Ich sitze gerade an meiner Masterarbeit in den Sozialwissenschaften und habe für die Auswertung meiner Umfragedaten eine Hauptkomponentenanalyse durchgeführt. Die Ergebnisse sind eigentlich ganz ordentlich, aber ich habe ein ungutes Gefühl bei der Interpretation der Komponenten. Irgendwie fühlt es sich willkürlich an, ihnen jetzt einfach Namen zu geben, obwohl die Ladungen nicht hundertprozentig klar sind. Wie geht man damit um, wenn die Faktoren nicht so schön trennscharf sind, wie man es sich in der Theorie wünscht?
Die Trennung von Faktoren ist in der Praxis oft weniger scharf als die Theorie es erwartet und man sollte die Ladungen prüfen, Überlappungen der Ladungen beachten und eine oblique Rotation nutzen damit korrelierte Faktoren abgebildet werden können.
Vielleicht ist das ganze Konstrukt der Faktoren nicht mehr als eine narrative Deutung der Daten und das Benennen dient eher der Orientierung als einer festen Wahrheit.
Guck dir an welche Items am stärksten zusammenziehen und gib ihnen grob beschreibende Namen doch bleib offen für spätere Änderungen wenn neue Einsichten auftauchen.
Oberflächlich betrachtet klingt das alles logisch doch denkbar wäre dass die Grundannahme fraglich ist und man stattdessen die Daten als komplexe Interaktion sieht statt als klare latente Struktur?
Ich fühle eine leise Unruhe weil sich die Ladungen nicht sauber trennen lassen und der Eindruck entsteht man verpasst das eigentliche Muster.
Vielleicht ist das Konzept des gemeinsamen Kerns der Items sinnvoller als das starre Suchen nach klaren Themen und man spricht von Kohärenz statt festen Namen.
Eine kurze Prüfung könnte sein die Ergebnisse mit einer bestätigenden Analyse zu prüfen oder zu prüfen ob die Items wirklich auf einer gemeinsamen Dimension messen trotz schlechter Trennung
