Parallelanalyse

Parallelanalyse, kurz PA, ist eine statistische Methode zur Bestimmung der Anzahl latenter Faktoren oder Komponenten, die in einem Datensatz beibehalten werden sollten. Ziel ist es, die dimensionale Struktur der Daten zu schätzen, indem beobachtete Muster mit Zufallsdaten verglichen werden.

Das Verfahren erzeugt zufällige Referenzdaten mit derselben Anzahl von Beobachtungen und Variablen wie der Originaldatensatz. Für diese Referenzdaten werden die Eigenwerte der Korrelationsmatrix bzw. der Kovarianzmatrix berechnet und über viele Iterationen eine Verteilung der zufälligen Eigenwerte erzeugt. Die beobachteten Eigenwerte der Originaldaten werden dann mit dieser Verteilung verglichen, typischerweise indem man die Faktoren behält, deren Eigenwerte die entsprechenden Zufallswerte übersteigen (oft am 95. Perzentil).

PA kann als Teil einer explorativen Faktoranalyse (EFA) oder einer Hauptkomponentenanalyse (PCA) eingesetzt werden. Es gibt Varianten wie Monte-Carlo-PA oder Permutations-PA. Die Methode gilt als robusterer Indikator für die richtige Anzahl von Dimensionen als einfache Faustregel wie das Kaiser-Kriterium.

Historisch wurde PA von Gordon Horn im Jahr 1965 eingeführt. In der Praxis ist sie in Statistik-Software implementiert, etwa in entsprechenden Paketen und Bibliotheken, die parallele Analyse unterstützen.