Sie sind auf Seite 1von 61

Transilvanische Universität Brasov

Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-


dimensionaler statistischer Daten
(Knowledge Management)

Lektion 6: Reduktion der Komplexität -


Die Faktorenanalyse
A) Die Hauptkomponentenanalyse

Teil 1 Strukturen im Datensatz

Sommersemester 2014
Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
a) Die Operationalisierung theoretischer Begriffe
Theorie theoretischer Begriff Soziale Schicht
Partizipation

Faktor 1
Fragenkomplexe
Dimensionen .
.
.
Faktor n

Daten Indikatoren statistische Variablen


Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 2
Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
b) Die graphische Itemanalyse

(1) Vergleich
der
Mittelwerte:

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 3


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
b) Die graphische Itemanalyse
(2) Die Anforderung mit SPSS

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 4


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
b) Die graphische Itemanalyse
(3) Die Spezifizierung in SPSS

1.

3. Darstellungsoptionen
festlegen
2.

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 5


Faktorenanalyse Teil I-1 Strukturen in einem Datensatz:
b) Die graphische Itemanalyse
(4) Die Bearbeitung des Ergebnisses mit SPSS

Die Graphik im
Editor um 90°
drehen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 6


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
c) Die Zusammenhänge zwischen den Variablen
(1) Die Korrelationsmatrix R der Beteiligungen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 7


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
c) Die Zusammenhänge zwischen den Variablen
(2) Die Korrelationsmatrix R der Beteiligungswünsche

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 8


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
c) Die Zusammenhänge zwischen den Variablen
(3) Die graphische Darstellung der Korrelationskoeffizienten

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 9


Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
c) Die Zusammenhänge zwischen den Variablen
(4) Die Dimensionen im Datensatz

Dispositive
Dimension

Operative
Dimension

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 10


Transilvanische Universität Brasov
Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-


dimensionaler statistischer Daten
(Knowledge Management)

Lektion 6: Reduktion der Komplexität -


Die Faktorenanalyse

A) Die Hauptkomponentenanalyse
Teil 2 Das Modell der Hauptkomponenten

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 11


Sommersemester 2014
Faktorenanalyse Teil 2 Die Hauptkomponentenanalyse:
a) Die Hauptkomponenten (Faktoren)
als Linearkombinationen der Ausgangsvariablen
- Definition
a) Die Definition einer Linearkombination (LK) eines
Variablensatzes xj:

LK (x j ) = w1 x 1 + w 2 x 2 + . .. wq x q
b) Die Komponenten:

x1 , x 2 , . .. x q
c) Die Gewichte

w1 , w2 , .. . w q

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 12


Faktorenanalyse Teil 2 Die Hauptkomponentenanalyse:
a) Die Faktoren als Linearkombinationen
- Die Bedeutung der Linearkombinationen
➔ Eine Linearkombination fasst Informationen eines
Variablensatzes zusammen.
➔ z. B. fasst die Variable Partprof verschiedenen Aspekte einer
realen Beteiligung zusammen:
Partprof = v01 + v02 + v03 + v04 + v05
➔ In dieser LK sind die es Gewichten von „1“
➔ Bei einer unterschiedlichen Relevanz der Variablen können diese
unterschiedliche Gewichte erhalten.
➔ Über einem Variablensatz können mehrere Linearkombinationen
gebildet werden.
➔ Diese drücken dann die unterschiedlichen Dimensionen der
Informationen im Datensatz aus

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 13


Faktorenanalyse Teil 2 Die Hauptkomponentenanalyse:
a) Die Faktoren als Linearkombinationen
- Beispiele für zwei Dimensionen

Dispositive
Dimension

Operative
Dimension

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 14


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
b) Die Konstruktion der Faktoren aus den Variablen
- Die Ausgangsvariablen

Ausgangspunkt: standardisierte Variablen zj

1. Die Variablen zj haben Mittelwerte von „0“ und


Standardabweichungen bzw. Varianzen von „1“:
z̄j = 0 und VAR(z j ) = 1
2. Der Faktor F J wird als Linearkombination (Dimension) der
standardisierten Variablen z j eines Satzes gebildet:

F J = LK (z j ) = w1J z 1 + w2J z 2 + .. . wqJ z q

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 15


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
b) Die Konstruktion der Faktoren aus den Variablen
- Das Konstruktionsprinzit

➔ Die Gewichte der Faktoren F J werden so gewählt,


dass sie einen Mittelwert von „0“ und eine
Standardabweichung/Varianz von „1“ erhalten:

F̄J = 0 ; VAR(F J ) = 1
➔ Ergebnis: standardisierte Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 16


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
c) Die Aussage der Faktoren
– der Ausgangspunkt
Ausgangspunkt: Die Regressionsbeziehungen zwischen den
Faktoren und den Ausgangsvariablen:
➔ die Variablen werden aus den Faktoren erklärt:
zcj = f (F J ) = r jJ ⋅ F J

➔ die Korrelationskoeffizienten zwischen den Faktoren und den


Variablen sind eine Funktion der Gewichte und der
Korrelationskoeffizienten in R :
Gewichte in der LK

r jJ = w1J r j1+w2J r j2 +... wqJ r jq


Koeffizienten von R

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 17


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
c) Die Aussage der Faktoren
- Interpretationsansätze
➔ die Faktorladung: Die Korrelationskoeffizienten zwischen
den Faktoren und den Ausgangsvariablen werden als Fak-
torladungen bezeichnet:
a jJ = r jJ
➔ Die Interpretation des Faktors: Die inhaltliche Bedeutung
des Faktors ergibt sich aus den Variablen mit den höchsten
Faktorladungen.
➔ der Eigenwert des Faktors ist die Summe der quadrierten
Faktorladungen: q
VA = ∑ jA
a 2

j=1
➔ Die Relevanz des Faktors: Die Größe des Eigenwertes

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 18


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
d) Die Konstruktion der Hauptkomponenten:
- der erste Faktor

Der Modellansatz der Hauptkomponentenanalyse

a) die Konstruktionsprinzipien des 1. Faktors FA


q
➢ Maximierung der Eigenwerte VA = ∑ a 2jA = max !
(Summe der Faktorladungen): j=1

n
➢ unter den Nebenbedingungen: S 2
A =
1
∑ F 2Ai =1
n i=1
➢ Lagrange-Funktion:

q n
1
V A = f  w Aj  = ∑ a 2jA − λ ∑
n i=1
F 2Ai −1  = max !
j=1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 19


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
e) Eine graphische Veranschaulichung der Konstruktion

2. Graphische Darstellung des Modellansatzes der Hauptkomponentenanalyse

a) die Maximierung der Varianz des Faktors


n
1
S A = ∑ F A =max!
2 2
n i=1 i

b) Die Ausschöpfung derVarianz der Variablen

1 1 1 1
∑ z ji + ∑ z ki = ∑ F Ai + ∑ F̃ Bi =2
2 2 ̃ 2 2

n n n n

c) Die Standardisierung der Faktoren

VAR F A 1  F Ji = F Ji / S J

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 20


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
f) Die Konstruktion der Hauptkomponenten:
der zweite Faktor

b) die Ermittlung des 2. Faktors FB


➢ die Auspartialisierung von FA
z j− A = z j −z cj = z j −a jA F A mit : S 2j− A =1−a 2jA

➢ die LK der Partialvariablen:

F B =w(1− A) B z 1− A+w(2−a) B z 2− A+w (q−A) B z q−A

➢ die Lagrange-Funktion:
q n
1
VB = ∑ a 2jB− λ( ∑ F Bi
2
−1) = max!
j=1 n i=1

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 21


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse:
g) Die Modelleigenschaften der Hauptkomponenten:

➢ die Anzahl der Faktoren:


über einem Satz von q linear unabhängigen Variablen
lassen sich Q = q linear unabhängige Faktoren bilden.

➢ die Abstufung der Eigenwerte: V A ⩾ V B ⩾…⩾V Q

➢ die Orthogonalität der Faktoren: r AB =r AC =. .. r PQ =0


Q
➢ die Extraktion der Gesamtvarianz: ∑VJ = Q
J=A

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 22


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
h) Die Rückbindung der Faktoren auf die Variablen

1. die Variablen sind Funktionen der Faktoren:

z j = f (F A , F B. F C …F Q ) + u
2. die einfache Regressionsgleichung lautet deshalb:

z j = f (F J ) + u = a j , J⋅F J + u
3. die a jJ bezeichnet man als Faktorladungen. Es gilt:
r jJ = a jJ

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 23


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
i) Die Basismatrizen der Variablen

a) die standardisierte Datenmatrix {Z} b) die Korrelationsmatrix {R}

Z= R=

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 24


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
j) Die Basismatrizen der Faktoren

Die Basismatrizen der Faktoren


c) die Faktorwerte- d) die Faktorgwichte- e) die Faktorladungs-
Matrix F Matrix W Matrix A

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 25


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
k) Signifikanz und Relevanz des Modells
1. Die statistische Signifikanz des Gesamtmodells
a) der Sphärentest von Bartlett:
getestet wird: H 0 : ρ12 …ρ(q−1)q = 0,
d.h.: ρ= I
Diese Hypothese wird abgelehnt, wenn:
2 (2Q+11) 2
χ = (n−
ϕ )(−ln Λ) ⩾ χα
6 0

Q
Q (Q−1)
bei : ϕ = und : Λ =∣R∣= ∏ V J
2 J =A

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 26


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
l) Signifikanz und Relevanz des Modells
1. Die statistische Signifikanz des Gesamtmodells
b) das Kaiser-Meyer-Olkin-Maß einfache Korrelationskoeffizienten

k k
∑ ∑ r 2jj*
j=1 j*=1
KMO = k k k k
( j ≠ j∗)
∑∑ r 2jj* +∑∑ r 2jj∗−1.. . k
j=1 j*=1 j=1 j*=1

partielle Korrelationskoeffizienten

Anmerkung:
- KMO <= 0,5 : die Datenbasis ist für eine Faktorenanalyse ungenügend,
- KMO >= 0,9: die Datenbasis ist für eine Faktorenanalyse hervorragend

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 27


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
m) Signifikanz und Relevanz des Modells

2. Die Relevanz der einzelnen Faktoren


a) das Eigenwertkriterium: Die Faktoren F J* sind statistisch relevant,
wenn der Eigenwert der Faktoren V J* >1
b) der Screetest:
Die Faktoren sind empirisch
relevant, wenn ihre Ladung
im Scree-plot über
der Geraden liegen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 28


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
n) Signifikanz und Relevanz des Modells

3. Die Erklärung der Variablen aus Q (bzw. M) Faktoren:

z j = f ( F A .. . F Q ) = a jA⋅F A+a jB⋅F B+...a jM⋅F M +… a jQ⋅F Q


T
In Matrixschreibweise: Z = FA

4. Die Kommunalität der Variablen xj:


M M
h 2j = R2jA ... M = ∑ r 2jJ = ∑ a 2jJ
J=A J =A
(wie weit erklären die Faktoren eine einzelne Variable)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 29


Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
o) Signifikanz und Relevanz des Modells

5. Die von den Faktoren erklärte Gesamtvarianz des Datensatzes:


(wie weit erklären die Faktoren den gesamten Variablensatz)
q M
V = ∑ h 2j = ∑ V J mit : 0 ⩽ V /q ⩾ 1
j=1 J=A

6. Das Fundamentaltheorem der Faktorenanalyse:


(die Rekonstruktion der Korrelationsmatrix aus der Ladungsmatrix)

T 1 T 1 T
Z = FA → R (= Z Z = AF FAT = AIAT ) = AAT
n n

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 30


Transilvanische Universität Brasov
Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-


dimensionaler statistischer Daten
(Knowledge Management)

Lektion 6: Die Faktorenanalyse

Teil III Das Modell der Hauptkomponenten mit SPSS

Sommersemester 2014
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 31
Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
a) Die Anforderung von FJ = LK (V01...V05, V11...V15)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 32


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
b) Tests der Relevanz

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 33


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
c) Die Extraktion der Hauptkomponenten

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 34


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
d) Mit SPSS den Output strukturieren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 35


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
e) Die Speicherung der Faktorenwerte

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 36


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
f) Ergebnisse der Analyse: die Tests

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 37


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
g) Die Anzahl der extrahierten Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 38


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
h) Die Kommunalitäten h2j

Die Kommunalitäten
sind die multiplen De-
terminationskoeffizienten
Sie geben an, wie weit
die extrahierten Fakoren
die Variablen erklären.

M M
h = R2jA ... M =
2
j ∑ r 2jJ = ∑ a 2jJ
J=A J =A

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 39


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
i) Der Screetest

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 40


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
j) Die Faktorladungen
a jJ = r jJ

Der erste
Faktor ist i.A. ein „gener-
eller Faktor“, weil er in allen
Variablen hohe Ladungen
aufweist.

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 41


Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
k) Das Komponentendiagramm

Der erste
Faktor:
ein „genereller
Faktor“

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 42


Transilvanische Universität Brasov
Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-


dimensionaler statistischer Daten
(Knowledge Management)

Lektion 6: Die Faktorenanalyse

Teil IV Die Rotation der Hauptkomponenten

Sommersemester 2014
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 43
Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten
a) Die Vorgehensweise

1. Die Rotation der Hauptkomponenten:  F A … F M    F a … F m 

2. Die graphische Veranschaulichung:

3. Die Rotationsbedingung:
- Die Konstanz der Kommunalitäten:
M m
h 2j = R2jA . .. M = R2ja . . . m = ∑ a 2jJ = ∑ a 2jj
J =A J =a
q M

- Die Konstanz der erklärten Gesamtvarianz: V =∑ h 2j = ∑ VJ


j=1 J=A
¿

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 44


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten
b) Die Varianten

1. die ortogonalen Rotationen


➢ die Quartimax-Rotation: maximale Unterschiedlichkeit innerhalb
der Zeilen der Faktorladungsmatrix
➢ die Varimax-Rotation: maximale Unterschiedlichkeit der Spalten
der Faktor-Ladungsmatrix
➢ die Equamax-Rotation: ein Kompromiss zwischen beiden
Verfahren
2. die schiefwinkeligen Rotationen
➢ die Oblimin-Rotation: entspricht der Quartimax-Rotation ohne
Faktor-Orthogonaliät
➢ die Promax-Rotation: entspricht der Varimax-Rotation ohne
Faktor-Orthogonaliät

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 45


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten
c) Das Ergebnis

1. Eine eindeutigere Zuordnung der Variablen zu den Faktoren


und damit:

2. Eine bessere Interpretierbarkeit der Faktoren

3. Die Veränderung der Eigenwerte der Faktoren:

V a ≠ V A , V b ≠ V B ,…V m ≠ V M
(Die Eigenwerte der starken Faktoren nehmen ab, die der
schwachen Faktoren nehmen zu.)

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 46


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten mit SPSS
d) Die orthogonale Rotation

Orthogonale
Verfahren:
➔ Varimax,
➔ Quartimax,
➔ Equamax

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 47


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten mit SPSS
e) Die erklärte Gesamtvarianz nach der
orthogonalen Rotation

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 48


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten mit SPSS
f) Das Ergebnis der Varimax-Rotation
Die Interpretation der Faktoren
basiert auf den Faktorladungen,
d.h. den Korrelationskoeffizienten
zwischen einem Faktor und den
Ausgangsvariablen.

Der erste Faktor


erfasst
die operativen
Dimensionen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 49


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten mit SPSS
g) Graphische Veranschaulichung der Varimax-Rotation

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 50


Faktorenanalyse Teil 4:
Die Rotation der Hauptkomponenten mit SPSS
h) Die schiefwinkelige Rotation

Schiefwinkelige
Verfahren:
➔ Oblimin,
➔ Promax

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 51


Faktorenanalyse Teil 4:
Die schiefwinkelige Rotation mit SPSS
i) Die erklärte Gesamtvarianz nach der Rotation

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 52


Faktorenanalyse Teil 4:
Die schiefwinkelige Rotation mit SPSS
j) Die Korrelationsbeziehungen zwischen den Komponenten

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 53


Faktorenanalyse Teil 4:
Die schiefwinkelige Rotation mit SPSS
k) Die Strukturmatrix

Die Strukturmatrix enthält die


Korrelationskoeffizienten der
Korrelation zwischen den Fak-
toren und den Variablen
(Faktorladungen) (r jJ = a jJ ) .
Da die Faktoren bei einer
schiefwinkeligen Rotation von
einander abhängen, ist die
Strukturmatrix nicht geeignet,
die Faktoren zu interpretieren.

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 54


Faktorenanalyse Teil 4:
Die schiefwinkelige Rotation mit SPSS
l) Die Analyse der Faktorladungen in der Mustermatrix (patternmatrix)
Die Mustermatrix enthält die parti-
ellen Korrelationskoeffizienten der
Korrelation zwischen den Faktoren
und den Variablen, deshalb ist sie
Grundlage der Faktorinterpretation.
Der erste Faktor
erfasst die operative
Dimension deutlicher

Der zweite Faktor


erfasst die disposi-
tive Dimension.
Problem: er ist
negativ geladen
Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 55
Faktorenanalyse Teil 4:
Die schiefwinkelige Rotation mit SPSS
m) Diagramm der schiefwinkelig rotierten Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 56


Faktorenanalyse Teil 5:
Die weitere Analyse der Faktoren
a) Die Abspeicherung der orthogonal rotierten Faktorwerte

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 57


Faktorenanalyse Teil 5:
Die weitere Analyse der Faktoren
b) Die Varianzanalyse der orthogonalen Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 58


Faktorenanalyse Teil 5:
Die weitere Analyse der Faktoren
c) Die deskriptive Statistik der orthogonalen Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 59


Faktorenanalyse Teil 5:
Die weitere Analyse der Faktoren
c) Der Vergleich der einfaktoriellen ANOVA

Der zweite Faktor erfasst die


dispositive Dimension

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 60


Faktorenanalyse Teil 5:
Die weitere Analyse der Faktoren
d) Der Vergleich der Mittelwertdiagramme

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 61