, Income dagegen nur 0.2308; das Einkommen stand bei zwei Faktoren also weitgehend für sich allein.
