Research & Evidence

Methode suchen

Titel, Fragen, Gebiete und MSC-Kennungen durchsuchen.

    ← Alle Methoden
    METHODEN-DOSSIERMSC-P-009MesswissenschaftGeprüftes wissenschaftliches Dossier

    PCA, EFA oder CFA: Welche Methode passt?

    Nutzen Sie PCA zur Variablenreduktion, EFA zur Erkundung gemeinsamer Faktoren und CFA zur Prüfung eines vorab spezifizierten Messmodells.

    Wissenschaftliche Redaktion: Marketing Science Center

    Direkte Antwort

    PCA, EFA oder CFA nach der Frage wählen, nicht nach der Software.

    Nutzen Sie PCA zur Variablenreduktion, EFA zur Erkundung gemeinsamer Faktoren und CFA zur Prüfung eines vorab spezifizierten Messmodells.

    Jolliffe & Cadima, 2016Costello & Osborne, 2005

    01

    Die Entscheidungsregel in 30 Sekunden

    ACP / PCA

    Mehrere numerische Variablen auf wenige Komponenten mit möglichst viel beobachteter Varianz reduzieren.

    AFE / EFA

    Untersuchen, wie viele gemeinsame Faktoren die Korrelationen zwischen Indikatoren erklären könnten.

    AFC / CFA

    Ein vorab spezifiziertes Messmodell prüfen und untersuchen, wo es beobachtete Kovarianzen schlecht reproduziert.

    Jolliffe & Cadima (2016) Costello & Osborne (2005) Goretzko, Siemund & Sterner (2024)

    02

    Drei Leseebenen

    1. 1

      Entscheidungsebene: nach dem erwarteten Ergebnis wählen, nicht nach dem Softwaremenü.

    2. 2

      Praxis: Population, Variablen, Korrelationsmatrix, Dimensionsregel und Validierung vor der Berechnung festlegen.

    3. 3

      Analyse: Gesamtvarianz, gemeinsame Varianz und modellimplizierte Kovarianz trennen und anschließend Stabilität quantifizieren.

    03

    Konkrete Marketingsituation

    Ein Forschungsteam verfügt über zwölf Indikatoren zu Vertrauen, wahrgenommenem Wert und Präferenz. Es kann sie für ein Dashboard verdichten, ihre gemeinsame Struktur erkunden oder eine theoretisch definierte dreidimensionale Skala prüfen. Dieselbe Datei kann alle drei Fragen bedienen, doch Estimanden, Annahmen und Schlussfolgerungen unterscheiden sich.

    04

    Warum eine Standardmethode scheitern kann

    • PCA kann nützliche Komponenten liefern, ohne die Existenz eines latenten Konstrukts nachzuweisen.
    • EFA hängt von Matrix, Extraktion, Faktorenzahl und Rotation ab.
    • Eine nach vielen datengesteuerten Änderungen angepasste CFA ist keine unabhängige Bestätigung mehr.

    05

    PCA, EFA und CFA beantworten unterschiedliche Fragen

    PCA, EFA und CFA beantworten unterschiedliche Fragen
    MethodeFrageModellierte VarianzHauptergebnisEntscheidende Prüfung
    ACP / PCAWie lässt sich X mit weniger Achsen zusammenfassen?Beobachtete GesamtvarianzKomponenten, Scores, erklärte VarianzSkalierung, Ausreißer, Achsenstabilität
    AFE / EFAWelche gemeinsamen Faktoren sind plausibel?Gemeinsame Varianz mit EinzigartigkeitenLadungen, Kommunalitäten, FaktorkorrelationenRetention, schiefe Rotation, Replikation
    AFC / CFAReproduziert das spezifizierte Modell die Kovarianzen ausreichend?Durch Modellparameter implizierte KovarianzParameter, Residuen, Unsicherheit und AnpassungIdentifikation, Residuen, Sensitivität, unabhängige Stichprobe

    Jolliffe & Cadima (2016) Costello & Osborne (2005)

    06

    Benötigte Daten und Vorbereitung

    • Eine Zeile je Befragtem und eine Spalte je Indikator, mit dokumentierter Population, Periode, Erhebung und Ausschlüssen.
    • Für PCA Kovarianz oder Korrelation wählen. Bei ordinalen Items eine geeignete Korrelation und Schätzung begründen, statt Kategorien automatisch als stetig zu behandeln.
    • Fehlwerte, Verteilungen, Stichprobendesign und Abhängigkeiten angeben. Keine universelle Stichprobengröße ersetzt eine designspezifische Stabilitätsprüfung.
    • Eine unabhängige Stichprobe oder Erhebung zur Bestätigung einer mit EFA gefundenen Struktur reservieren.

    07

    Formale Modelle und Symbole

    ACP / PCA

    zₖ = Xaₖ ; aₖ′aₖ = 1 ; Var(zₖ) = λₖ

    X ist die zentrierte oder standardisierte Matrix, aₖ ein Eigenvektor, zₖ ein Komponentenscore und λₖ dessen Varianz.

    AFE / EFA

    x = Λη + ε ; Σ = ΛΦΛ′ + Θ

    Λ enthält Ladungen, Var(η)=Φ, Cov(η,ε)=0 und Var(ε)=Θ. Φ ist nur bei standardisierten Faktoren eine Korrelationsmatrix.

    AFC / CFA

    Σ(θ) = ΛΦΛ′ + Θ ; F = distance[S, Σ(θ)]

    Vor der Schätzung legt das Modell freie und restringierte Parameter fest. Die Anpassung vergleicht beobachtete Kovarianz S mit implizierter Kovarianz Σ(θ).

    08

    Deklarierte Berechnung, Schritt für Schritt

    1. 01

      PCA: bei nicht vergleichbaren Einheiten standardisieren, Matrix zerlegen, λₖ ordnen und erklärte Varianz sowie Stabilität prüfen.

    2. 02

      EFA: Matrix wählen, Kommunalitäten schätzen, Retentionsregeln vergleichen, passend rotieren und Ladungen sowie Faktorkorrelationen interpretieren.

    3. 03

      CFA: Modell spezifizieren und identifizieren, Schätzer wählen, θ schätzen, Parameter und Residuen prüfen und Anpassung ohne automatischen Universalgrenzwert bewerten.

    09

    Reproduzierbares Zahlenbeispiel

    Synthetische Lernmatrix. Sie beschreibt keine reale Befragung.

    Sechs standardisierte Indikatoren bilden zwei Dreiergruppen. Die Korrelationen betragen innerhalb 0,64 und zwischen Gruppen 0,256. Konstruktionsbedingt entspricht die Matrix zwei Faktoren mit Ladungen 0,80, Korrelation 0,40 und Einzigartigkeit 0,36.

           v1     v2     v3     v4     v5     v6
    v1   1.000  0.640  0.640  0.256  0.256  0.256
    v2   0.640  1.000  0.640  0.256  0.256  0.256
    v3   0.640  0.640  1.000  0.256  0.256  0.256
    v4   0.256  0.256  0.256  1.000  0.640  0.640
    v5   0.256  0.256  0.256  0.640  1.000  0.640
    v6   0.256  0.256  0.256  0.640  0.640  1.000
    CSV-Matrix herunterladen

    ACP / PCA

    PCA: λ = 3,048; 1,512; 0,360; 0,360; 0,360; 0,360. Die ersten beiden Komponenten erklären 76,0 % der Gesamtvarianz, davon 50,8 % die erste.

    AFE / EFA

    EFA: Die erzeugende Lösung besitzt zwei schiefwinklige Faktoren. Jeder Indikator lädt mit 0,80, Φ₁₂ = 0,40 und Θ = 0,36. Eine empirische Schätzung würde diese Werte nicht exakt wiederfinden.

    AFC / CFA

    CFA: Das Zwei-Faktoren-Modell reproduziert diese Populationsmatrix exakt, weil die Matrix aus diesem Modell konstruiert wurde. Das tautologische Ergebnis illustriert die Berechnung und validiert keine reale Skala.

    Unsicherheitsgrenze: Die Datei enthält eine exakte synthetische Matrix, nicht 300 Beobachtungen. N = 300 ist nur eine illustrative Pseudo-Fallzahl, damit die Softwarebefehle ausführbar sind; daraus entsteht keine beobachtete Stichprobenunsicherheit. Standardfehler, Intervalle oder Fit-Tests dürfen daher nicht interpretiert werden. Zur Quantifizierung sind Einzeldaten oder eine empirische Kovarianzmatrix mit realer Fallzahl nötig.

    10

    Annahmen als operative Fragen

    Annahmen als operative Fragen
    MethodeFrage
    ACPSind die Einheiten varianzvergleichbar und dominieren Ausreißer die Achsen?
    AFEIst ein gemeinsames Faktorenmodell inhaltlich plausibel und erlaubt die Rotation erwartete Korrelationen?
    AFCWurde das Modell vor Sichtung der Ergebnisse spezifiziert, ist es identifiziert und passt der Schätzer zu den Daten?
    AlleTragen Population, Erhebungsdesign, Fehlwerte und Beobachtungsabhängigkeit die beabsichtigte Verallgemeinerung?

    11

    Diagnostik, Stabilität und Unsicherheit

    ACP

    Bei fraglicher Skalierung mit Kovarianz und Korrelation neu rechnen, einflussreiche Beobachtungen prüfen und die beliebigen Achsenvorzeichen beachten. Erklärte Varianz und Beiträge vergleichen, ohne eine Achse als latentes Konstrukt zu deuten.

    Jolliffe & Cadima (2016)

    AFE

    Parallelanalyse, benachbarte Lösungen, Kommunalitäten, Kreuzladungen, Faktorkorrelationen und Replikation an neuen Daten vergleichen. Eine gegenüber Faktorzahl, Extraktion oder Rotation empfindliche Lösung bleibt explorativ.

    Costello & Osborne (2005)

    AFC

    Parameter, Standardfehler oder Intervalle, Residuen, globalen Test und mehrere Fitindizes berichten. Fehlanpassung untersuchen statt einen magischen Grenzwert anzuwenden.

    Goretzko, Siemund & Sterner (2024)

    12

    Wie das Ergebnis zu interpretieren ist

    • PCA: „Zwei Komponenten fassen 76 % der Varianz dieser synthetischen Matrix zusammen.“
    • EFA: „Eine gemeinsame Struktur mit zwei korrelierten Faktoren ist mit der Matrix vereinbar und muss an neuen Daten geprüft werden.“
    • CFA: „Das spezifizierte Modell reproduziert die Kovarianz mit der berichteten Unsicherheit und den Abweichungen in der Bestätigungsstichprobe.“

    13

    Vertretbare und unzulässige Schlussfolgerungen

    Vertretbar

    • PCA-Reduktion beschreiben, ohne sie als latenten Faktor umzudeuten.
    • Mit EFA eine Kandidatenstruktur samt Alternativen und Stabilität vorschlagen.
    • Ein vorab spezifiziertes CFA-Modell in deklarierter Population und Stichprobe bewerten.

    Unzulässig

    • Behaupten, hohe erklärte Varianz beweise Konstruktvalidität.
    • Eine instabile EFA-Lösung als wahre oder universelle Struktur darstellen.
    • Eine Skala anhand eines Fitindex oder einer am selben Explorationssample geänderten CFA für validiert erklären.

    14

    Mögliche Marketingentscheidung

    1. 01

      Einen vorläufigen operativen PCA-Score bilden und ihn als deskriptive Kombination definieren.

    2. 02

      Itempool nach EFA überarbeiten und eine unabhängige CFA-Erhebung planen.

    3. 03

      Ein Messmodell anhand von Parametern, Residuen, Unsicherheit, Geschäftsauswirkungen und externer Evidenz beibehalten, überarbeiten oder verwerfen, nie anhand einer Kennzahl.

    15

    Wann einsetzen und wann nicht

    Einsetzen

    • PCA zur deskriptiven Verdichtung numerischer Variablen.
    • EFA bei unsicherer gemeinsamer Struktur.
    • CFA, wenn vor der Analyse ein prüfbares Modell definiert ist.

    Nicht einsetzen

    • Keine dieser Methoden zum Nachweis von Marketingkausalität.
    • PCA oder EFA als automatischer Ersatz für eine vorab spezifizierte CFA.
    • CFA bei Unteridentifikation oder vollständig datengesteuerten Änderungen im selben Sample.

    16

    Zu prüfende Alternativen

    • Korrespondenzanalyse für Kontingenztafeln, nicht mit CFA zu verwechseln.
    • Item-Response-Modelle, wenn Itemfunktion und Information entlang des latenten Merkmals zentral sind.
    • Explorative Strukturgleichungsmodelle oder bayesianische Ansätze, wenn kleine Kreuzladungen plausibler sind als exakte Nullen.

    17

    Reproduzierbare Implementierungen

    Python 3.13.7 · NumPy 2.3.2 · pandas 2.3.2 · factor_analyzer 0.5.1

    # Synthetic R; n_obs=300 is an illustrative pseudo-count only.
    import numpy as np
    import pandas as pd
    from factor_analyzer import (FactorAnalyzer, ConfirmatoryFactorAnalyzer,
                                 ModelSpecificationParser)
    
    R = np.array([
     [1,.64,.64,.256,.256,.256],
     [.64,1,.64,.256,.256,.256],
     [.64,.64,1,.256,.256,.256],
     [.256,.256,.256,1,.64,.64],
     [.256,.256,.256,.64,1,.64],
     [.256,.256,.256,.64,.64,1]])
    
    eigenvalues = np.linalg.eigvalsh(R)[::-1]
    print(eigenvalues, eigenvalues[:2].sum() / 6)
    
    efa = FactorAnalyzer(n_factors=2, method="minres",
                         rotation="oblimin", is_corr_matrix=True)
    efa.fit(R)
    print(efa.loadings_, efa.phi_, efa.get_uniquenesses())
    
    names = [f"v{i}" for i in range(1, 7)]
    definition = {"F1": names[:3], "F2": names[3:]}
    template = pd.DataFrame(np.zeros((1, 6)), columns=names)
    spec = ModelSpecificationParser.parse_model_specification_from_dict(
        template, definition)
    cfa = ConfirmatoryFactorAnalyzer(
        spec, n_obs=300, is_cov_matrix=True, disp=False)
    cfa.fit(R)
    print(cfa.loadings_, cfa.factor_varcovs_, cfa.error_vars_)
    print(cfa.get_model_implied_cov())

    R 4.5.1 · psych 2.5.6 · lavaan 0.6-20

    # Synthetic R; n.obs=300 is an illustrative pseudo-count only.
    R <- matrix(c(
    1,.64,.64,.256,.256,.256,
    .64,1,.64,.256,.256,.256,
    .64,.64,1,.256,.256,.256,
    .256,.256,.256,1,.64,.64,
    .256,.256,.256,.64,1,.64,
    .256,.256,.256,.64,.64,1), 6, 6, byrow=TRUE)
    colnames(R) <- rownames(R) <- paste0("v", 1:6)
    
    eigen(R)$values
    psych::fa(R, nfactors=2, n.obs=300,
              fm="minres", rotate="oblimin")
    
    model <- 'F1 =~ v1 + v2 + v3
              F2 =~ v4 + v5 + v6'
    fit <- lavaan::cfa(model, sample.cov=R,
                       sample.nobs=300, std.lv=TRUE)
    lavaan::summary(fit, fit.measures=TRUE, standardized=TRUE)

    IBM SPSS Statistics 31.0.0.0 · PCA / EFA

    * Synthetic R; N=300 is an illustrative pseudo-count only.
    MATRIX DATA VARIABLES=ROWTYPE_ v1 TO v6
     /FORMAT=FULL.
    BEGIN DATA
    N 300 300 300 300 300 300
    CORR 1 .64 .64 .256 .256 .256
    CORR .64 1 .64 .256 .256 .256
    CORR .64 .64 1 .256 .256 .256
    CORR .256 .256 .256 1 .64 .64
    CORR .256 .256 .256 .64 1 .64
    CORR .256 .256 .256 .64 .64 1
    END DATA.
    FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
     /CRITERIA=FACTORS(2) /EXTRACTION=PC /ROTATION=NONE.
    FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
     /CRITERIA=FACTORS(2) /EXTRACTION=PAF /ROTATION=OBLIMIN.
    * Confirmatory analysis requires an explicit Amos model.

    SAS 9.4 TS1M8 · PROC FACTOR · PROC CALIS

    * Synthetic R; N=300 is an illustrative pseudo-count only;
    data corr(type=corr);
      input _type_ $ _name_ $ v1-v6;
      datalines;
    N . 300 300 300 300 300 300
    CORR v1 1 .64 .64 .256 .256 .256
    CORR v2 .64 1 .64 .256 .256 .256
    CORR v3 .64 .64 1 .256 .256 .256
    CORR v4 .256 .256 .256 1 .64 .64
    CORR v5 .256 .256 .256 .64 1 .64
    CORR v6 .256 .256 .256 .64 .64 1
    ;
    proc factor data=corr method=prin nfact=2 rotate=none; run;
    proc factor data=corr method=prin priors=smc nfact=2 rotate=promax; run;
    proc calis data=corr corr nobs=300;
      factor F1 ---> v1-v3,
             F2 ---> v4-v6;
      pvar F1=1., F2=1.;
      cov F1 F2;
    run;

    Versionen machen das Protokoll prüfbar. Ergebnisse können je nach Schätzer, Rotation, Vorzeichenkonvention und Startwerten abweichen. Software validiert niemals die Methodenwahl.

    18

    Erwartetes Endergebnis

    1. 01

      Frage, Population, Analyseeinheit, Variablen und verwendete Matrix.

    2. 02

      Begründung für PCA, EFA oder CFA vor den Ergebnissen.

    3. 03

      Spezifikation, Schätzer, Rotation, Retentionskriterien und Softwareversionen.

    4. 04

      Vollständige Ergebnisse, Diagnostik, Sensitivität, Unsicherheit und Konvergenzfehler.

    5. 05

      Vertretbare Schlussfolgerung, unzulässige Schlussfolgerung und nächste menschliche Entscheidung.

    19

    Wissenschaftliche Quellen und Evidenzniveau

    1. Jolliffe & Cadima (2016)Methodischer Review

      Belegt das deskriptive PCA-Ziel, sukzessive Varianzmaximierung sowie Skalierungs- und Ausreißersensitivität. Belegt keine Marketing-Konstruktvalidität.

    2. Costello & Osborne (2005)Anwendungsreview mit empirischen Analysen

      Unterscheidet Komponenten und gemeinsame Faktoren und dokumentiert Extraktion, Retention und Rotation. Die Empfehlungen sind keine Universalgrenzwerte.

    3. Goretzko, Siemund & Sterner (2024)Empirischer Review von 221 Studien

      Zeigt, warum Fitindizes nicht mit einem absoluten Grenzwert gelesen werden können, und empfiehlt vollständige Parameter-, Residuen- und Modellbewertung. Der Validierungskontext bleibt anzugeben.

    Datensatz · Werkzeug

    Datensatz · MSC-P-009-MATRIXSynthetische PCA-, EFA- und CFA-Matrix→

    Methodische Verbindungen

    Übergeordnetes GebietMesswissenschaft: valide Indikatoren entwickeln

    Als Nächstes

    MSC-P-005Wie misst man ein nicht direkt beobachtbares Marketingkonstrukt?→MSC-P-006Wie wird eine Messskala entwickelt und validiert?→MSC-P-007Alpha oder Omega: Wie wird die Reliabilität einer Skala beurteilt?→MSC-P-008Wie validiert man eine Marketing-Messskala?→