STATISTIK-FORUM.de

[Mofflerin]

Ich habe eine EFA durchgeführt die nach dem Kayser-Kriterium 7 Faktoren extrahiert hat. Nach dem Scree-Kriterium komme ich auf nur 4 Faktoren. Daher will ich letzten Endes vier Faktoren verwenden. Daher habe ich mir die Variablen angesehen die mit ihrer höchsten Faktorladung auf F5, F6 oder F7 laden. Ich habe dann eine zweite EFA gestartet. Die Items welche nur auf F5, F6 oder F7 hoch geladen haben, habe ich da nicht mehr rein. Die Items die zwar ihre höchste Ladung auf F5, F6 oder F7, nebenher aber auch noch signifikant große Nebenladungen auf F1, F2 oder F4 hatten, habe ich erstmal drin gelassen, in der Hoffnung, dass ich diese zu einem der ersten vier Faktoren tun kann. Das hat aber nicht funktioniert, die Ladungsmuster sind bei der zweiten EFA völlig anders.

Wie geht man im Allgemeinen vor? Am einfachsten scheint mir diese Vorgehensweise: Ich lösche einfach alle Items die Ihre höchste Ladung auf F5 bis F7 haben und mache dann eine neue EFA in der ich von vorneherein vier zu extrahierende Faktoren vorgebe (arbeite mit SPSS). Jedoch bin ich mir unsicher, ob diese einfachste Vorgehensweise auch die best practice ist.

Was meint Ihr?

[bele]

Wenn Du 4 Faktoren haben willst, warum rechnest Du dann erst eine mit 7 Faktoren?
Rechne eine mit 4 Faktoren und die Items die sich darin nicht gut verhalten schmeiß raus.

[strukturmarionette]

Hi,

Ich habe eine EFA durchgeführt die nach dem Kayser-Kriterium 7 Faktoren extrahiert hat. Nach dem Scree-Kriterium komme ich auf nur 4 Faktoren. Daher will ich letzten Endes vier Faktoren verwenden.

-->Diese Begründungssequenz, Schlussfolgerung ist nicht nachvollziebar.

Daher habe ich mir die Variablen angesehen die mit ihrer höchsten Faktorladung auf F5, F6 oder F7 laden. Ich habe dann eine zweite EFA gestartet. Die Items welche nur auf F5, F6 oder F7 hoch geladen haben, habe ich da nicht mehr rein. Die Items die zwar ihre höchste Ladung auf F5, F6 oder F7, nebenher aber auch noch signifikant große Nebenladungen auf F1, F2 oder F4 hatten

--> Auch das ist schwer nachzuvollziehen! Wieviele Items insgesamt hast Du denn, auch wieviele je Faktor?

best practice ist.

--> Gibt es nicht. Primat hat dabei eine gute (theoretische) Interpretierbarkeit der Faktoren mit den dazugehörigen Items.

Hast Du Faktorrotationen vorgenommen und die dabei neu entstandenen Komponentenladungen ggfs. interpretiert?
Dabei könnten andere Ergebnisse enststehen.

Ein Vorabfestlegung einer bestimmten Anzahl von Faktoren bei der EFA wäre nicht zu empfehlen! Das ist was für die CFA.

Gruß
S.

[Mofflerin]

Wenn Du 4 Faktoren haben willst, warum rechnest Du dann erst eine mit 7 Faktoren?
Rechne eine mit 4 Faktoren und die Items die sich darin nicht gut verhalten schmeiß raus.

#

Ich hatte zunächst keine theoretischen Grundannahmen über die Anzahl der Faktoren. Erst das Scree-Kriterium hat mich auf die Idee mit der vierfaktoriellen Lösung gebracht.

[Mofflerin]

Hi,

Ich habe eine EFA durchgeführt die nach dem Kayser-Kriterium 7 Faktoren extrahiert hat. Nach dem Scree-Kriterium komme ich auf nur 4 Faktoren. Daher will ich letzten Endes vier Faktoren verwenden.

-->Diese Begründungssequenz, Schlussfolgerung ist nicht nachvollziebar. .

Genau deshalb dieser Thread. Welche Begründungssequenz/Schlussfolgerung wäre denn nachvollziehbar?

Daher habe ich mir die Variablen angesehen die mit ihrer höchsten Faktorladung auf F5, F6 oder F7 laden. Ich habe dann eine zweite EFA gestartet. Die Items welche nur auf F5, F6 oder F7 hoch geladen haben, habe ich da nicht mehr rein. Die Items die zwar ihre höchste Ladung auf F5, F6 oder F7, nebenher aber auch noch signifikant große Nebenladungen auf F1, F2 oder F4 hatten

--> Auch das ist schwer nachzuvollziehen! Wieviele Items insgesamt hast Du denn, auch wieviele je Faktor?

7 bis 10 Items bei den ersten vier Faktoren. Bei den weitere ndrei Faktoren dann jeweils zwei bis drei Items. Insgesamt 40 Items. Es geht mir aber nicht nur um dieses spezielle Beispiel, mich würde interessieren wie man allgemein vorgeht wenn man keine theoretischen Vorannahmen über die Faktorenstruktur hat. Wenn man Vorannahmen hätte bräuchte man ja keine EFA machen sondenr könnte gleich auf die CFA zurückgreifen.

best practice ist.

--> Gibt es nicht. Primat hat dabei eine gute (theoretische) Interpretierbarkeit der Faktoren mit den dazugehörigen Items.

Dann kann/muss ich nach Gutdünken vorgehen?

Hast Du Faktorrotationen vorgenommen und die dabei neu entstandenen Komponentenladungen ggfs. interpretiert?
Dabei könnten andere Ergebnisse enststehen.

Alle EFA die ich gerechnet habe wurden mit VARIMAX rotiert.

[PonderStibbons]

Es fehlen u.a. Aussagen dazu, um welche Phänomene, um welche Konstrukte es sich
handelt, die operationaisiert werden wollen, ob es einen theoretischen Kontext
gibt, woher die Items stammen, wie groß die Stichprobe ist, mit welcher Methode
extrahiert wurde, und vor allem: warum und wozu wird diese Analyse gerechnet,
was genau soll mit den erhaltenen Faktoren passieren, was sollen sie leisten.

Mit freundlichen Grüßen

P.

[Mofflerin]

Es fehlen u.a. Aussagen dazu, um welche Phänomene, um welche Konstrukte es sich
handelt, die operationaisiert werden wollen, ob es einen theoretischen Kontext
gibt, woher die Items stammen, wie groß die Stichprobe ist, mit welcher Methode
extrahiert wurde, und vor allem: warum und wozu wird diese Analyse gerechnet,
was genau soll mit den erhaltenen Faktoren passieren, was sollen sie leisten.

Mit freundlichen Grüßen

P.

In dem Fall geht es um eine Mitarbeiterbefragung mit n=197. Die Items wurden von den Durchführenden, die noch nie empirisch gearbeitet haben, frei erfunden und nach Gutdünken zu "Faktoren" gruppiert (also z.B. Kommunikation, Klima usw.). Der theoretische Kontext ist also der, dass die Durchführenden sich Gedanken dazu gemacht haben welche Bereich es gibt, also z.B. Kommunikation, Arbeitsklima, Job enrichement. Ich nehme diesen "theoretischen Hintergrund" aber nicht so besonders ernst. Es wurde eine Hauptkomponentenanalyse gerechnet.

Warum die EFA gerechnet wurde? => Die Umfrage soll "ausgewertet" werden. Ich könnte mir z.B. vorstellen, dass man die aggregierten Maße von empirisch gefundenen Faktoren zwischen verschiedenen Subgruppen gegeneinander testet (z.B. kaufmännische vs. technische MA) oder dass es weitere Messzeitpunkte gibt und die Werte dann im Längsschnitt verglichen werden.

Was die Faktoren leisten sollen? Wenn ein paar gute Anhaltspunkte für den Praktiker dabei rausspringen haben die Faktoren ihren Zweck erfüllt.

Aber wie gesagt: Diese spezielle Untersuchung ist für mich auch als Lernstück gedacht um die Allgemeine Vorgehensweise zu erlernen. Deine Fragen deuten ja schon darauf hin, dass in Abhängigkeit von bestimmten Rahmenbedingungen eine allgemeine Vorgehensweise zumindest heuristisch beschrieben werden kann.

[bele]

Wenn Du 4 Faktoren haben willst, warum rechnest Du dann erst eine mit 7 Faktoren?
Rechne eine mit 4 Faktoren und die Items die sich darin nicht gut verhalten schmeiß raus.

#

Ich hatte zunächst keine theoretischen Grundannahmen über die Anzahl der Faktoren. Erst das Scree-Kriterium hat mich auf die Idee mit der vierfaktoriellen Lösung gebracht.

M. E. musst Du Dich entscheiden, ob Du das Kaiser-Kriterium oder den Scree-Test als Kriterium für die Zahl der zu extrahierenden Faktoren anwenden willst. Ich sehe nach wie vor keinen Grund, erst das Kaiser-Kriterium anzuwenden um dann herumbasteln zu wollen, bis das Scree-Kriterium erfüllt ist.

Wenn Du an den Scree-Test glaubst und der Scree-Test sagt, dass Du vier Faktoren extrahieren sollst, dann extrahiere die 4 Faktoren und schau, ob wie weit Du die interpretieren kannst.

[Mofflerin]

M. E. musst Du Dich entscheiden, ob Du das Kaiser-Kriterium oder den Scree-Test als Kriterium für die Zahl der zu extrahierenden Faktoren anwenden willst. Ich sehe nach wie vor keinen Grund, erst das Kaiser-Kriterium anzuwenden um dann herumbasteln zu wollen, bis das Scree-Kriterium erfüllt ist.

Das Kayser-Kriterium ist denke ich mal indiskutabel da es anscheinend in vielen Fällen zu viele Faktoren findet. Ich arbeite jedoch mit SPSS. In SPSS ist es so, dass ich zwingend angeben muss wie die Faktoren extrahiert werden sollen. SPSS gibt zwei Möglichkeiten vor:

1. Es muss ein bestimmter Eigenwert angegeben werden den ein zu extrahierender Faktor mindestens haben muss. Die Voreinstellung in SPSS ist 1, das entspricht dem Kayser-Kriterium.

2. Es muss angegeben werden wieviele Faktoren genau extrahiert werden sollen.

Die zweite Möglichkeit geht erstmal nicht wenn es keine (brauchbaren) Vorannahmen über die Anzahl der Faktoren gibt. Also habe ich zunächst Möglichkeit 1 gewählt. Da ich nicht wusste welchen sinnvollen Eigenwert man sonst einstellen könne habe ich es bei der Voreinstellung belassen.

Wenn Du an den Scree-Test glaubst und der Scree-Test sagt, dass Du vier Faktoren extrahieren sollst, dann extrahiere die 4 Faktoren und schau, ob wie weit Du die interpretieren kannst.

Den Screeplot kann ich mir ja erst ansehen NACHDEM ich die EFA durchgeführt habe.

Jetzt könnte man natürlich sagen, ich soll dann einfach die vier Faktoren nehmen die das Screekriterium nach der ersten EFA findet. Darum habe ich eine weitere EFA durchgeführt mit den gleichen Items und diesmal vorgegeben, dass genau vier Faktoren extrahiert werden sollen. Die Items die vorher zu den Faktoren F5..7 gehört haben, werden dann auf die anderen Faktoren verteilt. Dadurch ändern sich aber auch die Faktorladungen der anderen Items die bereits in der ersten EFA zu den Faktoren F1..4 gehört haben und die Faktoren sind insgesamt schlechter interpretierbar. Daher meine Idee die Items von F5..7 rauszuwerfen bevor die zweite EFA gemacht wird (siehe mein erstes Posting).

[strukturmarionette]

Hi nochmal,

SPSS ´zwingt´ die Anwender eigentlich nicht zu etwas bestimmtem.
Es bietet nur unterscheidliche Methoden der Faktorextraktion (e.g. Hauptkomponentenverfahren, Haupachsenverfahren, Maximum Likelihood Verfahren u.a.) und Faktorrotationen an.

Die Größe 1 als entscheidende Größe für eine relevante Anzahlfestlegung ergibt sich aus dem Wesen der Faktorenanalyse, dass möglich viel Varianz der ´vielen´ Items auf wenige Dimension zurückgeführt werden kann. Erst wenn ein Eigenwert >1, kann überhaupt von eine ´Faktor´ gesprochen werden.

Gruß
S.