Upload
abuo
View
99
Download
8
Embed Size (px)
DESCRIPTION
ok
Citation preview
Institut fr Soziologie
Dr. Oliver Arrnz Becker
k l h d ll
Dr. Oliver Arrnz Becker
LineareStrukturgleichungsmodelle:EineEinfhrungunterVerwendungvonMPlus
Stand: November 2011Stand:November2011
1O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
TheoretischmethodischerTheoretischmethodischerHintergrundg
2O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Was ist SEM?WasistSEM?
SEM l i d li SEM:structural equation modeling(Strukturgleichungsmodelle),vgl.Reinecke2005,Backhaus et al 2005Backhausetal.2005
KlassevonVerfahrenzurModellierungvonKausalmodellen mit direkten und indirektenKausalmodellen mitdirektenundindirektenEffekten dabei Bercksichtigung von beobachtbaren und latenten dabeiBercksichtigungvonbeobachtbarenundlatentenGren(auchsimultan)
ParallelweltzuRegressionsanalysen(z.B.EDA,MLM) Analysebasis:VarianzKovarianzMatrizen(d.h.keinefallweisenInformationennotwendig)
3O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
KovarianzKovarianz Die Formel fr die Kovarianz lautet:
1cov( )1
n
i ii
x x y yxy
n
in die Summe gehen gleichsinnige Abweichungen von X und Y von den jeweiligen Mittelwerten (Quadranten I und II) mit positivem Vorzeichen, gegensinnige (Quadranten III und IV) mit negativem Vorzeichen ein
y
IIII
1n d.h. die Kovarianz ist invariant gegenber einer Verschiebung der (gesamten) Punktewolke (z.B. durch Addition / Subtraktion einer Konstante)
Relativierung an der Stichprobengre (Nenner)IIII
- 0ix x - 0iy y
- 0iy y y
II IV
- 0ix x
xx 4O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Das Prinzip statistischer Modellierung mittels SEMDasPrinzipstatistischerModellierungmittelsSEM
Theorie
D t i d Modelltest /
Realitt Daten Modell
DatengenerierenderProzess
Modelltest/Modellrevision
Quelle: Khnel, S. (2004). Einfhrung in lineare Strukturgleichungsmodelle mit LISREL ( f ) f G
5O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
(Prsentationsfolien). Wiederabdruck mit freundlicher Genehmigung des Autors.
Einsatzmglichkeiten fr SEMEinsatzmglichkeitenfrSEM
I. RelationenzwischenmanifestenKonstruktenzwecksHypothesenprfung Strukturmodelle:Pfadanalyse
II. RelationenzwischenbeobachtbarenIndikatorenundlatentenKonstrukten(Faktoren) Messmodelle:konfirmatorischeFaktorenanalysen(CFA)
III. simultaneModellierungvonMess undPfadmodellen vollstndigeStrukturgleichungsmodelle
6O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mess und StrukturmodellMess undStrukturmodell
Quelle: Backhaus et al. (2005)
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 7
Methodische Strken von SEMMethodischeStrkenvonSEM
simultaneModellierungmehrererabhngigerVariablenmglichg
grndlichetheoretischeVorberlegungennotwendig (konfirmatorischer Charakter)notwendig(konfirmatorischer Charakter)
statistischerTestvermittelterEffekte(Mediation)
einfacher und angemessener Umgang mit einfacherundangemessenerUmgangmitfehlendenWerten
8O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Vorgehen in der AnwendungVorgeheninderAnwendung
1. Modellspezifikationundidentifikation
FestlegungderFreiheitsgrade
2. Modellschtzung
3. PrfungdesModellfits
4 I t t ti d K ffi i t4. InterpretationderKoeffizienten
9O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Ausgangspunkt: lineare RegressionAusgangspunkt:lineareRegression
LineareRegressionsgleichungeinerabhngigenVariableY1 aufdrei erklrende Variablen (X X ):X1 dreierklrendeVariablen(X1 X3):Y1 =0 +1X1+2X2+3X3+ 1Y1
1
X2
12 1
d.h.dieabhngigeVariableY1wirdalslineareFunktionder
3X3 0
(Konstante) erklrendenVariablen(Prdiktoren)X1bisX3unddesFehlers modelliert
(Konstante)
vgl. Khnel (2004)
Fehlers1 modelliert Basis:Einzelfallinformationen
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 10
SEM:1.Modellspezifikation(Pfadmodelle)
DarstellungmittelsRegressionsgleichungen:
DarstellungalsPfadmodell:
X Y2X1 Y1 =Y1X1X1 +Y1X2X2 +1X1Y1 Y2
Y2X1
Y1X2Y1X1 Y2Y1
Nomenklatur (vgl. Backhaus et al. 2005):
Y2 =Y2Y1X1 +Y2X2X2+Y2X1Y1 +2X21 2
Y2X2Y1X2
Nomenklatur(vgl.Backhausetal.2005):1. X1/X2 heienexogene(unabhngige)Variablen2. Y1/Y2 heienendogene(abhngige)Variablen
ZwischenallenexogenenVariablenwerdenstandardmigKorrelationeng gangenommenundgeschtzt.
AllegerichtetenEffekteaufendogeneVariablenundalleungerichtetenZusammenhngezwischenendogenenVariablenmssenexplizit
f d !spezifiziertwerden!
11O.Arrnz Becker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Ein inhaltliches BeispielEininhaltlichesBeispiel premarital
variables alternativeattractions
social and personalresources
satisfaction with life style
marital quality
marital stability
external pressure toremain married
rewards from spousalinteraction
konstruktiver Konfliktstil
Quelle: vereinfacht nach Lewis & Spanier (1979: 289)
Konfliktstil
Konfliktscore
Partnerschafts-zufriedenheit
Partnerschafts-stabilitt
Konfliktscore
12O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Derkonfirmatorische CharaktervonPfadmodellen/SEM
konstruktiver Konfliktstil
Partnerschafts PartnerschaftsModell ariante 1
Konfliktscore
Partnerschafts-zufriedenheit
Partnerschafts-stabilitt
Modellvariante 1 (rekursiv):
M d ll i t 2
konstruktiver Konfliktstil
Partnerschafts-zufriedenheit
Modellvariante 2 (nicht-rekursiv):
Konfliktscore Partnerschafts-stabilittstabilitt
Die Entscheidung ber die korrekte Modellvariante liegt allein beim Anwender!
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 13
Anzahl der ModellparameterAnzahlderModellparameterinhaltliches Beispiel:
X1
Y1 Y2Y1X1 Y2Y1
konstruktiver Konfliktstil
Partnerschafts-f i d h it
Partnerschafts-t bilitt
X21 2
Y2X2Y1X2
Konfliktscore
zufriedenheit stabilitt
ParameterimobigenModell:1 empirisch gegeben: vier Varianzen (x1 x2 y1 y2) und1. empirischgegeben:vierVarianzen(x1,x2, y1,y2)und
insgesamt4*(41)/2=6Kovarianzen,also10Parameter2. Schtzung:zweiVarianzen(x1,x2),zweiResidualg ( 1, 2),
varianzen (y1*y2),eineKovarianz(x1*x2),undfnfRegressionsgewichte(Y1X1,Y1X2,Y2X1,Y2X2,Y2Y1),also10Parameter
14O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
ModellidentifikationModellidentifikation
Id ifik i B i ll i h d Identifikation:BereitstellungausreichenderempirischerInformation,umalleunbekanntenParameter im Modell schtzen zu knnen (abhngigParameterimModellschtzenzuknnen(abhngigvonderModellspezifikation)
t Regel: Anzahl der zu schtzenden ( freien) tRegel:Anzahlderzuschtzenden(freien )Parameter(t)musskleinerseinalsdieAnzahlempirisch gegebener Varianzen und Kovarianzen:empirischgegebenerVarianzenundKovarianzen:t
Warum 1/2 (m)(m+1)?Warum1/2(m)(m+1)?2 2X1 X2 Y1 Y2
X1 var(X1)
X2 cov(X1 X2) var(X2)X2 cov(X1,X2) var(X2)
Y1 cov(X1,Y1) cov(X2,Y1) var(Y1)
Y2 cov(X1,Y2) cov(X2,Y2) cov(Y1,Y2) var(Y2)
Die Gesamtanzahl der Varianzen und Kovarianzen ergibt sich stetsDie Gesamtanzahl der Varianzen und Kovarianzen ergibt sich stets
aus der Formel p=1/2 (m)(m+1)
i B i i l it i V i bl 1/2*4*5 10 im Beispiel mit vier Variablen: p = 1/2*4*5=10
16O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Bestimmung der FreiheitsgradeBestimmungderFreiheitsgrade B h d F ih it d df 1/2 ( )( +1) t BerechnungderFreiheitsgrade:df =1/2(m)(m+1) t
sollte insbesonderebeikomplexenModellen routinemigerfolgen! HierknnenempirischdreiFlleauftreten:
1. t>1/2(m)(m+1) unteridentifiziertesModellmitnegativenFreiheitsgraden(nichtschtzbar,AusgabeeinerFehlermeldung)
2 t = 1/2 (m)(m+1)2. t=1/2(m)(m+1) df=0(genauidentifiziertesbzw.saturiertesModell):schtzbar,aberkeineBeurteilungdesModellfits mglich!
3. t
Vorgehen in der AnwendungVorgeheninderAnwendung
1. Modellspezifikation
2. Modellschtzung
3. PrfungdesModellfits
4. InterpretationderKoeffizienten
18O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
2 Iterative Modellschtzung2.IterativeModellschtzungBeobachtete Stichprobenmomente (also Varianzen und Kovarianzen) alsBeobachteteStichprobenmomente(alsoVarianzenundKovarianzen)als
konsistenteSchtzerderPopulationsmomente
1.SchtzungderunbekanntenModellparameter(z.B.
Regressionskoeffizienten),gegebendieModellstruktur(=MustervonRestriktionen)
2.BerechnungdermodellimpliziertenVarianzenundKovarianzen(ggf.auchMittelwerte),gegebendieModellstrukturunddieimvorherigenSchritt
r
P
r
o
z
e
s
s
) g g ggeschtztenParameter(=fittedmoments)
3 Vergleich von beobachteten und modellimplizierten Varianzen und
i
t
e
r
a
t
i
v
e
3.VergleichvonbeobachtetenundmodellimpliziertenVarianzenundKovarianzenzurBeurteilungderModellanpassung(=bereinstimmungvon
ModellundDaten)
Q ll Kh l S (2004) Ei fh i li St kt l i h d ll it LISREL
19O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Quelle: Khnel, S. (2004). Einfhrung in lineare Strukturgleichungsmodelle mit LISREL (Prsentationsfolien). Wiederabdruck mit freundlicher Genehmigung des Autors.
Allgemeines SchtzprinzipAllgemeinesSchtzprinzip
f h ll B h Pf dk ffi i t frher:manuelleBerechnungvonPfadkoeffizientenausmehrerenRegressionsmodellen
iterative Modellschtzung: In mehreren Durchlufen iterativeModellschtzung:InmehrerenDurchlufenwerdendiegesuchtenEffektesobestimmt,dassdieaufBasisderModellparametergeschtztenVarianzenundKovarianzen(S)bestmglichmitdenempirischbeobachtetenVarianzenundkovarianzen() bereinstimmen (vgl Reinecke 2005: 107ff)()bereinstimmen(vgl.Reinecke2005:107ff) BestimmungderDiskrepanzfunktion F(S)min.
Unterschiedliche Schtzmethoden (z.B. ML, GLS,UnterschiedlicheSchtzmethoden(z.B.ML,GLS,WLS)basierenaufverschiedenenDiskrepanzfunktionen (vgl.Reinecke2005:109ff)
20O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Vorgehen in der AnwendungVorgeheninderAnwendung
1. Modellspezifikation
2. Modellschtzung
3. PrfungdesModellfits
4. InterpretationderKoeffizienten
21O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Beurteilung der Modellgte mittels BeurteilungderModellgtemittels T t f Ab i h i h i i h d TestaufAbweichungenzwischenempirischerund
modellimplizierterKovarianzmatrix (vgl.Reinecke2005:116ff)) gleichzeitigTestdervorgenommenenRestriktionen Achtung:umgekehrteTestlogik(NullhypotheseistW hh th )!Wunschhypothese)!
d.h.einsignifikanteszeigtschlechtenFitan! teils gravierende Probleme von :teilsgravierendeProblemevon :
mitStichprobengresteigendeTeststrke beigroenStichproben(N~1000)reagiertselbstaufminimaleAb i hAbweichungen
berschtzungvonbeiNichtnormalverteilungderVariablen(Abhilfe:robusteSchtzer,z.B.MLR)( , )
22O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
ModellvergleicheModellvergleicheb di M d ll t ( B ) k h M d ll berdieModellgte(z.B.)knnenmehrereModellvariantenverglichenwerden (vgl.Reinecke2005:123ff)
Voraussetzung fr Modellvergleiche auf Basis von :VoraussetzungfrModellvergleicheaufBasisvon :hierarchischeModelle hierarchischeModelle:bestehenausdenselbenVariablen,
h d h ll d d lunterscheidensichallerdingsindenangelegtenRestriktionen(z.B.zuschtzendePfade)
bei Einfhrung von Restriktionen: Anstieg in beiEinfhrungvonRestriktionen:Anstiegin AlternativebeinichthierarchischenModellen:AIC/BIC
TestaufsignifikanteVerschlechterung: Prfgre:=restriktivesModell AusgangsmodellFreiheitsgrade:df =dfrestriktives Modell dfAusgangsmodell
23O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Weitere FitindizesWeitereFitindizesG G / lGtemae Grenzwert/Daumenregel
RMSEA(root mean square error ofapproximation):Abweichungzwischen
RMSEA.95
Problem:FitindizessindzwarweitgehendrobustgegenberderStichprobengre,erlaubenaberdafrkeinen inferenzstatistischen Test(Ausnahme:RMSEA)
Achtung:JenachgewhlterSchtzmethodegibtMplus nurbestimmte(oderauchgarkeine)Fitindizesaus
24O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Vorgehen in der AnwendungVorgeheninderAnwendung
1. Modellspezifikation
2. Modellschtzung
3. PrfungdesModellfits
4. InterpretationderKoeffizienten
25O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
ErgebnisinterpretationErgebnisinterpretationB i b id tifi i t M d ll ilt BeiberidentifiziertenModellengilt:DieSchtzerfrdieModellparametersolltennurdann interpretiert werden wenn das Modelldanninterpretiertwerden,wenndasModelleinenausreichendenFitaufweist!
Die Interpretation von RegressionsgewichtenDieInterpretationvonRegressionsgewichtenerfolgtanalogzurklassischenlinearenRegression standardisierteundunstandardisierte LsungengknneninMplus angefordertwerden
meistvollstandardisierteLsung(STDXY)vonInteresse ZustzlichknnenAnteileaufgeklrterVarianz(Output:R)interpretiertwerden
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 26
I.Pfadmodelle
27O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PfadmodelleaufBasisvon(Ko)Varianzstrukturen
Zi l b f Z h Ziel:berprfungvonZusammenhngenzwischenbeobachtetenVariablen
d h keine Modellierung der Messfehler d.h.keineModellierungderMessfehler Konsequenz:potentielleUnter oderberschtzungvonEffekten(vgl.Bollen1989:151ff)( g )
Basis:(Ko)VarianzmatrixderSkalenscoreVariablen technischesVorgehen:g
1. AggregationvonIndikatorenzuScores (SPSS)bzw.SpeichernvonFaktorwerten
2. dann:weitereBerechnungenaufBasisdieserScorevariablen (Mplus)
28O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PfadmodellePfadmodelle
konstruktiver Konfliktstil
Partnerschafts-f i d h it
Partnerschafts-t bilitt
Konfliktscore
zufriedenheit stabilitt
DieSchtzungsolcherModellegehtberdieMglichkeiteneinfacherRegressionstechnikenhinaus: mehralseineAV(bzw.endogeneVariable),alsomehreresimultaneGleichungen
Test vermittelter EffekteTestvermittelterEffekte Achtung:Pfadmodellelsen(genauwieRegressionsrechnung allgemein)nicht dieProblemebeimNachweiskausaler Effekte!kausalerEffekte!
29O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Besonderheitenderkovarianzstrukturbasierten Pfadanalyse
Unterschiede zur blichen OLS RegressionUnterschiedezurblichenOLSRegression:MaximumLikelihoodSchtzung(ML)anstellederKleinsteQuadrateMethode(aber:identische(SchtzergebnissebeieinfachenundmultiplenRegressionsmodellen)Vorteil: besondere Mglichkeiten des Umgangs mitVorteil:besondereMglichkeitendesUmgangsmitfehlendenWerten(z.B.mittelsfull informationmaximum likelihood,FIML)Mglichkeit einer simultanen Analyse mehrererMglichkeiteinersimultanenAnalysemehrererabhngigerVariablen(z.B.zurVermeidungeinerKumulationdesAlphaFehlers)Ausgabe diverser Modellfitindizes zur Beurteilung derAusgabediverserModellfitindizeszurBeurteilungderPassungdesGesamtmodellszudenempirischenDaten
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 30
einRechenbeispiel
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 31
RechenregelnfrVarianzenundKovarianzen
SEM b i f i i h V i d SEMbasierenaufempirischenVarianzenundKovarianzenzwischendenmodelliertenVariablen (X,Y): Kovarianz zwischen X und Y, (X) = Varianz von X(X,Y):KovarianzzwischenXundY, (X) VarianzvonX
WiefrnormaleZahlengibtesauchRechenregelnfrVarianzenundKovarianzen,z.B. DieVarianzistgleichderKovarianzeinerVariablenmitsichselbst(X)=(X,X)
Regressionsgewicht b = cov(x y)/var(x) Regressionsgewichtbyx =cov(x,y)/var(x) vgl.VorlesungStatistik DarberhinausgibtesnochweitereRechenregeln(diewirunsaberhierersparen),vgl.imDetailKhnel(2004)
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 32
1.SchtzungderModellparameterausderVarianz/Kovarianzmatrix
B i i l ( l Kh l 2004)
Daten:(n=2004)Stabilitt
Beispiel(vgl.Khnel2004):konstruktivesKonfliktverhalten Partnerschaftszufriedenheit subjektiveStabilitt
( )StabilittZufried Konstruktivitt
Stabilitt 1.851Zufried 0.714 1.877
Konstr.(X1)
Stabilitt(Y2)
X1 =?
Y2 = ?
Y2Y1 = ?
X1 =2(Konstruktivitt)istbeobachtetals0.985; s Regel 2 auf der vorangehenden Folie:
Konstrukt.0.278 0.531 0.985Zufried(Y1)
Y1X1 = ? Y1 =?
s.Regel2aufdervorangehendenFolie:Y1X1=(Konstruktivitt,Zufriedenheit)/2(Konstruktivitt)=0.531/0.985=0.539;
Da2(Zufried)=Y1X12 2(Konstruktivitt)+2(Resid(Zufried))=Y1X1 2 X1+Y1 Y1 = 2(Zufriedenheit) Y1X12 2(Konstruktivitt) = 1.877 0.5392 0.985 = 1.591; Y1 (Zufriedenheit) Y1X1 (Konstruktivitt) 1.877 0.539 0.985 1.591;
Da(Zufriedenheit, Stabilitt)=Y2Y1 2(Zufriedenheit)Y2Y1 =(Zufriedenheit, Stabilitt)/2(Zufriedenheit)=0.714/1.877=0.380;
Da2(Stabilitt)=Y2Y12 2(Zufried)+2(Resid(Stabilitt))=Y2Y12 2(Zufried)+Y2Y2Y1 Y2Y1 Y2 Y2 =2(Stabilitt) Y2Y12 2(Zufriedenheit)=1.851 0.3802 1.877=1.580.
33O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
2.Berechnungdermodellimplizierten(geschtzten)(Ko)Varianzen
St bilitt
Konstr.(X1)
Stabilitt(Y2)
X1 = 0.985
=Y2Y1 = 0. 380
Y2 = 1.580 ImplizierteVarianzenundKovarianzen:StabilittZufried. Konstr.
Stabilitt 1.851Zufried.
(Y1)
Y1X1 = 0. 539 Y1 = 1.591 Zufried 0.714 1.877Konstrukt.0.202 0.531 0.985
zweiBerechnungsbeispiele:1. (Zufried)= (Y1X1 Konstr +(Zufried),Y1X1 Konstr +(Zufried)) ( ) + 2 =Y1X1 Konstr + (Zufried)+2 Y1X1(Konstr, Zufried)
=Y1X1 X1 +Y1 +2 Y1X10=.539 .985+1.591=1.877
2. (Konstr, Stab) = (Konstr,Y1X1 Zufried +(Stabilitt))=Y1X1 (Konstr,Zufried)+ (Konstr,(Stabilitt)) (K t Z f i d) 0 380 531 202= Y1X1 (Konstr,Zufried)+0=.380 .531=.202
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 34
3.Vergleichderempirischenundmodellimplizierten(Ko)Varianzmatrix
G ht t V i d K iB b ht t V i d K i GeschtzteVarianzenundKovarianzen:
Stabilitt Zufried. KonstruktivittStab 1 851
BeobachteteVarianzenundKovarianzen:(n=2004)
Stabilitt Zufried Konstrukt.Stabilitt 1 851 Stab. 1.851
Zufried 0.714 1.877Konstr. 0.202 0.531 0.985
Stabilitt 1.851Zufried 0.714 1.877Konstrukt. 0.278 0.531 0.985
Residual(ko)varianzen: Stabilitt
Stabilitt Zufried. Konstr.Stabilitt 0.000Z f i d 0 000 0 000
Konstr.(X1)
(Y2)
Z f i dZufried 0.000 0.000Konstr. 0.076 0.000 0.000
35O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Zufried.(Y1)
Praxisteil
PfadmodellePfadmodelle
36O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Allgemeines zur Mplus SyntaxAllgemeineszurMplusSyntaxd h l d b h l h Grundschema:Gliederungin6Abschnittemitjeweilszugehrigen
Befehlen:TITLE: eigenerBeschreibungstextzurAnalyseDATA: SpezifikationderDatendateiVARIABLE: FestlegungvonVariablennamen,Missings etc.(DEFINE: optional: Umcodierungen )(DEFINE: optional:Umcodierungen)ANALYSIS: SpezifikationdesSchtzverfahrensMODEL: Modellspezifikation,Beispiele:
AV ON UV1 UV2; EffekteFaktor BY X1 X2; FaktorladungenV1 WITH V2 V3; (Residual)KorrelationenV1 WITH V2 V3; (Residual )Korrelationen
OUTPUT: Ausgabeoptionen Befehlsabschluss:; Kommentarzeichen:!
37O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
bernahmevonDateninMplus(SPSS),vgl.Geiser2009
1 V b it U di ll ( h1. Vorbereitung:Umcodierung aller(auchsystembedingten)missings ineinenfehlendenWert (z B 999):Wert(z.B. 999):RECODE ALL (SYSMIS,MISSING=-999).EXECUTE.
2. Datenexport:SAVE TRANSLATE OUTFILE='D:\dateiname.dat'
/KEEP [V i bl ]/KEEP [Variablen]/TEXTOPTIONS DECIMAL=DOT/TYPE=TAB /MAP /REPLACE.
3. ggf.ErsetzenderDezimalzeichen(KommadurchPunkt)inderTextdatei,z.B.mitWord
38O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
bernahme von Daten in Mplus (Stata)bernahmevonDateninMplus (Stata)
1 b i di ll ( h1. Vorbereitung:Umcodierung aller(auchsystembedingten)missings ineinenfehlendenW t ( B 999)Wert(z.B.999):recode _all (.=-999)
2 D t t2. Datenexport:keep [Variablen]order [Variablen]order [Variablen]outfile _all using dateiname.dat, nolabel noquotereplace
3. ggf.ErsetzenderDezimalzeichen(KommadurchPunkt)inderTextdatei,z.B.mitWord
39O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Pfadanalyse: Mplus SyntaxPfadanalyse:MplusSyntaxTITLE Pfadanal se Paarkomm nikationTITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm.dat;
LISTWISE=ON; erst ab v5.0 erlaubt!VARIABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konfl1
konfl2 konfl3 konfl4 konfl5 pz1 pz2 pz3 stab1 stab2 stab3 stab4 stab5kkv konflikt pz ps;USEVARIABLES ARE kkv konflikt pz ps;MISSING IS ALL (-999);( );
ANALYSIS: ESTIMATOR=ML;MODEL: ps ON kkv konflikt pz;
pz ON kkv konflikt;pz ON kkv konflikt;OUTPUT: SAMPSTAT STANDARDIZED;
40O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Pfadanalyse:MplusOutput(Deskription)
SAMPLE STATISTICSMeans
PZ PS KKV KONFLIKT________ ________ ________ ________
1 8 541 4 091 4 833 2 7811 8.541 4.091 4.833 2.781
CovariancesPZ PS KKV KONFLIKT________ ________ ________ ________
PZ 1.877PS 0.714 1.851KKV 0.531 0.278 0.985KONFLIKT -1.060 -0.874 -0.519 2.842
CorrelationsCorrelationsPZ PS KKV KONFLIKT________ ________ ________ ________
PZ 1.000PS 0.383 1.000KKV 0.391 0.206 1.000KONFLIKT -0.459 -0.381 -0.310 1.000
41O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Pfadanalyse:MplusOutput(Modellfit)
TESTS OF MODEL FITTESTS OF MODEL FIT
Chi-Square Test of Model Fit
V l 0 000Value 0.000Degrees of Freedom 0P-Value 0.0000
CFI/TLI
CFI 1.000TLI 1.000
RMSEA (Root Mean Square Error Of Approximation)
Estimate 0.00090 Percent C.I. 0.000 0.000Probability RMSEA
Pfadanalyse:MplusOutput(Modellkoeffizienten)
STANDARDIZED MODEL RESULTS (STDYX Standardization)Two-Tailed
Estimate S.E. Est./S.E. P-ValuePS ON
KKV 0 027 0 022 1 239 0 215KKV 0.027 0.022 1.239 0.215KONFLIKT -0.255 0.022 -11.478 0.000PZ 0.255 0.023 11.104 0.000
PZ ONKKV 0.275 0.019 14.167 0.000KONFLIKT -0.374 0.019 -19.899 0.000
InterceptsPZ 5.514 0.153 36.115 0.000PS 1.703 0.183 9.297 0.000
R-SQUAREObserved Two-TailedVariable Estimate S.E. Est./S.E. P-ValuePZ 0.279 0.017 16.387 0.000PS 0.201 0.016 12.543 0.000 43O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
ErgebnissederPfadanalyse:DarstellungalsDiagramm
.03konstruktiver
Konfliktstil
.28**
-.37**
.26**-.31**
Partnerschafts-zufriedenheit
Partnerschafts-stabilitt
-.26**Konfliktscore
PfaddiagrammewerdenvonMplus nichtausgegeben und mssen daher von Hand (z BausgegebenundmssendahervonHand(z.B.mitWord)gezeichnetwerden.
44O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Techniken derTechnikenderDrittvariablenkontrolle
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 45
Arten des Einflusses von DrittvariablenArtendesEinflussesvonDrittvariablen
Pi i tik l B & K (1986) PionierartikelvonBaron&Kenny(1986):1. vermittelterEffekt:ZustandekommeneinesEffekts;
Untersuchung mittels Kontrolle von DrittvariablenUntersuchungmittelsKontrollevonDrittvariablenMediation/Suppression empirischerHinweis:Vernderungeines
R i i ht b i Hi h D itt i blRegressionsgewichtsbeiHinzunahme vonDrittvariablen2. Moderatoreffekt (Frazieretal.2004):systematische
bedingte VariationeinesEffekts beiunterschiedlichengAusprgungenderDrittvariable(=Wechselwirkung) empirischerHinweis:z.B.unerwarteterNulleffekt
f h th ti h A h ( B S t ff l ggf.auchtheoretischeAnnahmen(z.B.SauerstoffmangelbeeintrchtigtdasReaktionsvermgenbeiBergsteigernwenigeralsbeiNichtBergsteigern)
46O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
TestvermittelterEffekte
47O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Bivariate und multiple RegressionBivariateundmultipleRegression
unabhngige abhngige bivariatesRegressionsmodell:
Variable1(X1) Variable(Y)
multiples Regressionsmodell: h i ilt
YX
multiplesRegressionsmodell:
unabhngigeVariable 1 (X )
nahezuimmergilt:YX YX
unabhngige abhngige
YXVariable1(X1)
YX2
Variable2(X2) Variable(Y)
unabhngige
YX3
Prinzip der hierarchischen Regression: Prfung aufg gVariable3(X3)
48
PrinzipderhierarchischenRegression:PrfungaufVernderungeinesfokalenEffektsnachHinzunahme vonKontrollvariablen(YX YX)
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
NachteilederhierarchischenRegressionbeiderPrfungvonindirektenEffektenk i fl ibl d d1.keinflexiblerTestdesAusmaesderVernderungdesfokalenEffektsmglich
2.MediationundSuppressionknnensichgegenseitigneutralisieren(=keineg g g (VernderungdesfokalenEffekts) Empfehlung: mglichst nur eine Drittvariable proEmpfehlung:mglichstnureineDrittvariablepro
Schrittaufnehmen3 Vernderung des fokalen Effekts hngt von3. VernderungdesfokalenEffektshngtvon
derAusgangsspezifikationab
49O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Das Konzept statistischer KontrolleDasKonzeptstatistischerKontrolle Beispiel: Einfluss der Religiositt auf Kinderwunsch
Lebensform:
Beispiel: Einfluss der Religiositt auf Kinderwunsch bivariate Reprsentation ist ber zwei einfache Regressionen mglich
1 KinderwunschLebensform: Ehe1
2
Religiositt
Residuum: Varianz in der Religiositt, die nicht durch die Lebensform erklrt wird
2Dieser Effekt 2 entspricht demgesuchten Regressionsgewicht!
50O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Das Prinzip der EffektzerlegungDasPrinzipderEffektzerlegungEh
inderStandardregressionEhe
(MediatorZ)ZX YZ
nichtsichtbar!
Religiositt(X) Kinderwunsch(Y)
PrinzipderEffektzerlegung:totalerEffektYX(bivariat) bildet sich additiv aus
YX
(bivariat)bildetsichadditivaus1. direktemEffektYX (d.h.unterKontrollevonZ)2. indirektemEffektZX *YZ [=YX YX (OLS)]
Berechnungisteinfach,aber:AbwannistderindirekteEffektsignifikant? inferenzstatistischer Test indirekter Effekte ist mitinferenzstatistischer TestindirekterEffekteistmitspeziellerSoftwaremglich(z.B.Mplus)
51O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mediation und SuppressionMediationundSuppression(a) Beispiele fr Mediation (gleiche Vorzeichen des direkten und des
Mediator
indirekten Effekts) Hinweis: Absinken des Effekts bei Kontrolle desMediators
Prdiktor abhngigeVariable(+) ()
+()
(b) Beispiele fr Suppression (ungleiche Vorzeichen des direkten unddes indirekten Effekts) Hinweis: Anstieg des Effekts bei Kontrolle
Suppressor+(+)
(+)
des indirekten Effekts) Hinweis: Anstieg des Effekts bei Kontrolledes Mediators
Prdiktor abhngigeVariable
(+) (+)
++()
52O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mplus Syntax: indirekte EffekteMplusSyntax:indirekteEffekteTITLE: Pfadanalyse zu PaarkommunikationTITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm.dat;
LISTWISE=ON;VARIABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konfl1 konfl2VARIABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konfl1 konfl2
konfl3 konfl4 konfl5 pz1 pz2 pz3 stab1 stab2 stab3 stab4 stab5 kkv konflikt pz ps;konflikt pz ps;USEVARIABLES ARE kkv konflikt pz ps;MISSING IS ALL (-999);
ANALYSIS: ESTIMATOR=ML;;MODEL: ps ON kkv pz konflikt;
pz ON kkv konflikt;MODEL INDIRECT: ps IND konflikt;
ps IND kkv;OUTPUT: SAMPSTAT STANDARDIZED;
53O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Beispiel: indirekte EffekteBeispiel:indirekteEffekte03konstruktiver
.28**.26**
.03konstruktiver Konfliktstil
Partnerschafts- Partnerschafts-
-.37**
26**
-.31**Partnerschaftszufriedenheit
Partnerschaftsstabilitt
Abgebildet sind standardisierte Koeffizienten (n=2004).
-.26Konfliktscore
AbgebildetsindstandardisierteKoeffizienten(n 2004). DasModellistgesttigt(df=0),daherkannkeinModellfitberechnet
werden. indirekte Effekte:indirekteEffekte:
1. konstruktivesKonfliktverhalten Zufriedenheit Partnerschaftsstabilitt: =.07**2. Konfliktscore Partnerschaftszufriedenheit Partnerschaftsstabilitt: ** =.10**
54O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Pfadmodelle: ModellmodifikationPfadmodelle:Modellmodifikation
konstruktiver Konfliktstil
Partnerschafts-zufriedenheit
1. gesttigtes Modell (df = 0): Es kann kein zustzlicher Pfeil eingetragen werden ohne dass
Konfliktscore Partnerschafts-stabilitt
eingetragen werden, ohne dass eine Variable indirekt auf sich selbst wirkt
konstruktiver K flikt til
Partnerschafts-f i d h it
2. nach Fixierung des direkten Effekts des konstruktiven
Konfliktstil zufriedenheit
Partnerschafts-
Konfliktverhaltens auf die Partnerschaftsstabilitt auf 0 resultiert ein beridentifiziertes M d ll it i F ih it d Konfliktscore PartnerschaftsstabilittModell mit einem Freiheitsgrad (df = 1)
55O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Beispiel: vollstndige MediationBeispiel:vollstndigeMediationkonstruktiver
K flikt til(standardisierte Koeffizienten, n=2004)
.38**.26**
-.31**
Konfliktstil
Partnerschafts-zufriedenheit
Partnerschafts-stabilitt
-.30**
-.21**Konfliktscore
zufriedenheit stabilitt
DurchdieWegnahmedesPfeilsvonKonstruktivitt aufStabilittwirddieAnnahmegetestet,dasseskeinendirektenEffektgibtunddass ihr stabilisierender Effekt vollstndig ber ZufriedenheitdassihrstabilisierenderEffektvollstndigberZufriedenheitvermitteltwird Achtung:Wiemansieht,ndernsichdurchdieangelegteRestriktion
auch andere Effekte!auchandereEffekte! DasModellhateinenFreiheitsgrad,daherkanneinModellfit
berechnetwerden:2(df=1)=1.53,p=.22;CFI=1.00;RMSEA=.016,SRMR=.006SRMR .006 DadasresultierendeModellsparsamerist(undpasst),wirdes
beibehalten 56O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Ein weiteres empirisches BeispielEinweiteresempirischesBeispiel,35**
,30**NEL(Ref.:LAT)
69**
,35
,24**Familiengrndung
Berufs
,69
15** ,13**
g g(Ref.:nein)
West(Ref.:Ost)
Berufsorientierung
Religiositt
Heirat,46**
,15 ,13
,16**Religiositt
LnHH
,20** ,26**
,51**
Einkommen
Lebenszufried ,04*
,21enheit
57O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Test von Moderatoreffekten mitTestvonModeratoreffekten mitMplusp
1. Multiple Gruppenvergleiche1.MultipleGruppenvergleiche
58O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
berblick:GruppenvergleicheinMplus
l i b l1. explorative Subgruppenanalysen:VARIABLE: USEOBSERVATIONS ARE (sex EQ 0/1);
2 l i l G l i h2. multiplerGruppenvergleich:1. imAbschnittVARIABLE:
G O G S (1 2 )VARIABLE: GROUPING IS sex(1=Mann, 2=Frau); Pfadanalyse:Mplus setztstandardmigallePfadeberdieGruppen
frei2. imAbschnittMODEL:MODEL: [Restriktionen ber Gruppen hinweg]MODEL Mann: [spezifische Restriktionen innerhalbMODEL Mann: [spezifische Restriktionen innerhalb
einer Gruppe] vgl.auchBeispiel12.10imHandbuch(S.366)
59O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Multipler GruppenvergleichMultiplerGruppenvergleich
MglichkeitdesVergleichsvonZusammenhngenbermehreredistinktegGruppen(z.B.MnnerundFrauen)
Grundprinzip: Modellvergleich ( Differenz) Grundprinzip:Modellvergleich(Differenz)zwischen1. Grundmodell:allePfadezwischenden
Gruppenfreigesetzt,und2. restriktivemModell:spezifischePfadezwischen
denGruppenaufGleichheitfixiertpp
60O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Differenztest DifferenztestDifft t S B Chi2 l s.DifftestSBChi2.xls
unddf (undbeiESTIMATOR=MLRdenausgegebenen Korrekturfaktor) eintragenausgegebenenKorrekturfaktor)eintragen
,df undzugehrigespwerdenberechnet:
61O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
MehrgruppenvergleichMehrgruppenvergleichM li hk it d V l i h Pf d b MglichkeitdesVergleichsvonPfad bzw.Messmodellen (v.a.Faktoranzahl undladungen)ber mehrere Gruppen (z B Mnner und Frauen)bermehrereGruppen(z.B.MnnerundFrauen) Literatur:factorial /measurement invariance(Vandenberg2000)( g )
Grundprinzip:Modellvergleichzwischen1. Grundmodell:alleEffektebzw.Ladungenzwischeng
denGruppenfreigesetzt,und2. restriktivemModell:Effektebzw.Ladungen(undggf.
Residualvarianzen) jedes Indikators zwischen denResidualvarianzen)jedesIndikatorszwischendenGruppenaufGleichheitfixiert
62O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PraktischesVorgeheninMplus:Gruppenvergleich(I)
BasismodellmitberdieGruppenfreigesetztenPfaden:TITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm dat;DATA: FILE IS komm.dat;VARIABLE: NAMES ARE kkv1 ps;
USEVARIABLES ARE kkv konflikt pz ps;p pMISSING IS ALL (-999);GROUPING IS sex(1=Mann, 2=Frau);
ANALYSIS: ESTIMATOR=MLR;MODEL: ps ON kkv konflikt pz;
pz ON kkv konflikt;pz ON kkv konflikt;OUTPUT: SAMPSTAT STANDARDIZED;
63O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PraktischesVorgeheninMplus:Gruppenvergleich(II)
BasismodellmitgleichgesetztemPfadKonflikte Zufriedenheit:TITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm dat;DATA: FILE IS komm.dat;VARIABLE: NAMES ARE kkv1 ps;
USEVARIABLES ARE kkv konflikt pz ps;p pMISSING IS ALL (-999);GROUPING IS sex(1=Mann, 2=Frau);
ANALYSIS: ESTIMATOR=MLR;MODEL: ps ON kkv konflikt pz;
pz ON kkvpz ON kkvkonflikt(1);
OUTPUT: SAMPSTAT STANDARDIZED;
64O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PraktischesVorgeheninMplus:Gruppenvergleich(III)
Basismodell mit bei Mnnern gleichgesetzten Pfaden (1) KonflikteBasismodellmitbeiMnnerngleichgesetztenPfaden(1)KonflikteZufriedenheitund(2)Konflikte Stabilitt:
TITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm.dat;DATA: FILE IS komm.dat;VARIABLE: NAMES ARE kkv1 ps;
USEVARIABLES ARE kkv konflikt pz ps;MISSING IS ALL (-999);GROUPING IS sex(1=Mann, 2=Frau);
ANALYSIS: ESTIMATOR=MLR;MODEL: ps ON kkv konflikt pz;
O kkpz ON kkvkonflikt;
MODEL Mann: ps ON konflikt(1) kkv pz;kkv pz;pz ON kkvkonflikt(1);
OUTPUT: SAMPSTAT STANDARDIZED;
65O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Test von Moderatoreffekten mitTestvonModeratoreffekten mitMplusp
2. Bildung von Interaktionstermen2.BildungvonInteraktionstermen
66O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
PraktischesVorgeheninMplus:BildungvonInteraktionstermen
f d l k ik iTITLE: Pfadanalyse zu PaarkommunikationDATA: FILE IS komm.dat;VARIABLE: NAMES ARE kkv1 ps;VARIABLE: NAMES ARE kkv1 ps;
USEVARIABLES ARE kkv pz ps c_sex c_konfsexXkonf;MISSING IS ALL (-999);
DEFINE: c_konf=konflikt-3.5;!Zentrierungc sex=sex 1;!Geschlecht 0/1 codierenc_sex=sex-1;!Geschlecht 0/1 codierensexXkonf=c_sex*c_konf;!Interaktionsterm
ANALYSIS: ESTIMATOR=MLR;MODEL: ps ON kkv pz c_konf c_sex;
pz ON kkv c_konf c_sex sexXkonf;OUTPUT: SAMPSTAT STANDARDIZED;
67O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Interpretation von WechselwirkungenInterpretationvonWechselwirkungen
I t kti ff kt V d d b di t Eff kt i Interaktionseffekt:VernderungdesbedingtenEffektseinerVariablen,wenndieandereVariableumeineEinheitsteigt(metrisch)bzw.dieAusprgungdernichtReferenzkategorieannimmtannimmt
Aiken&West(1996):EinfacheEffektederbeidenKomponenteninnichtadditivenModellenmitInteraktionseffektensindkeinenormalen Haupteffekte wie in der Regressionnormalen HaupteffektewieinderRegression stattdessen:bedingterEffekt dereinenVariable,wenndieandere
VariabledieAusprgung0aufweistbei Zentrierung: bedingter Effekt bei mittlerer Ausprgung der beiZentrierung:bedingterEffektbeimittlererAusprgungderanderenVariable
immerunstandardisierte Koeffizienteninterpretieren(vgl.Whisman &McClelland 2005) entspricht bei zstandardisierten VariablenMcClelland 2005) entsprichtbeiz standardisiertenVariablenstandardisiertenEffekten
68O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
II KonfirmatorischeII.KonfirmatorischeFaktorenanalyse(CFA)y ( )
69O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
ExploratorischeundkonfirmatorischeFaktorenanalyse
EFA CFADatenbasis Korrelationsmatrix i.d.R. Varianz-Kovarianz-Matrix
F kt l dFaktorladungen beliebig meist Einfachstruktur
Faktoranzahl Vorgabe oder post hoc-Kriterium Vorgabe aufgrund theoretischer berlegungen
Faktorinterkorrelation unabhngig oder korreliert (Rotation) meist korreliert (Orthogonalittper Restriktion mglich)
Modellfit Varianzaufklrung Fitindizes als Gtemae( Test auf Einfachstruktur)( Test auf Einfachstruktur)Messannahmen nicht prfbar prfbar ber Restriktionen
b i kl i h FA h h ( B ausreichendes N (bei groen Stichproben (N 1000): kaum
Voraussetzungen bei klassischer FA hoch (z.B. metrisches Skalenniveau, Verteilungsannahmen)
Stichproben (N~1000): kaum Voraussetzungen)
mind. 2-3 Indikatoren pro Faktor wg. Identifizierbarkeit
70O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Bestimmung der Messgleichungen InderCFAwerdenbeobachtete,abhngigeVariablen(Indikatoren)durchlatenteVariablen (Faktoren) erklrt (vgl. Khnel 2004)
BestimmungderMessgleichungenVariablen(Faktoren)erklrt (vgl.Khnel2004)
Annahme:EinlatentesPersonmerkmal (z.B.Einstellung)bedingtdieBeantwortungvonItems.GrafischeDarstellungalsPfadmodell: Modellgleichungen:g f g g
x1 =11F1 +1x2 =21F1 +2
x1F1
11
1 x3 =32F2 +3
x4 =42F2 +4x5 = 53F3 + 5
x2
x3F2
2132
23
x5 =53 F3 +5x6 =64F4 +6Zusammengefasst:
x4
x5
F24253
45
X=F+ /E:Epsilon,/:Lambda
x5
x6F3
53
636Achtung: Es sind keine Korrelationen zwischen den Residuen der Indikatoren X1-X6 zugelassen
vgl. Khnel (2004)
71O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Achtung: Es sind keine Korrelationen zwischen den Residuen der Indikatoren X1 X6 zugelassen, d.h. es wird angenommen, dass die latenten Faktoren die Inter-Item-Korrelationen vollstndig erklren.
Identifikationsregel 1: 3 leg ruleIdentifikationsregel1:3legrule1 21Var=1 Var=1 1 2
oder =1
Var 1
oder=1x1 x2x1 x2 x3
Quelle: Khnel S (2004) Einfhrung in lineare Strukturgleichungsmodelle mit LISREL
EinMessmodell istidentifiziert,wenn jeder Faktor mindestens drei nur auf ihn ladende Indikatoren hat
Quelle: Khnel, S. (2004). Einfhrung in lineare Strukturgleichungsmodelle mit LISREL (Prsentationsfolien). Wiederabdruck mit freundlicher Genehmigung des Autors.
jederFaktormindestensdreinuraufihnladendeIndikatorenhat, odereinFaktormindestenszweinuraufihnladendeIndikatorenhatundder
FaktormitmindestenseinenanderenFaktormiteinemWertungleichnullk li ikorreliertist,
undwenndieMessfehler unkorreliert sind undwenndieMaeinheitdesFaktorsdurchFestsetzenseinerVarianzoder
einerseinerLadungenidentifiziertist.72O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Identifikationsregel 2: 2 leg ruleIdentifikationsregel2:2legrule
Var=1
X1 X2
1=2Quelle: Khnel, S. (2004). Einfhrung in lineare Strukturgleichungsmodelle mit LISREL (Prsentationsfolien)
Ein Messmodell ist identifiziert wenn
mit LISREL (Prsentationsfolien). Wiederabdruck mit freundlicher Genehmigung des Autors.
EinMessmodell istidentifiziert,wenn jederFaktormindestenszweinuraufihnladendeIndikatorenhatundderenLadungengleichgesetztsind(Tauquivalenz)g g g ( q )
undwenndieMessfehler unkorreliert sind undwenndieMaeinheitdesFaktorsdurchFestsetzenseinerVarianzidentifiziertist.
73O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Zusammenfassung:Identifikationsregeln(CFA)
i d t i b t d i I dik t mindestenszwei,ambestendreiIndikatorenproFaktor
falls nur ein Indikator: Messfehler auf 0 fixieren fallsnureinIndikator:Messfehler auf0fixieren Achtung:EinMessmodell kannauchdannidentifiziertsein,wenndieRegelnderdreioderzweiBeinenicht, gerflltsind(vgl.Bollen1989)
zustzlich:SkalierungeinesFaktorsdurchkMarkeritem
StandardeinstellungvonMplus:FixierungderLadungdes zuerst aufgefhrten Items auf 1 (kann natrlichdeszuerstaufgefhrtenItemsauf1(kannnatrlichgendertwerdenmit*)
alternativ:VarianzdesFaktorsauf1fixieren
74O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Praxisteil
MessmodelleMessmodelle
75O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Beispiel: CFABeispiel:CFACFA k k i kk 1 CFAzukonstruktivemKonfliktverhaltenundKonfliktwahrnehmung
kkv1
kkv2KKVg
TestaufspezifiziertesLadungsmuster(Ei f h k )
kkv3
kkv4
KKV
(Einfachstruktur) d.h.:jederIndikatorldt
immer nur auf einemkonfl1
konfl2immernuraufeinemzugehrigenFaktor! KONFL
konfl2
konfl3
konfl4
konfl5
konfl4
76O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mplus Syntax: CFAMplusSyntax:CFAC k ik iTITLE: CFA zu Paarkommunikation
DATA: FILE IS komm.dat;!LISTWISE=ON; (ab Version5)
VARIABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konfl1 konfl2 konfl3 konfl4 konfl5 pz1 pz2 pz3 stab1 stab2 stab3 stab4 stab5 kkv konflikt pz ps;stab1 stab2 stab3 stab4 stab5 kkv konflikt pz ps;USEVARIABLES ARE kkv1 kkv2 kkv3 kkv4 konfl1 konfl2 konfl3 konfl4 konfl5;
999MISSING IS ALL (-999);ANALYSIS: ESTIMATOR=ML;MODEL: KKV BY kkv1 kkv2 kkv3 kkv4;
KONFL BY konfl1 konfl2 konfl3 konfl4 konfl5;OUTPUT: SAMPSTAT STANDARDIZED;
77O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mplus Output: CFAMplusOutput:CFATHE MODEL ESTIMATION TERMINATED NORMALLY
TESTS OF MODEL FIT Alternativkriterium (hier ebenfalls nichtChi-Square Test of Model Fit
Value 93.608Degrees of Freedom 26P Value 0 0000
(hier ebenfalls nicht erfllt):
22 dfhl ht FitP-Value 0.0000
Chi-Square Test of Model Fit for the Baseline ModelValue 2616.385
schlechter Fit(aber: N=1976!)
Degrees of Freedom 36P-Value 0.0000
CFI/TLICFI 0.974TLI 0.964 exzellenter Fit (> .95)
78O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mplus Output: CFAMplusOutput:CFAInformation Criteria
Akaike (AIC) 71737.257Bayesian (BIC) 71893.745Sample-Size Adjusted BIC 71804.788
AIC / BIC knnen fr Modellvergleiche genutzt werden(n* = (n + 2) / 24)
RMSEA (Root Mean Square Error Of Approximation)
ll t Fit (< 05)
werden
Estimate 0.03690 Percent C.I. 0.029 0.044Probability RMSEA
Mplus Output: CFAMplusOutput:CFAMODEL RESULTS
Two-TailedEstimate S.E. Est./S.E. P-Value
Markieritems wurden durch Mplus auf 1 fixiert (notwendig zur Identifikation)
KKV BYKKV1 1.000 0.000 999.000 999.000KKV2 0.949 0.055 17.134 0.000KKV3 0.808 0.060 13.402 0.000KKV4 0.797 0.061 13.058 0.000
KONFL BYKONFL1 1.000 0.000 999.000 999.000
Faktorladungen
KONFL2 1.628 0.106 15.396 0.000KONFL3 1.617 0.105 15.384 0.000KONFL4 0.906 0.067 13.500 0.000KONFL5 0.994 0.075 13.232 0.000
KONFL WITHKKV -0.460 0.044 -10.396 0.000
Schtzung der Kovarianz (nicht Korrelation, da unstandardisierter Koeffizient) zwischen den beiden Faktoren 80O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
MplusOutput:CFAIntercepts
KKV1 5.144 0.029 174.899 0.000KKV2 5.142 0.029 179.540 0.000KKV3 4.388 0.035 123.718 0.000KKV4 4.669 0.035 131.707 0.000KONFL1 3.186 0.060 53.136 0.000KONFL2 2.787 0.060 46.095 0.000KONFL3 2.976 0.058 51.368 0.000
Test der Item-Mittelwerte auf Unterschied zu 0
KONFL4 2.223 0.048 46.061 0.000KONFL5 2.787 0.056 49.941 0.000
VariancesVarianzen der KKV 0.712 0.059 12.053 0.000KONFL 1.305 0.152 8.566 0.000
R-SQUARE
Varianzen der latenten Faktoren
Observed Two-TailedVariable Estimate S.E. Est./S.E. P-Value
KKV1 0.416 0.029 14.603 0.000KKV2 0.396 0.028 14.242 0.000KKV3 0.187 0.021 8.823 0.000KKV4 0.182 0.021 8.600 0.000KONFL1 0.184 0.019 9.550 0.000
2 0 479 0 024 19 647 0 000
aufgeklrte Varianz in den Indikatoren
KONFL2 0.479 0.024 19.647 0.000KONFL3 0.514 0.025 20.711 0.000KONFL4 0.233 0.021 11.233 0.000KONFL5 0.210 0.020 10.389 0.000
81O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Evaluation von MessmodellenEvaluationvonMessmodellenEi B d h it d CFA b t ht i d EineBesonderheitderCFAbestehtinderMglichkeit,dieQualittvonMessmodellenzutestentesten Sparsamkeit:mglichstwenigezuschtzendeParameter
Psychologie:Bedarfanstrukturellvergleichbaren(parallelen)TestsmitunterschiedlichenItems;auch:Vergleichbarkeit von WiederholungsmessungenVergleichbarkeitvonWiederholungsmessungen(=Paneltauglichkeit)vonInstrumenten
Dies lsst sich mittels EFAMethoden nichtDieslsstsichmittelsEFA Methodennichtbewerkstelligen!
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 82
Typen von MessmodellenTypenvonMessmodellen
zunehmendeRestriktivitt (vgl.Reinecke2005:105ff):)1. beliebigesMessmodell:jederIndikatordarfauf
jedem Faktor laden (entspricht explorativerjedemFaktorladen(entsprichtexplorativerFaktorenanalyse)
83O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Beliebiges MessmodellBeliebigesMessmodellkkv1kkv1
kkv2KKV
Messfehler drfenkorreliert sein(Standardbei Mplus:
Faktoren drfen korrelieren
kkv3
kkv4unkorreliert) Faktorendrfenkorrelieren
konfl1
konfl2
alle Indikatoren drfen auf beiden Faktoren laden
KONFLkonfl2
konfl3
konfl5 alle Indikatoren drfen aufbeiden Faktoren laden
konfl4
konfl5
84O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Typen von MessmodellenTypenvonMessmodellen
zunehmendeRestriktivitt:1. beliebigesMessmodell:jederIndikatordarfaufg j
jedemFaktorladen(entsprichtexplorativerFaktorenanalyse)y )
2. kongenerisch:jederIndikatorldtnuraufeinemzugehrigen FaktorzugehrigenFaktor
85O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Kongenerisches MessmodellKongenerischesMessmodellkkv1
kkv2
kkv3KKV
kkv4
konfl1
KONFLkonfl2
konfl3
konfl5
DerTesteineskongenerischen Messmodells entsprichtdemTestauf
konfl4
Einfachstruktur(simplestructure,Thurstone 1947)
86O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Typen von MessmodellenTypenvonMessmodellen
zunehmendeRestriktivitt:1. beliebigesMessmodell:jederIndikatordarfaufg j
jedemFaktorladen(entsprichtexplorativerFaktorenanalyse)y )
2. kongenerisch:jederIndikatorldtnuraufeinemzugehrigen FaktorzugehrigenFaktor
3. tauquivalent:zustzlichzu2.gleicheFaktorladungen aller Indikatoren pro FaktorFaktorladungen allerIndikatorenproFaktor
87O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Tau quivalentes MessmodellTauquivalentesMessmodellkkv1 a
kkv2
kkv3KKV
aa
kkv3
kkv4
a
konfl1
KONFLkonfl2
bbb KONFL
konfl3
konfl5
bb
bkonfl4
b
88O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Typen von MessmodellenTypenvonMessmodellen
zunehmendeRestriktivitt:1. beliebig:jederIndikatordarfaufjedemFaktorg j j
laden(entsprichtexplorativerFaktorenanalyse)2 kongenerisch: jeder Indikator ldt nur auf einem2. kongenerisch:jederIndikatorldtnuraufeinem
zugehrigenFaktor3 tau quivalent: zustzlich zu 2 gleiche3. tauquivalent:zustzlichzu2.gleiche
Faktorladungen allerIndikatorenproFaktor4 ll l li h 3 l i h F hl i4. parallel:zustzlichzu3.gleicheFehlervarianzen
proFaktor
89O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Paralleles MessmodellParallelesMessmodellkkv1 ac
kkv2
kkv3KKV
aa
c
c kkv3
kkv4
ac
c
konfl1
KONFLkonfl2
bbb
d
d KONFLkonfl3
konfl5
bb
b
d
d
konfl4b
d
90O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
TestderQualittvonMessmodellenmittelsCFA
d Prozedere:1. zunehmendstrengereRestriktionen(durch
WeglassenvonNebenladungen,GleichheitvonLadungen,Messfehlervarianzen usw.)gemdemzutestendenNiveaudesMessmodellsanlegen
2. ModellvergleichdurchDifferenzentest solangekeinesignifikanteVerschlechterungdurchRestriktionen:restriktiveres(sparsameres)Modellakzeptieren
91O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
SpezifikationvonRestriktionenmitMplus
R t ikti f ifi h W t RestriktionaufspezifischeWerte: Varianzen: exogene Variable@Wert; Residualvarianzen: endogene Variable@Wert; Pfade: Pfadweglassen(=Restriktionauf0!) unkorrelierte Faktoren: Faktor1 WITH Faktor2@0; standardmigrestringierteParameterfreisetzen: Residual/Messfehlerkorrelation: V1 WITH V2;
(KorrelationenzwischenexogenenVariablensindstandardmigfreigegeben) (Residual)Varianz/Ladung Variable*;
Gleichheitsrestriktion: (Label) nur einmal pro Zeile! Beispielcode:GleichsetzungdreierLadungen f1 BY x1-x3(1);GleichsetzungdreierRes.varianzen x1 x2 x3 (2);GleichsetzungderLadungenvon f1 BY x1-x5 (3-7);Item1,2,usw.beiFaktor1und2 f2 BY x6-x10 (3-7);
92O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
bung: CFAbung:CFA
ik i h Restriktionenvornehmen: Testz.B.aufTauquivalenzundParallelitt MessmodellvergleichmittelsDifferenzentest zumAusprobieren:FixierungeinerLadungproFaktor
f 1 fh b d d f Id ifik i b Fi iauf1aufhebenunddafrIdentifikationberFixierungderFaktorvarianzauf1sicherstellen
Zi l Fi d d t b d Ziel:Findendessparsamsten,aberpassendenMessmodellsdurchentsprechendeRestriktionen
93O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
CFA:ErgebnissezumkongenerischenMessmodell
kk 199 kkv1
kkv2KKV
1.00
.95
81
.99
.98
kkv3
kkv4
KKV
46
.81
.802.02
2.03Kongenerisch: Freigesetzte Ladungen aber jeweils nur auf
konfl1
konfl2
-.462.03
5.80
3 77
Ladungen, aber jeweils nur auf einem zugehrigen Faktor.
1.00
1.63KONFL
konfl2
konfl3
konfl5
3.77
3.22
3 53
1.63
1.62
.91
Ab bild t i d t d di i t K ffi i t ( 1976)
konfl4
konfl53.53
4.86.99
Abgebildet sind unstandardisierte Koeffizienten (n=1976).Modellfit: 2(df=26)=93.61, p=0.000; CFI=.97; RMSEA=0.036, SRMR=0.025
94O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
CFA:Ergebnissezum(partiell)tauquivalentenMessmodell
kkv1 771.07 kkv1
kkv2KKV
.77
.77
.77
1.07
1.01
kkv3
kkv4-.48
.77
.771.96
1.96Tau-quivalenz: Ladungen innerhalb des Faktors KKV
konfl1
konfl2
.48
5.80
3.78
wurden gleichgesetzt.1.14
1.86KONFL
konfl2
konfl3
konfl5
3.78
3.22
3.53
1.85
1.04
Abgebildet sind unstandardisierte Koeffizienten (n=1976).M d llfit 2(df 29) 106 80 0 000 CFI 97 RMSEA 0 037 SRMR 0 029
konfl4
konfl53.53
4.861.14
Modellfit: 2(df=29)=106.80, p=0.000; CFI=.97; RMSEA=0.037, SRMR=0.029Modellvergleich zum kongenerischen Messmodell: 2(df=3)=13.19, p=0.004
95O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
CFA:ErgebnissezumvollstndigtauquivalentenMessmodell
kkv1 771.08 kkv1
kkv2KKV
.77
.77
.77
1.08
1.01
kkv3
kkv4 -.49
.77
.771.96
1.96Tau-quivalenz: Ladungen innerhalb beider Faktoren
konfl1
konfl2
.49
5.54
4.63
wurden gleichgesetzt.1.39
1.39KONFL
konfl2
konfl3
konfl5
4.63
4.07
3.23
1.39
1.39
Abgebildet sind unstandardisierte Koeffizienten (n=1976).konfl4
konfl53.23
4.541.39
g ( )Modellfit: 2(df=33)=284.22, p=0.000; CFI=.90; RMSEA=0.062, SRMR=0.054Modellvergleich zum kongenerischen Messmodell: 2(df=7)=190.61, p=0.00096O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
CFA:ErgebnissezumparallelenMessmodell
kkv1
kkv2KKV
.76
.76
1.50
1.50
kkv3
kkv4
KKV.76
.76Parallelitt: Ladungen und Residualvarianzen wurden
1.50
1 50
konfl1
kkv4 -.49
1.40
1 40
Residualvarianzen wurden (jeweils innerhalb eines Faktors) gleichgesetzt.
1.50
4.39
KONFLkonfl2
konfl3
1.40
1.40
1.40
4.39
4.39
konfl4
konfl51.40
Ab bild t i d t d di i t K ffi i t ( 1976)
4.39
4.39
Abgebildet sind unstandardisierte Koeffizienten (n=1976).Modellfit: 2(df=40)=647.87, p=0.000; CFI=.76; RMSEA=0.088, SRMR=0.137
97O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Modellexploration:Modifikationsindizes
M difik i i di B d V b Modifikationsindizes:BetragderVerbesserungvonbeiFreisetzungdesentsprechendenParameters
Befehl unter OUTPUT MODINDICES( ) BefehlunterOUTPUT: MODINDICES(x) wobeix:festzulegenderSchwellenwert(z.B.3) Modellexploration: Freisetzen der entsprechenden Pfade Modellexploration:FreisetzenderentsprechendenPfadebzw.ResidualkorrelationenunderneuterModelltest
Achtung,Verlustdeskonfirmatorischen Charaktersderc tu g, e ust des o ato sc e C a a te s deAnalyse! EmpfehlungbeiausreichendemN:Kreuzvalidierung
Ziel:KompromisszwischengutemModellfitundsparsamemModell
98O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
MehrgruppenvergleichMehrgruppenvergleich
li hk i d l i h d ll MglichkeitdesVergleichsvonMessmodellen(v.a.Faktoranzahl undladungen)bermehrereGruppen(z.B.MnnerundFrauen) Literatur:factorial /measurement invariance(Vandenberg2000)
Grundprinzip:Modellvergleichzwischenp p g1. Grundmodell:alleLadungenzwischenden
Gruppenfreigesetzt,undpp g ,2. restriktivemModell:LadungenjedesIndikators
zwischendenGruppenaufGleichheitfixiertpp
99O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Gruppenvergleiche in MplusGruppenvergleicheinMplus
1 l i S b l1. explorativeSubgruppenanalysen:VARIABLE: USEOBSERVATIONS ARE (sex EQ 1);
2 multipler Gruppenvergleich2. multiplerGruppenvergleich:1. imAbschnittVARIABLE:VARIABLE: GROUPING IS sex(1=Mann, 2=Frau);VARIABLE: GROUPING IS sex(1 Mann, 2 Frau); Achtung:standardmigrestringiertMplus alleLadungen(undIntercepts)
aufGleichheit,Residualvarianzensindhingegenfreigesetzt2 im Abschnitt MODEL:2. imAbschnittMODEL:MODEL: [optional: Restriktionen innerhalb aller
Gruppen und ber Gruppen hinweg]MODEL Mann: [Freisetzung von Parametern zwischenMODEL Mann: [Freisetzung von Parametern zwischen
Gruppen, spezifische Restriktionen innerhalb einer Gruppe]
vgl.auchBeispiel12.10imHandbuch(S.366)
100O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Ausblick:FaktorenanalysehhererOrdnung(Reinecke2005:180ff)
EQ FaktorzweiterOrdnungBeispiel: Ehequalitt
Faktorladungen derFaktoren2.OrdnungKKVKonfl
FaktorenersterOrdnung(=IndikatorenfrFaktor2.Ordnung)
KKVKonflKonfl
Konflikt KonstruktivittKKV
Y2Y1 Y3 Y4
Items(beobachtet)Y1 Y2 Y3 Y4
Messfehler derIndikatoren1 2 3 4101O.Arrnz Becker:StrukturgleichungsmodelleWS2011/12Master3.Semestervgl. Khnel (2004)
Ausblick: weitere OptionenAusblick:weitereOptionen
Mpluskannauchmitbinren,qualitativenundordinalenIndikatorenumgeheng auchexploratorischeFaktorenanalysemglich
auch als Lngsschnitt Faktorenanalyse auchalsLngsschnittFaktorenanalyse:.39**
29*65**Zukunftsorientierung (W1)
Zukunftsorientierung (W2)
Zukunftsorientierung (W3)
.29*.65**
.73** -.61** .69** .80** -.69** .76** .75** -.63** .71**
as00308 as00311 as00326 bs00202 bs00203 bs00210 cz06401 cz06402 cz06403
(imBeispiel:RestriktionaufParallelittdesMessmodells)102O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
VerallgemeinerungenVerallgemeinerungen bisherige Anwendung (CFA): metrisches Skalen bisherige Anwendung (CFA): metrisches Skalen-niveau von latenten Faktoren und manifesten IndikatorenIndikatoren
Es existieren verschiedene Generalisierungen des CFA Ansatzes auf andere Skalenniveaus:
LatenteVariable
des CFA-Ansatzes auf andere Skalenniveaus:
Skalenniveau nominal metrisch
Manifestenominal LatentClassAnalysis(LCA)
ItemResponseTheory(IRT)Manifeste
Indikatoren(LCA) (IRT)
metrisch LatentProfileAnalysis(LPA)Confirmatory FactorAnalysis(CFA)
O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester 103
III VollstndigeIII.VollstndigeStrukturgleichungsmodelleg g
104O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
WassindvollstndigeStrukturgleichungsmodelle?
KombinationausMess undStrukturmodell:Strukturmodell: Beziehungen zwischen latenten Konstrukten
pz1
pz2
kkv1
kkv2 KKV PZ pz2kkv2
kkv3 pz3
KKV PZ
ps1konfl1
ps2PSKONFL
ps3
konfl2
konfl3
Messmodelle105O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Synthese:vollstndigeStrukturgleichungsmodelle
Di B k i hti28 .28 DieBercksichtigungvonMessfehlernergibtandereStrukturparameterfrdieinteressierenden Beziehungen
konstruktiver Konfliktstil
Partnerschafts-zufriedenheit 1
.28
.3703
.26.31
.20
.35pz1.51
interessierendenBeziehungen.Konfliktscore Partnerschafts-stabilitt1
.03
.26
.54
.63.47
.81
.73
.68
.61.37 pz2
kkv1
kkv239pz3
KKV PZ43 78
93.21
.45
01
ps1
1.00
.47
.82
83
kkv3
kkv4
.39pz3.43
.41
.78
.82
.93
.43
.01 ps2
konfl1
1.00.83 kkv4
PSKONFLps3
70
.97
.90
95
.82
.38
.72
PSKONFLps4
ps5
.51 konfl2
.49 konfl3 .77 konfl4 .79konfl5
.70
.72 .48 .46.95
106O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
VoraussetzungenVoraussetzungen,Schtzvariantenetc.
107O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
SEM: Datenbezogene VoraussetzungenSEM:DatenbezogeneVoraussetzungen
1 M l b li bi Sk l i d V i bl (1. Mplus:beliebigesSkalenniveauderVariablen(sogarProzedurenfrZhldaten,zensierteDatenusw.) Umgangmitbinren/kategorialenVariablen:
a) exogen:herkmmlicheDummycodierungb) endogen:Deklarationntig(CATEGORICAL/NOMINAL IS [var] im
AbschnittVARIABLES)
2 M ltinormal erteil ng aller Modell ariablen2. MultinormalverteilungallerModellvariablen d.h.allebedingtenVerteilungenwerdenals
normalverteiltangenommeng notwendige,abernichthinreichendeBedingunghierfr:
NormalverteilungderEinzelvariablenbei Verletzung Verzerrung (meist berschtzung) der 2 beiVerletzung:Verzerrung(meistberschtzung)der2StatistikundderStandardfehlerderKoeffizienten(d.h.bermigkonservativeTestentscheidungen!)
108O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Mgliche FehlermeldungenMglicheFehlermeldungenH d (H d 1931) ti Heywoodcases(Heywood1931):negativeResidualvarianzen,Korrelation>1 Folge: Abbruch der SchtzungFolge:AbbruchderSchtzung HinweisaufDatenprobleme:Fehlspezifikation/UnteridentifikationdesModells,Ausreieretc.Abhilf R ifik i ( B F k hl d i ) Abhilfe:Respezifikation (z.B.Faktoranzahl reduzieren),Ausreierentfernenusw.
Kovarianzmatrix nicht positiv definitKovarianzmatrixnichtpositivdefinit meistHinweisaufextremeMultikollinearitt(z.B.beiModeratormodellen)bh lf bl f b k Abhilfe:Variablenentfernen;beiInteraktionstermen
vorherdiebeidenEinzelkomponentenVariablenum0zentrierenbzw.zstandardisieren
109O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
SchtzvariantenSchtzvarianten
geeigneteSchtzungbeischiefverteiltenDaten:ANALYSIS: ESTIMATOR=MLR/WLSMV;1. robusteMaximumLikelihoodSchtzung(MLR):Korrektur
der2StatistikundStandardfehler(SatorraBentlerK kt )Korrektur) auchbeikleinenStichproben(N 200)geeignet Achtung: Modifikation des Tests notwendig (s ExcelSheetAchtung:Modifikationdes Testsnotwendig(s.Excel Sheet
difftest_Chi2.xlsx
2. weighted leastsquares (WLSMV) BercksichtigungderhherenVerteilungsmomentebereinespezielleGewichtungsmatrix
110O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
BesonderheitenbeigroenStichproben
beigroenStichprobenexzessiveTeststrkeauchbeim Konsequenz:beiN>>1000fastimmersignifikanteAbweichungenzwischenModellundDaten
DiesbetrifftauchdenDifferenztest. Alternativkriterium: / 2 < 2 (d h sollte nichtAlternativkriterium: /2
Analysen an komplexen StichprobenAnalysenankomplexenStichproben
geclusterteDaten:VARIABLE: CLUSTER IS Clustervariable;ANALYSIS: TYPE=COMPLEX;
geschichtete Stichprobe:geschichteteStichprobe:VARIABLE: STRATIFICATION IS Schicht;ANALYSIS: TYPE=COMPLEX;ANALYSIS: TYPE=COMPLEX;
Designgewichte:VARIABLE: WEIGHT IS Gewicht;
112O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Weitere InformationsquellenWeitereInformationsquellen
MplusWebseitehttp://www.statmodel.com/ MplusHandbuch(downloadbaralspdf)p ( p ) ForummitgutemSupportdurchLindaundBengtMuthnMuthn
ausgesuchteReferenzartikelzumdownload allgemeinzuSEM:SEMNETNewsletter
113O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Literatur zur PrsentationLiteraturzurPrsentationB R M & K D A (1986) Th d t di t di ti tiBaron,R.M.&Kenny,D.A.(1986).Themoderatormediatordistinction
insocialpsychologicalresearch:Conceptual,strategicandstatisticalconsiderations.JournalofPersonalityandSocialPsychology,51(6),1173 118211731182.
Heywood,H.B.(1931),Onfinitesequencesofrealnumbers,ProceedingsoftheRoyalSocietyofLondon.SeriesA,ContainingPapers of a Mathematical and Physical Character 134(824) 486PapersofaMathematicalandPhysical Character 134(824),486501.
Khnel,S.(2004).EinfhrunginlineareStrukturgleichungsmodellemitLISREL (Prsentationsfolien) Wiederabdruck bzw auszugsweiseLISREL(Prsentationsfolien).Wiederabdruckbzw.auszugsweiseWiedergabemitfreundlicherGenehmigungdesAutors.
Vandenberg,R.J.,Lance,C.E.(2000).Areviewandsynthesisofthemeasurement invariance literature: Suggestions practices andmeasurementinvarianceliterature:Suggestions,practices,andrecommendationsfororganizationalresearch.OrganizationalResearchMethods3,470.
114O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Literatur zu SEMLiteraturzuSEMBackhaus,K.,Erichson,B.,Plinke,W.&Weiber,R.(2005).Multivariate
Analysemethoden.EineanwendungsorientierteEinfhrung(11.,berarbeiteteAufl.).Berlin,Heidelberg,NewYork:Springer.
Bentler,P.M.&Dudgeon,P.(1996).Covariancestructureanalysis:g ( ) yStatisticalpractice,theory,anddirections.AnnualReviewofPsychology,47,563592.
Geiser,C.(2009).DatenanalysemitMplus:Eineanwendungs, ( ) y p gorientierteEinfhrung(Wiesbaden:VSVerlag).
Nachtigall,C.,Kroehne,U.,Funke,F.&Steyer,R.(2003).(Why)shouldweuseSEM?Prosandconsofstructuralequationmodeling.q gMethodsofPsychologicalResearchOnline,8(2),122.
Reinecke,J.(2005).StrukturgleichungsmodelleindenSozialwissenschaften. Mnchen: Oldenbourg.Sozialwissenschaften.Mnchen:Oldenbourg.
115O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester
Anhang: Das griechische AlphabetAnhang:DasgriechischeAlphabet
116O.ArrnzBecker:StrukturgleichungsmodelleWS2011/12Master3.Semester