Die Strukturgleichungsmodellierung ist eine multivariate statistische Analysetechnik, die verwendet wird, um strukturelle Beziehungen zu analysieren. Diese Technik ist die Kombination von Faktorenanalyse und multipler Regressionsanalyse und wird verwendet, um die strukturelle Beziehung zwischen gemessenen Variablen und latenten Konstrukten zu analysieren. Diese Methode wird von den Forschern bevorzugt, weil sie die mehrfache und wechselseitige Abhängigkeit in einer einzigen Analyse schätzt. In dieser Analyse werden zwei Arten von Variablen verwendet, endogene Variablen und exogene Variablen. Die endogenen Variablen entsprechen den abhängigen Variablen und sind gleich der unabhängigen Variable.
Theorie:
Diese kann als ein Satz von Beziehungen betrachtet werden, die eine konsistente und umfassende Erklärung der tatsächlichen Phänomene bieten. Es gibt zwei Arten von Modellen:
Messmodell: Das Messmodell repräsentiert die Theorie, die angibt, wie die gemessenen Variablen zusammenkommen, um die Theorie zu repräsentieren.
Strukturmodell: Stellt die Theorie dar, die zeigt, wie Konstrukte mit anderen Konstrukten zusammenhängen.
Die Strukturgleichungsmodellierung wird auch als Zufallsmodellierung bezeichnet, weil sie die vorgeschlagenen Zufallsbeziehungen testet. Es werden folgende Annahmen getroffen:
Multivariate Normalverteilung: Es wird die Maximum-Likelihood-Methode verwendet und für die multivariate Normalverteilung angenommen. Kleine Änderungen in der multivariaten Normalverteilung können zu einem großen Unterschied im Chi-Quadrat-Test führen.
Linearität: Es wird ein linearer Zusammenhang zwischen endogenen und exogenen Variablen angenommen.
Ausreißer: Die Daten sollten frei von Ausreißern sein. Ausreißer beeinträchtigen die Modellsignifikanz.
Reihenfolge: Es sollte eine Ursache-Wirkungs-Beziehung zwischen endogenen und exogenen Variablen bestehen, und eine Ursache muss vor dem Ereignis auftreten.
Nicht-verfälschende Beziehung: Die beobachtete Kovarianz muss wahr sein.
Modellidentifikation: Die Gleichungen müssen größer sein als die geschätzten Parameter oder die Modelle müssen überidentifiziert oder exakt identifiziert sein. Unteridentifizierte Modelle werden nicht berücksichtigt.
Stichprobengröße: Die meisten Forscher bevorzugen eine Stichprobengröße von 200 bis 400 mit 10 bis 15 Indikatoren. Als Faustregel gilt: Das sind 10 bis 20 mal so viele Fälle wie Variablen.
Unkorrelierte Fehlerterme: Es wird angenommen, dass die Fehlerterme mit den Fehlertermen anderer Variablen unkorreliert sind.
Daten: Es werden Intervalldaten verwendet.
Schritte:
Definieren einzelner Konstrukte: Der erste Schritt ist die theoretische Definition der Konstrukte. Durchführung eines Pretests zur Evaluierung des Items. Ein konfirmatorischer Test des Messmodells wird mittels CFA durchgeführt.
Entwicklung des Gesamtmessmodells: Das Messmodell wird auch als Pfadanalyse bezeichnet. Die Pfadanalyse stellt die Beziehungen zwischen exogenen und endogenen Variablen dar. Dies wird durch die Verwendung eines Pfeils dargestellt. Das Messmodell folgt der Annahme der Eindimensionalität. Die Messtheorie basiert auf der Idee, dass latente Konstrukte die gemessene Variable verursachen und dass der Fehlerterm innerhalb der gemessenen Variablen unkorreliert ist. In einem Messmodell wird ein Pfeil von der gemessenen Variable zu den Konstrukten gezogen.
Das Design der Studie soll die empirischen Ergebnisse liefern: In diesem Schritt muss der Forscher das Modell spezifizieren. Der Forscher sollte die Studie so entwerfen, dass die Wahrscheinlichkeit eines Identifikationsproblems minimiert wird. Um das Identifikationsproblem zu minimieren, werden die Methoden der Ordnungsbedingung und der Rangbedingung verwendet.
Abschätzung der Messmodellvalidität: Die Beurteilung des Messmodells wird auch als CFA bezeichnet. Bei der CFA vergleicht ein Forscher die theoretische Messung mit dem realen Modell. Das Ergebnis der CFA muss mit der Validität der Konstrukte in Verbindung gebracht werden.
Spezifizierung des Strukturmodells: In diesem Schritt werden die strukturellen Pfade zwischen den Konstrukten gezeichnet. Im strukturellen Modell kann kein Pfeil in ein exogenes Konstrukt eintreten. Ein einspitziger Pfeil wird verwendet, um eine hypothetische strukturelle Beziehung zwischen einem Konstrukt und einem anderen darzustellen. Damit wird die Ursache-Wirkungs-Beziehung dargestellt. Jede hypothetische Beziehung verwendet einen Freiheitsgrad. Das Modell kann rekursiv oder nicht rekursiv sein.
Untersuchung der strukturellen Modellvalidität: Im letzten Schritt untersucht ein Forscher die strukturelle Modellvalidität. Ein Modell gilt als gut angepasst, wenn der Wert des Chi-Quadrat-Tests nicht signifikant ist und mindestens ein inkrementeller Anpassungsindex (wie CFI, GFI, TLI, AGFI, etc.) und ein Index für die schlechte Anpassung (wie RMR, RMSEA, SRMR, etc.) die vorgegebenen Kriterien erfüllen.
Ressourcen
Bentler, P. M., & Chou, C. -P. (1987). Practical issues in structural modeling. Sociological Methods & Research, 16(1), 78-117.
Bollen, K. A. (1989). Strukturgleichungen mit latenten Variablen. New York: John Wiley & Sons. Ansicht
Hatcher, L. (1994). A step-by-step approach to using the SAS system for factor analysis and structural equation modeling. Cary, NC: SAS Institute.
Hoyle, R. H. (Ed.). (1995). Structural Equation Modeling: Concepts, issues, and applications. Thousand Oaks, CA: Sage Publications.
Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). New York: Guilford Press. Ansicht
Lee, S. (2007). Structural Equation Modeling: A Bayesian approach. New York: John Wiley & Sons. Ansicht
Maruyama, G. M. (1998). Basics of structural equation modeling. Thousand Oaks, CA: Sage Publications. Ansicht
Mulaik, S. A., & Millsap, R. E. (2000). Den Vierschritt richtig machen. Structural Equation Modeling, 7(1), 36-73.
Raykov, T. (2000). On the large-sample bias, variance, and mean squared error of the conventional noncentrality parameter estimator of covariance structure models. Structural Equation Modeling, 7(3), 431-441.
Schumacker, R. E. (2002). Latent variable interaction modeling. Structural Equation Modeling, 9(1), 40-54.
Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2nd ed.). London: Routledge. Ansicht
Shipley, B. (2000). Cause and correlation in Biology: A user’s guide to path analysis, structural equations and causal inference. Cambridge, UK: Cambridge University Press. Ansicht
Verwandte Seiten:
Pfadanalyse
Durchführen und Interpretieren einer Faktorenanalyse