METHODEN-DOSSIERMSC-P-009Messwissenschaft

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.

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, 2016 Costello & Osborne, 2005

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)

Drei Leseebenen

1
Entscheidungsebene: nach dem erwarteten Ergebnis wählen, nicht nach dem Softwaremenü.
2
Praxis: Population, Variablen, Korrelationsmatrix, Dimensionsregel und Validierung vor der Berechnung festlegen.
3
Analyse: Gesamtvarianz, gemeinsame Varianz und modellimplizierte Kovarianz trennen und anschließend Stabilität quantifizieren.

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.

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.

PCA, EFA und CFA beantworten unterschiedliche Fragen

PCA, EFA und CFA beantworten unterschiedliche Fragen
Methode	Frage	Modellierte Varianz	Hauptergebnis	Entscheidende Prüfung
ACP / PCA	Wie lässt sich X mit weniger Achsen zusammenfassen?	Beobachtete Gesamtvarianz	Komponenten, Scores, erklärte Varianz	Skalierung, Ausreißer, Achsenstabilität
AFE / EFA	Welche gemeinsamen Faktoren sind plausibel?	Gemeinsame Varianz mit Einzigartigkeiten	Ladungen, Kommunalitäten, Faktorkorrelationen	Retention, schiefe Rotation, Replikation
AFC / CFA	Reproduziert das spezifizierte Modell die Kovarianzen ausreichend?	Durch Modellparameter implizierte Kovarianz	Parameter, Residuen, Unsicherheit und Anpassung	Identifikation, Residuen, Sensitivität, unabhängige Stichprobe

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

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.

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).

Deklarierte Berechnung, Schritt für Schritt

01
PCA: bei nicht vergleichbaren Einheiten standardisieren, Matrix zerlegen, λₖ ordnen und erklärte Varianz sowie Stabilität prüfen.
02
EFA: Matrix wählen, Kommunalitäten schätzen, Retentionsregeln vergleichen, passend rotieren und Ladungen sowie Faktorkorrelationen interpretieren.
03
CFA: Modell spezifizieren und identifizieren, Schätzer wählen, θ schätzen, Parameter und Residuen prüfen und Anpassung ohne automatischen Universalgrenzwert bewerten.

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.

Annahmen als operative Fragen

Annahmen als operative Fragen
Methode	Frage
ACP	Sind die Einheiten varianzvergleichbar und dominieren Ausreißer die Achsen?
AFE	Ist ein gemeinsames Faktorenmodell plausibel und erlaubt die Rotation erwartete Korrelationen?
AFC	Wurde das Modell vor Sichtung der Ergebnisse spezifiziert, ist es identifiziert und passt der Schätzer zu den Daten?
Alle	Tragen Population, Erhebungsdesign, Fehlwerte und Beobachtungsabhängigkeit die beabsichtigte Verallgemeinerung?

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)

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.“

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.

Mögliche Marketingentscheidung

01
Einen vorläufigen operativen PCA-Score bilden und ihn als deskriptive Kombination definieren.
02
Itempool nach EFA überarbeiten und eine unabhängige CFA-Erhebung planen.
03
Ein Messmodell anhand von Parametern, Residuen, Unsicherheit, Geschäftsauswirkungen und externer Evidenz beibehalten, überarbeiten oder verwerfen, nie anhand einer Kennzahl.

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.

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.

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.

Erwartetes Endergebnis

01
Frage, Population, Analyseeinheit, Variablen und verwendete Matrix.
02
Begründung für PCA, EFA oder CFA vor den Ergebnissen.
03
Spezifikation, Schätzer, Rotation, Retentionskriterien und Softwareversionen.
04
Vollständige Ergebnisse, Diagnostik, Sensitivität, Unsicherheit und Konvergenzfehler.
05
Vertretbare Schlussfolgerung, unzulässige Schlussfolgerung und nächste menschliche Entscheidung.

Wissenschaftliche Quellen und Evidenzniveau

Jolliffe & Cadima (2016)Methodischer Review
Belegt das deskriptive PCA-Ziel, sukzessive Varianzmaximierung sowie Skalierungs- und Ausreißersensitivität. Belegt keine Marketing-Konstruktvalidität.
Costello & Osborne (2005)Anwendungsreview mit empirischen Analysen
Unterscheidet Komponenten und gemeinsame Faktoren und dokumentiert Extraktion, Retention und Rotation. Die Empfehlungen sind keine Universalgrenzwerte.
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