Einfuehrung Strukturgleichungsmodelle

Institut fr Soziologie
Dr. Oliver Arrnz Becker

k l h d ll
Dr. Oliver Arrnz Becker
LineareStrukturgleichungsmodelle:
EineEinfhrungunterVerwendungvonMPlus
Stand: November 2011 Stand:November2011
1
O.ArrnzBecker:Strukturgleichungsmodelle
WS2011/12Master3.Semester
Theoretischmethodischer Theoretischmethodischer
Hintergrund g
2
Was ist SEM? WasistSEM?
SEM l i d li SEM:structural equation modeling
(Strukturgleichungsmodelle),vgl.Reinecke2005,
Backhaus et al 2005 Backhausetal.2005
KlassevonVerfahrenzurModellierungvon
Kausalmodellen mit direkten und indirekten Kausalmodellen mitdirektenundindirekten
Effekten
dabei Bercksichtigung von beobachtbaren und latenten dabeiBercksichtigungvonbeobachtbarenundlatenten
Gren(auchsimultan)
ParallelweltzuRegressionsanalysen(z.B.EDA,MLM)
Analysebasis:VarianzKovarianzMatrizen(d.h.keine
fallweisenInformationennotwendig)
3
Kovarianz Kovarianz
Die Formel fr die Kovarianz lautet:
( ) ( )
=

=
1
cov( )
1
n
i i
i
x x y y
xy
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
I III
1 n
d.h. die Kovarianz ist invariant gegenber einer Verschiebung
der (gesamten) Punktewolke (z.B. durch Addition / Subtraktion
einer Konstante)
Relativierung an der Stichprobengre (Nenner)
I III
( )
- 0
i
x x >
( )
- 0
i
y y >
( )
- 0
i
y y <
y
II IV
( )
- 0
i
x x >
x
x
4
Das Prinzip statistischer Modellierung mittels SEM DasPrinzipstatistischerModellierungmittelsSEM
Theorie
D t i d
Modelltest /
Realitt Daten Modell
Datengenerierender
Prozess
Modelltest/
Modellrevision
Quelle: Khnel, S. (2004). Einfhrung in lineare Strukturgleichungsmodelle mit LISREL
( f ) f G
5
(Prsentationsfolien). Wiederabdruck mit freundlicher Genehmigung des Autors.
Einsatzmglichkeiten fr SEM EinsatzmglichkeitenfrSEM
I. RelationenzwischenmanifestenKonstrukten
zwecksHypothesenprfung
Strukturmodelle:Pfadanalyse
II. RelationenzwischenbeobachtbarenIndikatoren
undlatentenKonstrukten(Faktoren)
Messmodelle:konfirmatorischeFaktorenanalysen(CFA)
III. simultaneModellierungvonMess und
Pfadmodellen
vollstndigeStrukturgleichungsmodelle
6
Mess und Strukturmodell Mess undStrukturmodell
Quelle: Backhaus et al. (2005)
7
Methodische Strken von SEM MethodischeStrkenvonSEM
simultaneModellierungmehrererabhngiger
Variablenmglich g
grndlichetheoretischeVorberlegungen
notwendig (konfirmatorischer Charakter) notwendig(konfirmatorischer Charakter)
statistischerTestvermittelterEffekte
(Mediation)
einfacher und angemessener Umgang mit einfacherundangemessenerUmgangmit
fehlendenWerten
8
Vorgehen in der Anwendung VorgeheninderAnwendung
1. Modellspezifikationundidentifikation
FestlegungderFreiheitsgrade
2. Modellschtzung
3. PrfungdesModellfits
4 I t t ti d K ffi i t 4. InterpretationderKoeffizienten
9
Ausgangspunkt: lineare Regression Ausgangspunkt:lineareRegression
LineareRegressionsgleichung
einerabhngigenVariableY
1
auf
drei erklrende Variablen (X X ):
X
1
|
dreierklrendeVariablen(X
1
X
3
):
Y
1
=|
0
+|
1
X
1
+|
2
X
2
+|
3
X
3
+ c
1
Y
1
1
X
2
|
1
|
2
c
1
d.h.dieabhngigeVariableY
1
wirdalslineareFunktionder
|
3
X
3
|
0
(Konstante)
erklrendenVariablen
(Prdiktoren)X
1
bisX
3
unddes
Fehlers c modelliert
(Konstante)
vgl. Khnel (2004)
Fehlersc
1
modelliert
Basis:Einzelfallinformationen
10
SEM:1.Modellspezifikation
(Pfadmodelle)
DarstellungmittelsRegressionsgleichungen:
| |
DarstellungalsPfadmodell:
X
|
Y2X1
Y
1
=|
Y1X1
X
1
+|
Y1X2
X
2
+c
1
X
1
Y
1
Y
2
|
Y2X1
|
Y1X2
|
Y1X1
|
Y2Y1
Nomenklatur (vgl. Backhaus et al. 2005):
Y
2
=|
Y2Y1
X
1
+|
Y2X2
X
2
+|
Y2X1
Y
1
+c
2
X
2
c
1
c
2
|
Y2X2
|
Y1X2
Nomenklatur(vgl.Backhausetal.2005):
1. X
1
/X
2
heienexogene(unabhngige)Variablen
2. Y
1
/Y
2
heienendogene(abhngige)Variablen
ZwischenallenexogenenVariablenwerdenstandardmigKorrelationen g g
angenommenundgeschtzt.
AllegerichtetenEffekteaufendogeneVariablenundalleungerichteten
ZusammenhngezwischenendogenenVariablenmssenexplizit
f d ! spezifiziertwerden!
11
O.Arrnz Becker:Strukturgleichungsmodelle
Ein inhaltliches Beispiel EininhaltlichesBeispiel

premarital
variables
alternative
attractions
social and personal
resources
satisfaction with
l ife style
marital
quali ty
marital
stability
external pressure to
remain married
rewards from spousal
interaction
konstruktiver
Konfliktstil
Quelle: vereinfacht nach Lewis & Spanier (1979: 289)
Konfliktstil
Konfliktscore
Partnerschafts-
zufriedenheit
Partnerschafts-
stabilitt
Konfliktscore
12
Derkonfirmatorische Charakter
vonPfadmodellen/SEM
konstruktiver
Konfliktstil
Partnerschafts Partnerschafts
Modell 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-
stabilitt stabilitt
Die Entscheidung ber die korrekte Modellvariante liegt allein beim Anwender!
13
Anzahl der Modellparameter AnzahlderModellparameter
inhaltliches Beispiel:
X
1
Y
1
Y
2
|
|
Y1X1
|
Y2Y1
konstruktiver
Konfliktstil
Partnerschafts-
f i d h it
Partnerschafts-
t bilitt
X
2
c
1
c
2
|
Y2X2
|
Y1X2
Konfliktscore
zufriedenheit stabilitt
ParameterimobigenModell:
1 empirisch gegeben: vier Varianzen (x
1
x
2
y
1
y
2
) und 1. empirischgegeben:vierVarianzen(x
1
,x
2
, y
1
,y
2
)und
insgesamt4*(41)/2=6Kovarianzen,also10Parameter
2. Schtzung:zweiVarianzen(x
1
,x
2
),zweiResidual g (
1
,
2
),
varianzen (y
1
*y
2
),eineKovarianz(x
1
*x
2
),undfnf
Regressionsgewichte(|
Y1X1
,|
Y1X2
,|
Y2X1
,|
Y2X2
,|
Y2Y1
),also
10Parameter
14
Modellidentifikation Modellidentifikation
Id ifik i B i ll i h d Identifikation:Bereitstellungausreichender
empirischerInformation,umalleunbekannten
Parameter im Modell schtzen zu knnen (abhngig ParameterimModellschtzenzuknnen(abhngig
vonderModellspezifikation)
t Regel: Anzahl der zu schtzenden ( freien) tRegel:Anzahlderzuschtzenden(freien )
Parameter(t)musskleinerseinalsdieAnzahl
empirisch gegebener Varianzen und Kovarianzen: empirischgegebenerVarianzenundKovarianzen:
t<1/2(m)(m+1),
wobeim:AnzahlderModellvariablen
notwendige,aberkeinehinreichende Bedingungfrdie
SchtzbarkeiteinesModells(vgl.Reinecke2005:102ff)
15
Warum 1/2 (m)(m+1)? Warum1/2(m)(m+1)?
2 2 X1 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 stets Die 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
16
Bestimmung der Freiheitsgrade BestimmungderFreiheitsgrade
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(nicht
schtzbar,AusgabeeinerFehlermeldung)
2 t = 1/2 (m)(m+1) 2. t=1/2(m)(m+1)
df=0(genauidentifiziertesbzw.saturiertesModell):schtzbar,aber
keineBeurteilungdesModellfits mglich!
3. t<1/2(m)(m+1) / ( )( )
df=(1/2(m)(m+1) t),BestimmungdesModellfits mglich
BeikomplexenModellen(z.B.mitlatentenVariablen)gilt:
Falls das Modell unteridentifiziert ist, kann t verringert (z.B. durch FallsdasModellunteridentifiziertist,kanntverringert(z.B.durch
NullsetzungvonEffekten,d.h.WeglassenvonPfeilen)unddas
Modellerneutgeschtztwerden
17
1. Modellspezifikation
2. Modellschtzung
4. InterpretationderKoeffizienten
18
2 Iterative Modellschtzung 2.IterativeModellschtzung
Beobachtete Stichprobenmomente (also Varianzen und Kovarianzen) als BeobachteteStichprobenmomente(alsoVarianzenundKovarianzen)als
konsistenteSchtzerderPopulationsmomente
1.SchtzungderunbekanntenModellparameter(z.B.
Regressionskoeffizienten),gegebendieModellstruktur(=Mustervon
Restriktionen)
2.BerechnungdermodellimpliziertenVarianzenundKovarianzen(ggf.auch
Mittelwerte),gegebendieModellstrukturunddieimvorherigenSchritt
r
P
r
o
z
e
s
s
) g g g
geschtztenParameter(=fittedmoments)
3 Vergleich von beobachteten und modellimplizierten Varianzen und

i
t
e
r
a
t
i
v
e
3.VergleichvonbeobachtetenundmodellimpliziertenVarianzenund
KovarianzenzurBeurteilungderModellanpassung(=bereinstimmungvon
ModellundDaten)
Q ll Kh l S (2004) Ei fh i li St kt l i h d ll it LISREL
19
Allgemeines Schtzprinzip AllgemeinesSchtzprinzip
f h ll B h Pf dk ffi i t frher:manuelleBerechnungvonPfadkoeffizienten
ausmehrerenRegressionsmodellen
iterative Modellschtzung: In mehreren Durchlufen iterativeModellschtzung:InmehrerenDurchlufen
werdendiegesuchtenEffektesobestimmt,dassdie
aufBasisderModellparametergeschtzten
VarianzenundKovarianzen(S)bestmglichmitden
empirischbeobachtetenVarianzenundkovarianzen
(E) bereinstimmen (vgl Reinecke 2005: 107ff) (E)bereinstimmen(vgl.Reinecke2005:107ff)
BestimmungderDiskrepanzfunktion F(S) min.
Unterschiedliche Schtzmethoden (z.B. ML, GLS, UnterschiedlicheSchtzmethoden(z.B.ML,GLS,
WLS)basierenaufverschiedenenDiskrepanz
funktionen (vgl.Reinecke2005:109ff)
20
2. Modellschtzung
21
Beurteilung der Modellgte mittels _ BeurteilungderModellgtemittels_
T t f Ab i h i h i i h d _TestaufAbweichungenzwischenempirischerund
modellimplizierterKovarianzmatrix (vgl.Reinecke
2005:116ff))
gleichzeitigTestdervorgenommenenRestriktionen
Achtung:umgekehrteTestlogik(Nullhypotheseist
W hh th )! Wunschhypothese)!
d.h.einsignifikantes_zeigtschlechtenFitan!
teils gravierende Probleme von _: teilsgravierendeProblemevon_ :
mitStichprobengresteigendeTeststrke beigroen
Stichproben(N~1000)reagiert_selbstaufminimale
Ab i h Abweichungen
berschtzungvon_beiNichtnormalverteilungder
Variablen(Abhilfe:robusteSchtzer,z.B.MLR) ( , )
22
Modellvergleiche Modellvergleiche
b di M d ll t ( B ) k h M d ll berdieModellgte(z.B._)knnenmehrereModell
variantenverglichenwerden (vgl.Reinecke2005:123ff)
Voraussetzung fr Modellvergleiche auf Basis von _: VoraussetzungfrModellvergleicheaufBasisvon_ :
hierarchischeModelle
hierarchischeModelle:bestehenausdenselbenVariablen,
h d h ll d d l unterscheidensichallerdingsindenangelegten
Restriktionen(z.B.zuschtzendePfade)
bei Einfhrung von Restriktionen: Anstieg in _ beiEinfhrungvonRestriktionen:Anstiegin_
AlternativebeinichthierarchischenModellen:AIC/BIC
TestaufsignifikanteVerschlechterung:
Prfgre:A_=_
restriktivesModell
_
Ausgangsmodell
Freiheitsgrade:Adf =df
restriktives Modell
df
Ausgangsmodell
23
Weitere Fitindizes WeitereFitindizes
G G / l Gtemae Grenzwert/Daumenregel
RMSEA(root mean square error of
approximation):Abweichungzwischen
RMSEA<.05(exzellent)
.05> RMSEA<.08(ausreichend) pp ) g
Populations undStichproben(ko)varianzen
( )
RMSEA> .08 (unzureichend)
absoluteFitindizes(z.B.GFI) (werdenvonMplusnichtausgegeben)
relativeIndizes:Verbesserunggegenber
demNullmodell(ohneRestriktionen)
ComparativeFitIndex,CFI CFI>.95
TuckerLewisIndex,TLI TLI>.95
Problem:FitindizessindzwarweitgehendrobustgegenberderStichprobengre,
erlaubenaberdafrkeinen inferenzstatistischen Test(Ausnahme:RMSEA)
Achtung:JenachgewhlterSchtzmethodegibtMplus nurbestimmte(oderauch
garkeine)Fitindizesaus
24
2. Modellschtzung
25
Ergebnisinterpretation Ergebnisinterpretation
B i b id tifi i t M d ll ilt BeiberidentifiziertenModellengilt:
DieSchtzerfrdieModellparametersolltennur
dann interpretiert werden wenn das Modell danninterpretiertwerden,wenndasModell
einenausreichendenFitaufweist!
Die Interpretation von Regressionsgewichten DieInterpretationvonRegressionsgewichten
erfolgtanalogzurklassischenlinearenRegression
standardisierteundunstandardisierte Lsungen g
knneninMplus angefordertwerden
meistvollstandardisierteLsung(STDXY)vonInteresse
ZustzlichknnenAnteileaufgeklrterVarianz
(Output:R)interpretiertwerden
26
I.Pfadmodelle
27
PfadmodelleaufBasisvon
(Ko)Varianzstrukturen
Zi l b f Z h Ziel:berprfungvonZusammenhngen
zwischenbeobachtetenVariablen
d h keine Modellierung der Messfehler d.h.keineModellierungderMessfehler
Konsequenz:potentielleUnter oderberschtzung
vonEffekten(vgl.Bollen1989:151ff) ( g )
Basis:(Ko)VarianzmatrixderSkalenscoreVariablen
technischesVorgehen: g
1. AggregationvonIndikatorenzuScores (SPSS)bzw.
SpeichernvonFaktorwerten
2. dann:weitereBerechnungenaufBasisdieser
Scorevariablen (Mplus)
28
Pfadmodelle Pfadmodelle
konstruktiver
Konfliktstil
Partnerschafts-
f i d h it
Partnerschafts-
t bilitt
Konfliktscore
DieSchtzungsolcherModellegehtberdie
MglichkeiteneinfacherRegressionstechnikenhinaus:
mehralseineAV(bzw.endogeneVariable),alsomehrere
simultaneGleichungen
Test vermittelter Effekte TestvermittelterEffekte
Achtung:Pfadmodellelsen(genauwieRegressions
rechnung allgemein)nicht dieProblemebeimNachweis
kausaler Effekte! kausalerEffekte!
29
Besonderheitender
kovarianzstrukturbasierten Pfadanalyse
Unterschiede zur blichen OLS Regression UnterschiedezurblichenOLSRegression:
MaximumLikelihoodSchtzung(ML)anstelleder
KleinsteQuadrateMethode(aber:identische (
Schtzergebnissebeieinfachenundmultiplen
Regressionsmodellen)
Vorteil: besondere Mglichkeiten des Umgangs mit Vorteil:besondereMglichkeitendesUmgangsmit
fehlendenWerten(z.B.mittelsfull information
maximum likelihood,FIML)
Mglichkeit einer simultanen Analyse mehrerer MglichkeiteinersimultanenAnalysemehrerer
abhngigerVariablen(z.B.zurVermeidungeiner
KumulationdesAlphaFehlers)
Ausgabe diverser Modellfitindizes zur Beurteilung der AusgabediverserModellfitindizeszurBeurteilungder
PassungdesGesamtmodellszudenempirischenDaten
30
einRechenbeispiel
31
RechenregelnfrVarianzenund
Kovarianzen
SEM b i f i i h V i d SEMbasierenaufempirischenVarianzenund
KovarianzenzwischendenmodelliertenVariablen
o(X,Y): Kovarianz zwischen X und Y, o(X) = Varianz von X o(X,Y):KovarianzzwischenXundY,o (X) VarianzvonX
WiefrnormaleZahlengibtesauchRechenregelnfr
VarianzenundKovarianzen,z.B.
DieVarianzistgleichderKovarianzeinerVariablenmit
sichselbst o(X)=o(X,X)
Regressionsgewicht b = cov(x y)/var(x) Regressionsgewichtb
yx
=cov(x,y)/var(x)
vgl.VorlesungStatistik
DarberhinausgibtesnochweitereRechenregeln(die
wirunsaberhierersparen),vgl.imDetailKhnel
(2004)
32
1.SchtzungderModellparameteraus
derVarianz/Kovarianzmatrix
B i i l ( l Kh l 2004)
Daten:(n=2004)
Stabilitt
Beispiel(vgl.Khnel2004):
konstruktivesKonfliktverhalten Partnerschaftszufriedenheit subjektiveStabilitt
( )
StabilittZufried Konstruktivitt
Stabilitt 1.851
Zufried 0.714 1.877
Konstr.
(X
1
)
Stabilitt
(Y
2
)
X1
=?
c
Y2
= ?
|
Y2Y1
= ?

X1
=o
2
(Konstruktivitt)istbeobachtetals0.985;
s Regel 2 auf der vorangehenden Folie:
Konstrukt.0.278 0.531 0.985
Zufried
(Y
1
)
|
Y1X1
= ?
c
Y1
=?
s.Regel2aufdervorangehendenFolie:
|
Y1X1
=o(Konstruktivitt,Zufriedenheit)/o
2
(Konstruktivitt)=0.531/0.985=0.539;
Dao
2
(Zufried)=|
Y1X1
2
o
2
(Konstruktivitt)+o
2
(Resid(Zufried))=|
Y1X1
2

X1
+c
Y1
c
Y1
= o
2
(Zufriedenheit) |
Y1X1
2
o
2
(Konstruktivitt) = 1.877 0.539
2
0.985 = 1.591; c
Y1
o (Zufriedenheit) |
Y1X1
o (Konstruktivitt) 1.877 0.539 0.985 1.591;
Dao(Zufriedenheit, Stabilitt)=|
Y2Y1
o
2
(Zufriedenheit)
|
Y2Y1
=o(Zufriedenheit, Stabilitt)/o
2
(Zufriedenheit)=0.714/1.877=0.380;
Dao
2
(Stabilitt)=|
Y2Y1
2
o
2
(Zufried)+ o
2
(Resid(Stabilitt))=|
Y2Y1
2
o
2
(Zufried)+c
Y2 Y2Y1 Y2Y1 Y2
c
Y2
=o
2
(Stabilitt) |
Y2Y1
2
o
2
(Zufriedenheit)=1.851 0.380
2
1.877=1.580.
33
2.Berechnungdermodellimplizierten
(geschtzten)(Ko)Varianzen
St bilitt
Konstr.
(X
1
)
Stabilitt
(Y
2
)
X1
= 0.985
| =
|
Y2Y1
= 0. 380
c
Y2
= 1.580
ImplizierteVarianzenundKovarianzen:
StabilittZufried. Konstr.
Stabilitt 1.851
Zufried.
(Y
1
)
|
Y1X1
=
0. 539
c
Y1
= 1.591
Zufried 0.714 1.877
Konstrukt.0.202 0.531 0.985
zweiBerechnungsbeispiele:
1.
(Zufried)
= (|
Y1X1
Konstr +c
(Zufried)
,|
Y1X1
Konstr +c
(Zufried)
)
| ( ) + 2 | =|
Y1X1

Konstr
+ (c
Zufried
)+2 |
Y1X1
(Konstr,
c
Zufried)
=|
Y1X1

X1
+c
Y1
+2 |
Y1X1
0
=.539 .985+1.591=1.877
2.
(Konstr, Stab)
= (Konstr,|
Y1X1
Zufried +c
(Stabilitt)
)
=|
Y1X1
(Konstr,Zufried)+ (Konstr,c
(Stabilitt)
)
| (K t Z f i d) 0 380 531 202 = |
Y1X1
(Konstr,Zufried)+0=.380 .531=.202
34
3.Vergleichderempirischenund
modellimplizierten(Ko)Varianzmatrix
G ht t V i d K i B b ht t V i d K i GeschtzteVarianzenundKovarianzen:
Stabilitt Zufried. Konstruktivitt
Stab 1 851
BeobachteteVarianzenundKovarianzen:
(n=2004)
Stabilitt Zufried Konstrukt.
Stabilitt 1 851 Stab. 1.851
Zufried 0.714 1.877
Konstr. 0.202 0.531 0.985
Stabilitt 1.851
Zufried 0.714 1.877
Konstrukt. 0.278 0.531 0.985
Residual(ko)varianzen:
Stabilitt
Stabilitt Zufried. Konstr.
Stabilitt 0.000
Z f i d 0 000 0 000
Konstr.
(X
1
)
(Y
2
)
Z f i d
Zufried 0.000 0.000
Konstr. 0.076 0.000 0.000
35
Zufried.
(Y
1
)
Praxisteil
Pfadmodelle Pfadmodelle
36
Allgemeines zur Mplus Syntax AllgemeineszurMplusSyntax
d h l d b h l h Grundschema:Gliederungin6Abschnittemitjeweilszugehrigen
Befehlen:
TI TLE: eigenerBeschreibungstextzurAnalyse
DATA: SpezifikationderDatendatei
VARI ABLE: FestlegungvonVariablennamen,Missings etc.
( DEFI NE: optional: Umcodierungen ) ( DEFI NE: optional:Umcodierungen)
ANALYSI S: SpezifikationdesSchtzverfahrens
MODEL: Modellspezifikation,Beispiele:
AV ON UV1 UV2; Effekte
Fakt or BY X1 X2; Faktorladungen
V1 WITH V2 V3; (Residual)Korrelationen V1 WITH V2 V3; (Residual )Korrelationen
OUTPUT: Ausgabeoptionen
Befehlsabschluss:;
Kommentarzeichen:!
37
bernahmevonDateninMplus
(SPSS),vgl.Geiser2009
1 V b it U di ll ( h 1. Vorbereitung:Umcodierung aller(auch
systembedingten)missings ineinenfehlenden
Wert (z B 999): Wert(z.B. 999):
RECODE ALL ( SYSMI S, MI SSI NG=- 999) .
EXECUTE.
2. Datenexport:
SAVE TRANSLATE OUTFI LE=' D: \ dat ei name. dat '
/ KEEP [ V i bl ] / KEEP [ Var i abl en]
/ TEXTOPTI ONS DECI MAL=DOT
/ TYPE=TAB / MAP / REPLACE.
3. ggf.ErsetzenderDezimalzeichen(Kommadurch
Punkt)inderTextdatei,z.B.mitWord
38
bernahme von Daten in Mplus (Stata) bernahmevonDateninMplus (Stata)
1 b i di ll ( h 1. Vorbereitung:Umcodierung aller(auch
systembedingten)missings ineinenfehlenden
W t ( B 999) Wert(z.B.999):
r ecode _al l ( . =- 999)
2 D t t 2. Datenexport:
keep [ Var i abl en]
or der [ Var i abl en] or der [ Var i abl en]
out f i l e _al l usi ng dat ei name. dat , nol abel noquot e
r epl ace
3. ggf.ErsetzenderDezimalzeichen(Kommadurch
Punkt)inderTextdatei,z.B.mitWord
39
Pfadanalyse: Mplus Syntax Pfadanalyse:MplusSyntax
TI TLE Pf adanal se Paar kommni kat i on TI TLE: Pf adanal yse zu Paar kommuni kat i on
DATA: FI LE I S komm. dat ;
LI STWI SE=ON; er st ab v5. 0 er l aubt !
VARI ABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konf l 1
konf l 2 konf l 3 konf l 4 konf l 5 pz1 pz2 pz3
st ab1 st ab2 st ab3 st ab4 st ab5
kkv konf l i kt pz ps;
USEVARI ABLES ARE kkv konf l i kt pz ps;
MI SSI NG I S ALL ( - 999) ; ( ) ;
ANALYSI S: ESTI MATOR=ML;
MODEL: ps ON kkv konf l i kt pz;
pz ON kkv konf l i kt ; pz ON kkv konf l i kt ;
OUTPUT: SAMPSTAT STANDARDI ZED;
40
Pfadanalyse:MplusOutput
(Deskription)
SAMPLE STATI STI CS
Means
PZ PS KKV KONFLI KT
________ ________ ________ ________
1 8 541 4 091 4 833 2 781 1 8. 541 4. 091 4. 833 2. 781
Covar i ances
PZ PS KKV KONFLI KT
________ ________ ________ ________
PZ 1. 877
PS 0. 714 1. 851
KKV 0. 531 0. 278 0. 985
KONFLI KT - 1. 060 - 0. 874 - 0. 519 2. 842
Cor r el at i ons Cor r el at i ons
PZ PS KKV KONFLI KT
________ ________ ________ ________
PZ 1. 000
PS 0. 383 1. 000
KKV 0. 391 0. 206 1. 000
KONFLI KT - 0. 459 - 0. 381 - 0. 310 1. 000
41
(Modellfit)
TESTS OF MODEL FI T TESTS OF MODEL FI T
Chi - Squar e Test of Model Fi t
V l 0 000 Val ue 0. 000
Degr ees of Fr eedom 0
P- Val ue 0. 0000
CFI / TLI
CFI 1. 000
TLI 1. 000
RMSEA ( Root Mean Squar e Er r or Of Appr oxi mat i on)
Est i mat e 0. 000
90 Per cent C. I . 0. 000 0. 000
Pr obabi l i t y RMSEA <= . 05 0. 000
SRMR ( St andar di zed Root Mean Squar e Resi dual )
Val ue 0. 000
42
(Modellkoeffizienten)
STANDARDI ZED MODEL RESULTS ( STDYX St andar di zat i on)
Two- Tai l ed
Est i mat e S. E. Est . / S. E. P- Val ue
PS ON
KKV 0 027 0 022 1 239 0 215 KKV 0. 027 0. 022 1. 239 0. 215
KONFLI KT - 0. 255 0. 022 - 11. 478 0. 000
PZ 0. 255 0. 023 11. 104 0. 000
PZ ON
KKV 0. 275 0. 019 14. 167 0. 000
KONFLI KT - 0. 374 0. 019 - 19. 899 0. 000
I nt er cept s
PZ 5. 514 0. 153 36. 115 0. 000
PS 1. 703 0. 183 9. 297 0. 000
R- SQUARE
Obser ved Two- Tai l ed
Var i abl e Est i mat e S. E. Est . / S. E. P- Val ue
PZ 0. 279 0. 017 16. 387 0. 000
PS 0. 201 0. 016 12. 543 0. 000
43
ErgebnissederPfadanalyse:
DarstellungalsDiagramm
.03
konstruktiver
Konfliktstil
.28**
-.37**
.26**
-.31**
Partnerschafts-
zufriedenheit
Partnerschafts-
stabilitt
-.26**
Konfliktscore
PfaddiagrammewerdenvonMplus nicht
ausgegeben und mssen daher von Hand (z B ausgegebenundmssendahervonHand(z.B.
mitWord)gezeichnetwerden.
44
Techniken der Technikender
Drittvariablenkontrolle
45
Arten des Einflusses von Drittvariablen ArtendesEinflussesvonDrittvariablen
Pi i tik l B & K (1986) PionierartikelvonBaron&Kenny(1986):
1. vermittelterEffekt:ZustandekommeneinesEffekts;
Untersuchung mittels Kontrolle von Drittvariablen UntersuchungmittelsKontrollevonDrittvariablen
Mediation/Suppression
empirischerHinweis:Vernderungeines
R i i ht b i Hi h D itt i bl RegressionsgewichtsbeiHinzunahme vonDrittvariablen
2. Moderatoreffekt (Frazieretal.2004):systematische
bedingte VariationeinesEffekts beiunterschiedlichen g
AusprgungenderDrittvariable(=Wechselwirkung)
empirischerHinweis:z.B.unerwarteterNulleffekt
f h th ti h A h ( B S t ff l ggf.auchtheoretischeAnnahmen(z.B.Sauerstoffmangel
beeintrchtigtdasReaktionsvermgenbeiBergsteigern
wenigeralsbeiNichtBergsteigern)
46
TestvermittelterEffekte
47
Bivariate und multiple Regression BivariateundmultipleRegression
unabhngige abhngige
bivariatesRegressionsmodell:
Variable1(X
1
) Variable(Y)
multiples Regressionsmodell:
h i ilt
YX
multiplesRegressionsmodell:
unabhngige
Variable 1 (X )
nahezuimmergilt:
YX
=
YX
unabhngige abhngige
YX
Variable1(X
1
)
YX2
Variable2(X
2
) Variable(Y)
unabhngige
YX3
Prinzip der hierarchischen Regression: Prfung auf
g g
Variable3(X
3
)
48
PrinzipderhierarchischenRegression:Prfungauf
VernderungeinesfokalenEffektsnach
Hinzunahme vonKontrollvariablen(
YX

YX
)
NachteilederhierarchischenRegression
beiderPrfungvonindirektenEffekten
k i fl ibl d d 1. keinflexiblerTestdesAusmaesder
VernderungdesfokalenEffektsmglich
2. MediationundSuppressionknnensich
gegenseitigneutralisieren(=keine g g g (
VernderungdesfokalenEffekts)
Empfehlung: mglichst nur eine Drittvariable pro Empfehlung:mglichstnureineDrittvariablepro
Schrittaufnehmen
3 Vernderung des fokalen Effekts hngt von 3. VernderungdesfokalenEffektshngtvon
derAusgangsspezifikationab
49
Das Konzept statistischer Kontrolle DasKonzeptstatistischerKontrolle
Beispiel: Einfluss der Religiositt auf Kinderwunsch
Lebensform:
Beispiel: Einfluss der Religiositt auf Kinderwunsch
bivariate Reprsentation ist ber zwei einfache Regressionen mglich
1
Kinderwunsch
Lebensform:
Ehe

1
2
Religiositt
Residuum: Varianz in der Religiositt,

die nicht durch die Lebensform erklrt wird
2
Dieser Effekt
2
entspricht dem
gesuchten Regressionsgewicht!
50
Das Prinzip der Effektzerlegung DasPrinzipderEffektzerlegung
Eh
inderStandardregression
Ehe
(MediatorZ)
ZX

YZ
nichtsichtbar!
Religiositt(X) Kinderwunsch(Y)
PrinzipderEffektzerlegung:totalerEffekt
YX
(bivariat) bildet sich additiv aus
YX
(bivariat)bildetsichadditivaus
1. direktemEffekt
YX
(d.h.unterKontrollevonZ)
2. indirektemEffekt
ZX
*
YZ
[=
YX

YX
(OLS)]
Berechnungisteinfach,aber:Abwannistder
indirekteEffektsignifikant?
inferenzstatistischer Test indirekter Effekte ist mit inferenzstatistischer TestindirekterEffekteistmit
speziellerSoftwaremglich(z.B.Mplus)
51
Mediation und Suppression MediationundSuppression
(a) Beispiele fr Mediation (gleiche Vorzeichen des direkten und des
Mediator

indirekten Effekts) Hinweis: Absinken des Effekts bei Kontrolle des
Mediators
Prdiktor abhngigeVariable
(+) ()
+
()
(b) Beispiele fr Suppression (ungleiche Vorzeichen des direkten und
des indirekten Effekts) Hinweis: Anstieg des Effekts bei Kontrolle
Suppressor
+
(+)

(+)
des indirekten Effekts) Hinweis: Anstieg des Effekts bei Kontrolle
des Mediators
Prdiktor abhngigeVariable
(+) (+)
++
()
52
Mplus Syntax: indirekte Effekte MplusSyntax:indirekteEffekte
TI TLE: Pf adanal yse zu Paar kommuni kat i on TI TLE: Pf adanal yse zu Paar kommuni kat i on
LI STWI SE=ON;
VARI ABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konf l 1 konf l 2 VARI ABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4 konf l 1 konf l 2
konf l 3 konf l 4 konf l 5 pz1 pz2 pz3
st ab1 st ab2 st ab3 st ab4 st ab5 kkv
konf l i kt pz ps; konf l i kt pz ps;
MI SSI NG I S ALL ( - 999) ;
ANALYSI S: ESTI MATOR=ML;;
MODEL: ps ON kkv pz konf l i kt ;
pz ON kkv konf l i kt ;
MODEL I NDI RECT: ps I ND konf l i kt ;
ps I ND kkv;
53
Beispiel: indirekte Effekte Beispiel:indirekteEffekte
03
konstruktiver
.28**
.26**
.03
konstruktiver
Konfliktstil
Partnerschafts- Partnerschafts-
-.37**
26**
-.31**
Partnerschafts
zufriedenheit
Partnerschafts
stabilitt
Abgebildet sind standardisierte Koeffizienten (n=2004).
-.26
Konfliktscore
AbgebildetsindstandardisierteKoeffizienten(n 2004).
DasModellistgesttigt(df=0),daherkannkeinModellfitberechnet
werden.
indirekte Effekte: indirekteEffekte:
1. konstruktivesKonfliktverhalten Zufriedenheit Partnerschaftsstabilitt:
| =.07**
2. Konfliktscore Partnerschaftszufriedenheit Partnerschaftsstabilitt:
| ** | =.10**
54
Pfadmodelle: Modellmodifikation Pfadmodelle: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
Partnerschafts
stabilitt
Modell mit einem Freiheitsgrad
(df = 1)
55
Beispiel: vollstndige Mediation Beispiel:vollstndigeMediation
konstruktiver
K flikt til
(standardisierte Koeffizienten, n=2004)
.38**
.26**
-.31**
Konfliktstil
Partnerschafts-
zufriedenheit
Partnerschafts-
stabilitt
-.30**
-.21**
Konfliktscore
DurchdieWegnahmedesPfeilsvonKonstruktivitt aufStabilitt
wirddieAnnahmegetestet,dasseskeinendirektenEffektgibtund
dass ihr stabilisierender Effekt vollstndig ber Zufriedenheit dassihrstabilisierenderEffektvollstndigberZufriedenheit
vermitteltwird
Achtung:Wiemansieht,ndernsichdurchdieangelegteRestriktion
auch andere Effekte! auchandereEffekte!
DasModellhateinenFreiheitsgrad,daherkanneinModellfit
berechnetwerden:_
2
(df=1)=1.53,p=.22;CFI=1.00;RMSEA=.016,
SRMR=.006 SRMR .006
DadasresultierendeModellsparsamerist(undpasst),wirdes
beibehalten
56
Ein weiteres empirisches Beispiel EinweiteresempirischesBeispiel
,35**
,30**
NEL(Ref.:LAT)
69**
,35
,24**
Familien
grndung
Berufs
,69
15**
,13**
g g
(Ref.:nein)
West
(Ref.:Ost)
Berufs
orientierung
Religiositt
Heirat
,46**
,15
,13
,16**
Religiositt
LnHH
,20**
,26**
,51**
Einkommen
Lebenszufried
,04*
,21
enheit
57
Test von Moderatoreffekten mit TestvonModeratoreffekten mit
Mplus p
1. Multiple Gruppenvergleiche 1.MultipleGruppenvergleiche
58
berblick:Gruppenvergleiche
inMplus
l i b l 1. explorative Subgruppenanalysen:
VARI ABLE: USEOBSERVATI ONS ARE ( sex EQ 0/ 1) ;
2 l i l G l i h 2. multiplerGruppenvergleich:
1. imAbschnittVARIABLE:
G O G S ( 1 2 ) VARI ABLE: GROUPI NG I S sex( 1=Mann, 2=Fr au) ;
Pfadanalyse:Mplus setztstandardmigallePfadeberdieGruppen
frei
2. imAbschnittMODEL:
MODEL: [ Rest r i kt i onen ber Gr uppen hi nweg]
MODEL Mann: [ spezi f i sche Rest r i kt i onen i nner hal b MODEL Mann: [ spezi f i sche Rest r i kt i onen i nner hal b
ei ner Gr uppe]
vgl.auchBeispiel12.10imHandbuch(S.366)
59
Multipler Gruppenvergleich MultiplerGruppenvergleich
MglichkeitdesVergleichsvon
Zusammenhngenbermehreredistinkte g
Gruppen(z.B.MnnerundFrauen)
Grundprinzip: Modellvergleich (_ Differenz) Grundprinzip:Modellvergleich(_Differenz)
zwischen
1. Grundmodell:allePfadezwischenden
Gruppenfreigesetzt,und
2. restriktivemModell:spezifischePfadezwischen
denGruppenaufGleichheitfixiert pp
60
_ Differenztest _ Differenztest
Difft t S B Chi2 l s.DifftestSBChi2.xls
_unddf (undbeiESTIMATOR=MLRden
ausgegebenen Korrekturfaktor) eintragen ausgegebenenKorrekturfaktor)eintragen
A_,Adf undzugehrigespwerdenberechnet:
61
Mehrgruppenvergleich Mehrgruppenvergleich
M 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:Modellvergleichzwischen
1. Grundmodell:alleEffektebzw.Ladungenzwischen g
denGruppenfreigesetzt,und
2. restriktivemModell:Effektebzw.Ladungen(undggf.
Residualvarianzen) jedes Indikators zwischen den Residualvarianzen)jedesIndikatorszwischenden
GruppenaufGleichheitfixiert
62
PraktischesVorgeheninMplus:
Gruppenvergleich(I)
BasismodellmitberdieGruppenfreigesetztenPfaden:
TI TLE: Pf adanal yse zu Paar kommuni kat i on
DATA: FI LE I S kommdat ; DATA: FI LE I S komm. dat ;
VARI ABLE: NAMES ARE kkv1 ps;
USEVARI ABLES ARE kkv konf l i kt pz ps; p p
GROUPI NG I S sex( 1=Mann, 2=Fr au) ;
ANALYSI S: ESTI MATOR=MLR;
pz ON kkv konf l i kt ; pz ON kkv konf l i kt ;
63
Gruppenvergleich(II)
BasismodellmitgleichgesetztemPfadKonflikte Zufriedenheit:
DATA: FI LE I S kommdat ; DATA: FI LE I S komm. dat ;
USEVARI ABLES ARE kkv konf l i kt pz ps; p p
pz ON kkv pz ON kkv
konf l i kt ( 1) ;
64
Gruppenvergleich(III)
Basismodell mit bei Mnnern gleichgesetzten Pfaden (1) Konflikte BasismodellmitbeiMnnerngleichgesetztenPfaden(1)Konflikte
Zufriedenheitund(2)Konflikte Stabilitt:
DATA: FI LE I S komm. dat ; DATA: FI LE I S komm. dat ;
O kk pz ON kkv
konf l i kt ;
MODEL Mann: ps ON konf l i kt ( 1)
kkv pz; kkv pz;
pz ON kkv
konf l i kt ( 1) ;
65
Test von Moderatoreffekten mit TestvonModeratoreffekten mit
Mplus p
2. Bildung von Interaktionstermen 2.BildungvonInteraktionstermen
66
BildungvonInteraktionstermen
f d l k i k i TI TLE: Pf adanal yse zu Paar kommuni kat i on
VARI ABLE: NAMES ARE kkv1 ps; VARI ABLE: NAMES ARE kkv1 ps;
USEVARI ABLES ARE kkv pz ps c_sex c_konf
sexXkonf ;
DEFI NE: c_konf =konf l i kt - 3. 5; ! Zent r i er ung
c sex=sex 1; ! Geschl echt 0/ 1 codi er en c_sex=sex- 1; ! Geschl echt 0/ 1 codi er en
sexXkonf =c_sex*c_konf ; ! I nt er akt i onst er m
MODEL: ps ON kkv pz c_konf c_sex;
pz ON kkv c_konf c_sex sexXkonf ;
67
Interpretation von Wechselwirkungen InterpretationvonWechselwirkungen
I t kti ff kt V d d b di t Eff kt i Interaktionseffekt:VernderungdesbedingtenEffektseiner
Variablen,wenndieandereVariableumeineEinheitsteigt
(metrisch)bzw.dieAusprgungdernichtReferenzkategorie
annimmt annimmt
Aiken&West(1996):EinfacheEffektederbeidenKomponentenin
nichtadditivenModellenmitInteraktionseffektensindkeine
normalen Haupteffekte wie in der Regression normalen HaupteffektewieinderRegression
stattdessen:bedingterEffekt dereinenVariable,wenndieandere
VariabledieAusprgung0aufweist
bei Zentrierung: bedingter Effekt bei mittlerer Ausprgung der beiZentrierung:bedingterEffektbeimittlererAusprgungder
anderenVariable
immerunstandardisierte Koeffizienteninterpretieren(vgl.Whisman &
McClelland 2005) entspricht bei zstandardisierten Variablen McClelland 2005) entsprichtbeiz standardisiertenVariablen
standardisiertenEffekten
68
II Konfirmatorische II.Konfirmatorische
Faktorenanalyse(CFA) y ( )
69
Exploratorischeundkonfirmatorische
Faktorenanalyse
EFA CFA
Datenbasis
Korrelationsmatrix i.d.R. Varianz-Kovarianz-Matrix
F kt l d Faktorladungen
beliebig meist Einfachstruktur
Faktoranzahl
Vorgabe oder post hoc-
Kriterium
Vorgabe aufgrund
theoretischer berlegungen
Faktorinterkorrelation
unabhngig oder korreliert
(Rotation)
meist korreliert (Orthogonalitt
per 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
70
Bestimmung der Messgleichungen
InderCFAwerdenbeobachtete,abhngigeVariablen(Indikatoren)durchlatente
Variablen (Faktoren) erklrt (vgl. Khnel 2004)
BestimmungderMessgleichungen
Variablen(Faktoren)erklrt (vgl.Khnel2004)
Annahme:EinlatentesPersonmerkmal (z.B.Einstellung)bedingtdieBeantwortung
vonItems.
GrafischeDarstellungalsPfadmodell: Modellgleichungen: g f g g
x
1
=
11
F
1
+c
1
x
2
=
21
F
1
+c
2
x
1
F
1
11
c
1
c
x
3
=
32
F
2
+c
3
x
4
=
42
F
2
+c
4
x
5
=
53
F
3
+ c
5
x
2
x
3
F
2
21
32
c
2
c
3
x
5
=
53
F
3
+c
5
x
6
=
64
F
4
+c
6
Zusammengefasst:
x
4
x
5
F
2
42
53
c
4
c
5
X=AF+E
c /E:Epsilon,/A:Lambda
x
5
x
6
F
3
53
63
c
6
Achtung: Es sind keine Korrelationen zwischen den Residuen der Indikatoren X
1
-X
6
zugelassen
vgl. Khnel (2004)
71
Achtung: Es sind keine Korrelationen zwischen den Residuen der Indikatoren X
1
X
6
zugelassen,
d.h. es wird angenommen, dass die latenten Faktoren die Inter-Item-Korrelationen vollstndig
erklren.
Identifikationsregel 1: 3 leg rule Identifikationsregel1:3legrule
1

2
1
Var=1
Var=1

1

2
oder =1
Var 1
oder=1
x
1
x
2
x
1
x
2
x
3
Quelle: Khnel S (2004) Einfhrung in lineare Strukturgleichungsmodelle mit LISREL
EinMessmodell istidentifiziert,wenn
jeder Faktor mindestens drei nur auf ihn ladende Indikatoren hat
jederFaktormindestensdreinuraufihnladendeIndikatorenhat,
odereinFaktormindestenszweinuraufihnladendeIndikatorenhatundder
FaktormitmindestenseinenanderenFaktormiteinemWertungleichnull
k li i korreliertist,
undwenndieMessfehler unkorreliert sind
undwenndieMaeinheitdesFaktorsdurchFestsetzenseinerVarianzoder
einerseinerLadungenidentifiziertist.
72
Identifikationsregel 2: 2 leg rule Identifikationsregel2:2legrule
Var=1
X
1
X
2
1
=
2
Quelle: 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
jederFaktormindestenszweinuraufihnladendeIndikatoren
hatundderenLadungengleichgesetztsind(Tauquivalenz) g g g ( q )
undwenndieMessfehler unkorreliert sind
undwenndieMaeinheitdesFaktorsdurchFestsetzenseiner
Varianzidentifiziertist.
73
Zusammenfassung:
Identifikationsregeln(CFA)
i d t i b t d i I dik t mindestenszwei,ambestendreiIndikatorenpro
Faktor
falls nur ein Indikator: Messfehler auf 0 fixieren fallsnureinIndikator:Messfehler auf0fixieren
Achtung:EinMessmodell kannauchdannidentifiziert
sein,wenndieRegelnderdreioderzweiBeinenicht , g
erflltsind(vgl.Bollen1989)
zustzlich:SkalierungeinesFaktorsdurch
k Markeritem
StandardeinstellungvonMplus:FixierungderLadung
des zuerst aufgefhrten Items auf 1 (kann natrlich deszuerstaufgefhrtenItemsauf1(kannnatrlich
gendertwerdenmit*)
alternativ:VarianzdesFaktorsauf1fixieren
74
Praxisteil
Messmodelle Messmodelle
75
Beispiel: CFA Beispiel:CFA
CFA k k i
kk 1
CFAzukonstruktivem
Konfliktverhaltenund
Konfliktwahrnehmung
kkv1
kkv2
KKV
g
Testaufspezifiziertes
Ladungsmuster
(Ei f h k )
kkv3
kkv4
KKV
(Einfachstruktur)
d.h.:jederIndikatorldt
immer nur auf einem
konfl1
konfl2
immernuraufeinem
zugehrigenFaktor!
KONFL
konfl2
konfl3
konfl4
konfl5
konfl4
76
Mplus Syntax: CFA MplusSyntax:CFA
C k i k i TI TLE: CFA zu Paar kommuni kat i on
! LI STWI SE=ON; ( ab Ver si on5)
VARI ABLE: NAMES ARE kkv1 kkv2 kkv3 kkv4
konf l 1 konf l 2 konf l 3 konf l 4 konf l 5 pz1 pz2 pz3
st ab1 st ab2 st ab3 st ab4 st ab5 kkv konf l i kt pz ps; st ab1 st ab2 st ab3 st ab4 st ab5 kkv konf l i kt pz ps;
USEVARI ABLES ARE kkv1 kkv2 kkv3 kkv4 konf l 1
konf l 2 konf l 3 konf l 4 konf l 5;
999 MI SSI NG I S ALL ( - 999) ;
ANALYSI S: ESTI MATOR=ML;
MODEL: KKV BY kkv1 kkv2 kkv3 kkv4;
KONFL BY konf l 1 konf l 2 konf l 3 konf l 4 konf l 5;
77
Mplus Output: CFA MplusOutput:CFA
THE MODEL ESTI MATI ON TERMI NATED NORMALLY
TESTS OF MODEL FI T
Alternativkriterium
(hier ebenfalls nicht
Chi - Squar e Test of Model Fi t
Val ue 93. 608
P Val ue 0 0000
(hier ebenfalls nicht
erfllt):
2
2
< df _
hl ht Fit
P- Val ue 0. 0000
Chi - Squar e Test of Model Fi t f or t he Basel i ne Model
Val ue 2616. 385
schlechter Fit
(aber: N=1976!)
P- Val ue 0. 0000
CFI / TLI
CFI 0. 974
TLI 0. 964
exzellenter Fit (> .95)
78
I nf or mat i on Cr i t er i a
Akai ke ( AI C) 71737. 257
Bayesi an ( BI C) 71893. 745
Sampl e- Si ze Adj ust ed BI C 71804. 788
AIC / BIC knnen fr
Modellvergleiche genutzt
werden
( n* = ( n + 2) / 24)
RMSEA ( Root Mean Squar e Er r or Of Appr oxi mat i on)
ll t Fit (< 05)
werden
Est i mat e 0. 036
90 Per cent C. I . 0. 029 0. 044
Pr obabi l i t y RMSEA <= . 05 0. 998
exzellenter Fit (< .05)
SRMR ( St andar di zed Root Mean Squar e Resi dual )
Val ue 0. 025 exzellenter Fit (< .05)
Gesamtbewertung:
Insgesamt ist der Modellfit vor dem Hintergrund der groen Stichprobe als
ausreichend einzustufen. Daher knnen die Koeffizienten der Lsung interpretiert g p
werden (s. nchste Folien).
79
MODEL RESULTS
Two- Tai l ed
Est i mat e S. E. Est . / S. E. P- Val ue
Markieritems wurden durch Mplus auf 1 fixiert (notwendig zur Identifikation)
KKV BY
KKV1 1. 000 0. 000 999. 000 999. 000
KKV2 0. 949 0. 055 17. 134 0. 000
KKV3 0. 808 0. 060 13. 402 0. 000
KKV4 0. 797 0. 061 13. 058 0. 000
KONFL BY
KONFL1 1. 000 0. 000 999. 000 999. 000
Faktorladungen
KONFL2 1. 628 0. 106 15. 396 0. 000
KONFL3 1. 617 0. 105 15. 384 0. 000
KONFL4 0. 906 0. 067 13. 500 0. 000
KONFL5 0. 994 0. 075 13. 232 0. 000
KONFL WI TH
KKV - 0. 460 0. 044 - 10. 396 0. 000
Schtzung der Kovarianz (nicht Korrelation, da unstandardisierter Koeffizient) zwischen
den beiden Faktoren
80
MplusOutput:CFA
I nt er cept s
KKV1 5. 144 0. 029 174. 899 0. 000
KKV2 5. 142 0. 029 179. 540 0. 000
KKV3 4. 388 0. 035 123. 718 0. 000
KKV4 4. 669 0. 035 131. 707 0. 000
KONFL1 3. 186 0. 060 53. 136 0. 000
KONFL2 2. 787 0. 060 46. 095 0. 000
KONFL3 2. 976 0. 058 51. 368 0. 000
Test der Item-
Mittelwerte auf
Unterschied zu 0
KONFL4 2. 223 0. 048 46. 061 0. 000
KONFL5 2. 787 0. 056 49. 941 0. 000
Var i ances
Varianzen der
KKV 0. 712 0. 059 12. 053 0. 000
KONFL 1. 305 0. 152 8. 566 0. 000
R- SQUARE
Varianzen der
latenten Faktoren
Obser ved Two- Tai l ed
Var i abl e Est i mat e S. E. Est . / S. E. P- Val ue
KKV1 0. 416 0. 029 14. 603 0. 000
KKV2 0. 396 0. 028 14. 242 0. 000
KKV3 0. 187 0. 021 8. 823 0. 000
KKV4 0. 182 0. 021 8. 600 0. 000
KONFL1 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. 000
KONFL3 0. 514 0. 025 20. 711 0. 000
KONFL4 0. 233 0. 021 11. 233 0. 000
KONFL5 0. 210 0. 020 10. 389 0. 000
81
Evaluation von Messmodellen EvaluationvonMessmodellen
Ei B d h it d CFA b t ht i d EineBesonderheitderCFAbestehtinder
Mglichkeit,dieQualittvonMessmodellenzu
testen testen
Sparsamkeit:mglichstwenigezuschtzende
Parameter
Psychologie:Bedarfanstrukturellvergleichbaren
(parallelen)TestsmitunterschiedlichenItems;auch:
Vergleichbarkeit von Wiederholungsmessungen VergleichbarkeitvonWiederholungsmessungen
(=Paneltauglichkeit)vonInstrumenten
Dies lsst sich mittels EFAMethoden nicht DieslsstsichmittelsEFA Methodennicht
bewerkstelligen!
82
Typen von Messmodellen TypenvonMessmodellen
zunehmendeRestriktivitt (vgl.Reinecke
2005:105ff): )
1. beliebigesMessmodell:jederIndikatordarfauf
jedem Faktor laden (entspricht explorativer jedemFaktorladen(entsprichtexplorativer
Faktorenanalyse)
83
Beliebiges Messmodell BeliebigesMessmodell
kkv1 kkv1
kkv2
KKV
Messfehler drfen
korreliert sein
(Standardbei Mplus:
Faktoren drfen korrelieren
kkv3
kkv4
unkorreliert)
Faktorendrfenkorrelieren
konfl1
konfl2
alle Indikatoren drfen auf beiden Faktoren laden
KONFL
konfl2
konfl3
konfl5
alle Indikatoren drfen aufbeiden Faktoren laden
konfl4
konfl5
84
zunehmendeRestriktivitt:
1. beliebigesMessmodell:jederIndikatordarfauf g j
jedemFaktorladen(entsprichtexplorativer
Faktorenanalyse) y )
2. kongenerisch:jederIndikatorldtnuraufeinem
zugehrigen Faktor zugehrigenFaktor
85
Kongenerisches Messmodell KongenerischesMessmodell
kkv1
kkv2
kkv3
KKV
kkv4
konfl1
KONFL
konfl2
konfl3
konfl5
DerTesteineskongenerischen Messmodells entsprichtdemTestauf
konfl4
Einfachstruktur(simplestructure,Thurstone 1947)
86
1. beliebigesMessmodell:jederIndikatordarfauf g j
jedemFaktorladen(entsprichtexplorativer
Faktorenanalyse) y )
2. kongenerisch:jederIndikatorldtnuraufeinem
zugehrigen Faktor zugehrigenFaktor
3. tauquivalent:zustzlichzu2.gleiche
Faktorladungen aller Indikatoren pro Faktor Faktorladungen allerIndikatorenproFaktor
87
Tau quivalentes Messmodell TauquivalentesMessmodell
kkv1
a
kkv2
kkv3
KKV
a
a
kkv3
kkv4
a
konfl1
KONFL
konfl2
b
b
b
KONFL
konfl3
konfl5
b
b
b
konfl4
b
88
1. beliebig:jederIndikatordarfaufjedemFaktor g j j
laden(entsprichtexplorativerFaktorenanalyse)
2 kongenerisch: jeder Indikator ldt nur auf einem 2. kongenerisch:jederIndikatorldtnuraufeinem
zugehrigenFaktor
3 tau quivalent: zustzlich zu 2 gleiche 3. tauquivalent:zustzlichzu2.gleiche
Faktorladungen allerIndikatorenproFaktor
4 ll l li h 3 l i h F hl i 4. parallel:zustzlichzu3.gleicheFehlervarianzen
proFaktor
89
Paralleles Messmodell ParallelesMessmodell
kkv1
a
c
kkv2
kkv3
KKV
a
a
c
c kkv3
kkv4
a
c
c
konfl1
KONFL
konfl2
b
b
b
d
d
KONFL
konfl3
konfl5
b
b
b
d
d
konfl4
b
d
90
TestderQualittvonMessmodellen
mittelsCFA
d Prozedere:
1. zunehmendstrengereRestriktionen(durch
WeglassenvonNebenladungen,Gleichheitvon
Ladungen,Messfehlervarianzen usw.)gem
demzutestendenNiveaudesMessmodells
anlegen
2. Modellvergleichdurch_Differenzentest
solangekeinesignifikanteVerschlechterungdurch
Restriktionen:restriktiveres(sparsameres)Modell
akzeptieren
91
SpezifikationvonRestriktionen
mitMplus
R t ikti f ifi h W t RestriktionaufspezifischeWerte:
Varianzen: exogene Var i abl e@Wer t ;
Residualvarianzen: endogene Var i abl e@Wer t ;
Pfade: Pfadweglassen(=Restriktionauf0!)
unkorrelierte Faktoren: Fakt or 1 WI TH Fakt or 2@0;
standardmigrestringierteParameterfreisetzen:
Residual/Messfehlerkorrelation: V1 WI TH V2;
(KorrelationenzwischenexogenenVariablensindstandardmigfreigegeben)
(Residual)Varianz/Ladung Var i abl e*;
Gleichheitsrestriktion: ( Label ) nur ei nmal pr o Zei l e!
Beispielcode:
GleichsetzungdreierLadungen f 1 BY x1- x3( 1) ;
GleichsetzungdreierRes.varianzen x1 x2 x3 ( 2) ;
GleichsetzungderLadungenvon f 1 BY x1- x5 ( 3- 7) ;
Item1,2,usw.beiFaktor1und2 f 2 BY x6- x10 ( 3- 7) ;
92
bung: CFA bung:CFA
ik i h Restriktionenvornehmen:
Testz.B.aufTauquivalenzundParallelitt
Messmodellvergleichmittels_Differenzentest
zumAusprobieren:FixierungeinerLadungproFaktor
f 1 fh b d d f Id ifik i b Fi i auf1aufhebenunddafrIdentifikationberFixierung
derFaktorvarianzauf1sicherstellen
Zi l Fi d d t b d Ziel:Findendessparsamsten,aberpassenden
MessmodellsdurchentsprechendeRestriktionen
93
CFA:Ergebnissezum
kongenerischenMessmodell
kk 1
99
kkv1
kkv2
KKV
1.00
.95
81
.99
.98
kkv3
kkv4
KKV
46
.81
.80
2.02
2.03
Kongenerisch: Freigesetzte
Ladungen aber jeweils nur auf
konfl1
konfl2
-.46
2.03
5.80
3 77
Ladungen, aber jeweils nur auf
einem zugehrigen Faktor.
1.00
1.63
KONFL
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
konfl5
3.53
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
94
CFA:Ergebnissezum(partiell)
tauquivalentenMessmodell
kkv1
77
1.07
kkv1
kkv2
KKV
.77
.77
.77
1.07
1.01
kkv3
kkv4
-.48
.77
.77
1.96
1.96
Tau-quivalenz: Ladungen
innerhalb des Faktors KKV
konfl1
konfl2
.48
5.80
3.78
wurden gleichgesetzt.
1.14
1.86
KONFL
konfl2
konfl3
konfl5
3.78
3.22
3.53
1.85
1.04
M d llfit
2
(df 29) 106 80 0 000 CFI 97 RMSEA 0 037 SRMR 0 029
konfl4
konfl5
3.53
4.86
1.14
Modellfit: _
2
Modellvergleich zum kongenerischen Messmodell: A_
2
(Adf=3)=13.19, p=0.004
95
CFA:Ergebnissezumvollstndig
tauquivalentenMessmodell
kkv1
77
1.08
kkv1
kkv2
KKV
.77
.77
.77
1.08
1.01
kkv3
kkv4
-.49
.77
.77
1.96
1.96
Tau-quivalenz: Ladungen
innerhalb beider Faktoren
konfl1
konfl2
.49
5.54
4.63
wurden gleichgesetzt.
1.39
1.39
KONFL
konfl2
konfl3
konfl5
4.63
4.07
3.23
1.39
1.39
konfl4
konfl5
3.23
4.54
1.39
g ( )
Modellfit: _
2
Modellvergleich zum kongenerischen Messmodell: A_
2
(Adf=7)=190.61, p=0.000
96
CFA:Ergebnissezum
parallelenMessmodell
kkv1
kkv2
KKV
.76
.76
1.50
1.50
kkv3
kkv4
KKV
.76
.76
Parallelitt: 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
KONFL
konfl2
konfl3
1.40
1.40
1.40
4.39
4.39
konfl4
konfl5
1.40
Ab bild t i d t d di i t K ffi i t ( 1976)
4.39
4.39
Modellfit: _
2
97
Modellexploration:
Modifikationsindizes
M difik i i di B d V b Modifikationsindizes:BetragderVerbesserungvon_
beiFreisetzungdesentsprechendenParameters
Befehl unter OUTPUT MODI NDI CES( ) BefehlunterOUTPUT: MODI NDI CES( x)
wobeix:festzulegenderSchwellenwert(z.B.3)
Modellexploration: Freisetzen der entsprechenden Pfade Modellexploration:FreisetzenderentsprechendenPfade
bzw.ResidualkorrelationenunderneuterModelltest
Achtung,Verlustdeskonfirmatorischen Charaktersder c tu g, e ust des o ato sc e C a a te s de
Analyse!
EmpfehlungbeiausreichendemN:Kreuzvalidierung
Ziel:KompromisszwischengutemModellfitund
sparsamemModell
98
Mehrgruppenvergleich Mehrgruppenvergleich
li hk i d l i h d ll MglichkeitdesVergleichsvonMessmodellen
(v.a.Faktoranzahl undladungen)ber
mehrereGruppen(z.B.MnnerundFrauen)
Literatur:factorial /measurement invariance
(Vandenberg2000)
Grundprinzip:Modellvergleichzwischen p p g
1. Grundmodell:alleLadungenzwischenden
Gruppenfreigesetzt,und pp g ,
2. restriktivemModell:LadungenjedesIndikators
zwischendenGruppenaufGleichheitfixiert pp
99
Gruppenvergleiche in Mplus GruppenvergleicheinMplus
1 l i S b l 1. explorativeSubgruppenanalysen:
VARI ABLE: USEOBSERVATI ONS ARE ( sex EQ 1) ;
2 multipler Gruppenvergleich 2. multiplerGruppenvergleich:
1. imAbschnittVARIABLE:
VARI ABLE: GROUPI NG I S sex( 1=Mann, 2=Fr au) ; VARI ABLE: GROUPI NG I S sex( 1 Mann, 2 Fr au) ;
Achtung:standardmigrestringiertMplus alleLadungen(undIntercepts)
aufGleichheit,Residualvarianzensindhingegenfreigesetzt
2 im Abschnitt MODEL: 2. imAbschnittMODEL:
MODEL: [ opt i onal : Rest r i kt i onen i nner hal b al l er
Gr uppen und ber Gr uppen hi nweg]
MODEL Mann: [ Fr ei set zung von Par amet er n zwi schen MODEL Mann: [ Fr ei set zung von Par amet er n zwi schen
Gr uppen, spezi f i sche Rest r i kt i onen
i nner hal b ei ner Gr uppe]
vgl.auchBeispiel12.10imHandbuch(S.366)
100
Ausblick:Faktorenanalysehherer
Ordnung(Reinecke2005:180ff)
EQ FaktorzweiterOrdnung Beispiel: Ehequalitt
Faktorladungen derFaktoren2.Ordnung
KKV
Konfl
FaktorenersterOrdnung
(=IndikatorenfrFaktor2.Ordnung)
KKV Konfl
c
Konfl
Konflikt Konstruktivitt
c
KKV
Y2
Y1

Y3

Y4
Items(beobachtet)
Y
1
Y
2
Y
3
Y
4
Messfehler derIndikatoren
c
1
c
2
c
3
c
4
101
O.Arrnz Becker:Strukturgleichungsmodelle
vgl. Khnel (2004)
Ausblick: weitere Optionen Ausblick:weitereOptionen
Mpluskannauchmitbinren,qualitativen
undordinalenIndikatorenumgehen g
auchexploratorischeFaktorenanalysemglich
auch als Lngsschnitt Faktorenanalyse auchalsLngsschnittFaktorenanalyse:
.39**
29*
65**
Zukunftsorientierung
(W1)
(W2)
(W3)
.29*
.65**
.73** -.61** .69** .80** -.69** .76** .75** -.63** .71**
as00308 as00311 as00326 bs00202 bs00203 bs00210 cz06401 cz06402 cz06403
(imBeispiel:RestriktionaufParallelittdesMessmodells)
102
Verallgemeinerungen Verallgemeinerungen
bisherige Anwendung (CFA): metrisches Skalen bisherige Anwendung (CFA): metrisches Skalen-
niveau von latenten Faktoren und manifesten
Indikatoren Indikatoren
Es existieren verschiedene Generalisierungen
des CFA Ansatzes auf andere Skalenniveaus:
LatenteVariable
des CFA-Ansatzes auf andere Skalenniveaus:
Skalenniveau nominal metrisch
Manifeste
nominal
LatentClassAnalysis
(LCA)
ItemResponseTheory
(IRT)
Manifeste
Indikatoren
(LCA) (IRT)
metrisch
LatentProfileAnalysis
(LPA)
Confirmatory Factor
Analysis(CFA)
103
III Vollstndige III.Vollstndige
Strukturgleichungsmodelle g g
104
Wassindvollstndige
Strukturgleichungsmodelle?
KombinationausMess undStrukturmodell:
Strukturmodell: Beziehungen zwischen latenten Konstrukten
pz1
pz2
kkv1
kkv2 KKV PZ pz2
kkv2
kkv3 pz3
KKV PZ
ps1
konfl1
ps2 PS KONFL
ps3
konfl2
konfl3
Messmodelle
105
Synthese:vollstndige
Strukturgleichungsmodelle
Di B k i hti 28
.28
DieBercksichtigungvon
Messfehlernergibtandere
Strukturparameterfrdie
interessierenden Beziehungen
konstruktiver
Konfliktstil
Partnerschafts-
zufriedenheit
1
.28
.37
03
.26 .31
.20
.35 pz1
.51
interessierendenBeziehungen.
Konfliktscore
Partnerschafts-
stabilitt
1
.03
.26
.54
.63
.47
.81
.73
.68
.61
.37
pz2
kkv1
kkv2
39
pz3
KKV PZ
43 78
93
.21
.45
01
ps1
1.00
.47
.82
83
kkv3
kkv4
.39
pz3
.43
.41
.78
.82
.93
.43
.01
ps2
konfl1
1.00
.83 kkv4
PS KONFL
ps3
70
.97
.90
95
.82
.38
.72
PS KONFL
ps4
ps5
.51
konfl2
.49
konfl3
.77
konfl4 .79 konfl5
.70
.72 .48
.46
.95
106
Voraussetzungen Voraussetzungen,
Schtzvariantenetc.
107
SEM: Datenbezogene Voraussetzungen SEM:DatenbezogeneVoraussetzungen
1 M l b li bi Sk l i d V i bl ( 1. Mplus:beliebigesSkalenniveauderVariablen(sogar
ProzedurenfrZhldaten,zensierteDatenusw.)
Umgangmitbinren/kategorialenVariablen:
a) exogen:herkmmlicheDummycodierung
b) endogen:Deklarationntig(CATEGORI CAL/ NOMI NAL I S [ var ] im
AbschnittVARIABLES)
2 M ltinormal erteil ng aller Modell ariablen 2. MultinormalverteilungallerModellvariablen
d.h.allebedingtenVerteilungenwerdenals
normalverteiltangenommen g
notwendige,abernichthinreichendeBedingunghierfr:
NormalverteilungderEinzelvariablen
bei Verletzung Verzerrung (meist berschtzung) der
2
beiVerletzung:Verzerrung(meistberschtzung)der
2
StatistikundderStandardfehlerderKoeffizienten(d.h.
bermigkonservativeTestentscheidungen!)
108
Mgliche Fehlermeldungen MglicheFehlermeldungen
H d (H d 1931) ti Heywoodcases(Heywood1931):negative
Residualvarianzen,Korrelation>1
Folge: Abbruch der Schtzung Folge: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 definit Kovarianzmatrixnichtpositivdefinit
meistHinweisaufextremeMultikollinearitt(z.B.bei
Moderatormodellen)
bh lf bl f b k Abhilfe:Variablenentfernen;beiInteraktionstermen
vorherdiebeidenEinzelkomponentenVariablenum0
zentrierenbzw.zstandardisieren
109
Schtzvarianten Schtzvarianten
geeigneteSchtzungbeischiefverteiltenDaten:
ANALYSI S: ESTI MATOR=MLR/ WLSMV;
1. robusteMaximumLikelihoodSchtzung(MLR):Korrektur
der
2
StatistikundStandardfehler(SatorraBentler
K kt ) Korrektur)
auchbeikleinenStichproben(N~ 200)geeignet
Achtung: Modifikation des A_Tests notwendig (s ExcelSheet Achtung:ModifikationdesA_ Testsnotwendig(s.Excel Sheet
difftest_Chi2.xlsx
2. weighted leastsquares (WLSMV) Bercksichtigungder
hherenVerteilungsmomentebereinespezielle
Gewichtungsmatrix
110
Besonderheitenbeigroen
Stichproben
beigroenStichprobenexzessiveTeststrkeauch
beim_
Konsequenz:beiN>>1000fastimmersignifikante
AbweichungenzwischenModellundDaten
Diesbetrifftauchden_Differenztest.
Alternativkriterium: _ / 2 < 2 (d h _ sollte nicht Alternativkriterium:_ /2<2(d.h._ solltenicht
grerseinalsdasDoppeltederFreiheitsgrade)
Di K it i i t h fi h b i i ifik t DiesesKriteriumisthufigauchbeisignifikantem_
nocherfllt
111
Analysen an komplexen Stichproben AnalysenankomplexenStichproben
geclusterteDaten:
VARI ABLE: CLUSTER I S Cl ust er var i abl e;
ANALYSI S: TYPE=COMPLEX;
geschichtete Stichprobe: geschichteteStichprobe:
VARI ABLE: STRATI FI CATI ON I S Schi cht ;
ANALYSI S: TYPE=COMPLEX; ANALYSI S: TYPE=COMPLEX;
Designgewichte:
VARI ABLE: WEI GHT I S Gewi cht ;
112
Weitere Informationsquellen WeitereInformationsquellen
MplusWebseitehttp://www.statmodel.com/
MplusHandbuch(downloadbaralspdf) p ( p )
ForummitgutemSupportdurchLindaundBengt
Muthn Muthn
ausgesuchteReferenzartikelzumdownload
allgemeinzuSEM:SEMNETNewsletter
113
Literatur zur Prsentation LiteraturzurPrsentation
B R M & K D A (1986) Th d t di t di ti ti Baron,R.M.&Kenny,D.A.(1986).Themoderatormediatordistinction
insocialpsychologicalresearch:Conceptual,strategicandstatistical
considerations.JournalofPersonalityandSocialPsychology,51(6),
1173 1182 11731182.
Heywood,H.B.(1931),Onfinitesequencesofrealnumbers,
ProceedingsoftheRoyalSocietyofLondon.SeriesA,Containing
Papers of a Mathematical and Physical Character 134(824) 486 PapersofaMathematicalandPhysical Character 134(824),486
501.
Khnel,S.(2004).EinfhrunginlineareStrukturgleichungsmodellemit
LISREL (Prsentationsfolien) Wiederabdruck bzw auszugsweise LISREL(Prsentationsfolien).Wiederabdruckbzw.auszugsweise
WiedergabemitfreundlicherGenehmigungdesAutors.
Vandenberg,R.J.,Lance,C.E.(2000).Areviewandsynthesisofthe
measurement invariance literature: Suggestions practices and measurementinvarianceliterature:Suggestions,practices,and
recommendationsfororganizationalresearch.Organizational
ResearchMethods3,470.
114
Literatur zu SEM LiteraturzuSEM
Backhaus,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 ( ) y
Statisticalpractice,theory,anddirections.AnnualReviewof
Psychology,47,563592.
Geiser,C.(2009).DatenanalysemitMplus:Eineanwendungs , ( ) y p g
orientierteEinfhrung(Wiesbaden:VSVerlag).
Nachtigall,C.,Kroehne,U.,Funke,F.&Steyer,R.(2003).(Why)should
weuseSEM?Prosandconsofstructuralequationmodeling. q g
MethodsofPsychologicalResearchOnline,8(2),122.
Reinecke,J.(2005).Strukturgleichungsmodelleinden
Sozialwissenschaften. Mnchen: Oldenbourg. Sozialwissenschaften.Mnchen:Oldenbourg.
115
Anhang: Das griechische Alphabet Anhang:DasgriechischeAlphabet
116

Einfuehrung Strukturgleichungsmodelle

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Einfuehrung Strukturgleichungsmodelle

Hochgeladen von

Copyright:

Verfügbare Formate

Institut fr Soziologie

Dr. Oliver Arrnz Becker

3 Vergleich von beobachteten und modellimplizierten Varianzen und

Residuum: Varianz in der Religiositt,

Das könnte Ihnen auch gefallen