Strukturelle Gleichungsmodellierung
- Eingeführt von
- Sewall Wright
- Jahr
- 1921
- Typ
- Method
- Familie
- multivariate-modeling
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Strukturelle Gleichungsmodellierung (SEM) ist ein umfassendes statistisches Rahmenwerk, das Pfadanalyse (Sewall Wright, 1921) und konfirmatorische Faktorenanalyse kombiniert, um komplexe Kausalmodelle zu testen, die beobachtete und latente Variablen verknüpfen.
Formalisiert von Jöreskog (1973) mit der LISREL-Software ermöglicht SEM die gleichzeitige Schätzung von Messbeziehungen (wie Variablen latente Konstrukte messen) und Strukturbeziehungen (wie Konstrukte Ergebnisse beeinflussen), was es zu einem mächtigen Werkzeug für die Theorieprüfung in Psychologie, Epidemiologie, Organisationsforschung und Gesundheitswissenschaften macht, wo komplexe Mediation, Moderation und latente Prozesse eine integrierte Analyse erfordern.
Die Intuition hinter der Methode
Viele Forschungsfragen beinhalten komplexe Kausalketten: Beeinflusst eine Variable X das Ergebnis Y direkt oder indirekt über den Mediator M? Messen mehrere beobachtete Variablen ein einziges latentes Konstrukt? SEM integriert diese Fragen in einem Modell. Das Rahmenwerk besteht aus zwei Teilen: (1) Messmodell – wie beobachtete Variablen mit latenten Konstrukten zusammenhängen (Faktorladungen), und (2) Strukturmodell – wie Konstrukte kausal miteinander zusammenhängen (Pfadkoeffizienten). Im Gegensatz zur Regression (die Messfehler ignoriert) oder alleinigen Faktorenanalyse (die kausale Beziehungen ignoriert), schätzt SEM Strukturpfade unter Berücksichtigung von Messfehlern. Dieser duale Ansatz liefert gültigere Schlussfolgerungen über zugrundeliegende Prozesse und ermöglicht Tests von indirekten Effekten (Mediation), Moderation und reziproken Beziehungen.
Geschichte
Sewall Wright entwickelte die Pfadanalyse (1921), um Korrelationen in direkte und indirekte kausale Effekte in der Genetik zu zerlegen. Karl Jöreskog vereinigte die Pfadanalyse mit der Faktorenanalyse zur Schaffung von SEM und veröffentlichte 1973 die LISREL-Software (Linear Structural Relations), die komplexe Hypothesentests ermöglichte. Bentlers EQS (1985) und Arbuckles AMOS (1995) machten SEM zugänglicher. Moderne Entwicklungen umfassen robuste Schätzung (Yuan & Bentler, 2000), multilevel SEM (Hox & Maas, 2001), dynamische Strukturmodelle (latente Wachstumskurven; Bollen & Curran, 2006) und Bayesian SEM (Lee, 2007).
Wann wird sie eingesetzt?
SEM verwenden, wenn komplexe multivariate Theorien getestet werden, die Mediation, Moderation, latente Konstrukte und reziproke Kausalität beinhalten. Psychologie: Testen, ob kognitive Bewältigungsstrategien (latent) die Wirkung von Stress auf Depression vermitteln, oder wie Persönlichkeit Verhalten durch Motivation beeinflusst. Epidemiologie: Modellierung von Krankheitsrisikopfaden (z. B. sozioökonomischer Status → Gesundheitsverhalten → kardiovaskuläre Ergebnisse). Organisationsforschung: Testen, ob Führung (gemessen durch mehrere Items) die Leistung durch Mitarbeiterengagement (latent) beeinflusst. Bildung: Modellierung der Auswirkungen des Schulklimas (latentes Konstrukt aus Lehrer- und Schülerberichten) auf die Schülerleistung. SEM behandelt latente Variablen natürlich, was es ideal macht, wenn Konstrukte abstrakt sind oder durch mehrere Indikatoren mit Fehler gemessen werden.
Grenzen und Hinweise
- Erfordert große Stichproben und ausgewogenes Design: Parameterschätzung instabil bei kleinem n oder extremen Stichprobencharakteristika; Mindest-n ≥ 100–200 bei mehreren latenten Variablen.
- Annahme einer korrekten Modellspezifikation a priori: SEM testet das spezifizierte Modell; falsche Spezifikation (weggelassene Pfade, falsche Kausalrichtung) kann trotz falscher Darstellung gut passen (äquivalente Modelle).
- Mehrere äquivalente Modelle möglich: unterschiedliche Pfadstrukturen können dieselbe Kovarianzmatrix reproduzieren; SEM kann sie ohne zusätzliche Theorie oder Einschränkungen nicht unterscheiden.
- Nicht-experimentelle Daten implizieren keine Kausalität: Pfadkoeffizienten stellen Regressionsgewichte dar, keine kausalen Effekte; Störvariablen, umgekehrte Kausalität und Selektionsbias bedrohen weiterhin die Validität.
- Komplexe Interaktionen und nichtlineare Beziehungen sind in SEM schwer zu spezifizieren und zu schätzen; typischerweise werden lineare Beziehungen angenommen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Integrierte Mess- und Strukturkomponenten: schätzt gleichzeitig, wie Variablen Konstrukte messen (Validität) und wie Konstrukte zusammenhängen (Theorieprüfung).
- Berücksichtigung von Messfehlern: Pfadkoeffizienten korrigiert für Unzuverlässigkeit der Messung, was zu gültigeren Strukturschätzungen als die Regression führt.
- Testen komplexer Beziehungen: Mediation, Moderation, indirekte Effekte und reziproke Kausalität in einem kohärenten Rahmen.
- Flexibel für fehlende Daten: Full-Information Maximum Likelihood ermöglicht die Analyse mit unvollständigen Daten unter der MCAR-Annahme.
- Umfassende Fit-Diagnostik: Mehrere Indizes (CFI, RMSEA, Residuen) ermöglichen eine gründliche Modellbewertung und Identifizierung spezifischer Misfit-Quellen.
Anwendungen
- Klinische Psychologie: Testen, ob Traumaexposition Depression durch negative kognitive Muster (Mediation) beeinflusst; Modellierung latenter Dimensionen der Psychopathologie.
- Public Health: Bewertung, ob sozial-ökologische Interventionen Gesundheitsverhalten beeinflussen (z. B. Gemeinschaftsengagement → Wissen → Verhaltensänderung → Gesundheitsergebnisse).
- Bildungsforschung: Bewertung, ob die Zuweisung von Schulressourcen die Lernergebnisse der Schüler durch Lehrerqualität und Schulklima (latentes Konstrukt) beeinflusst.
- Organisationsverhalten: Testen, ob Führungsstil die Organisationsleistung durch Mitarbeitermotivation und -bindung (latente Mediatoren) beeinflusst.
- Longitudinale Entwicklungsforschung: Latente Wachstumskurvenmodelle, die verfolgen, wie sich Individuen im Laufe der Zeit verändern, und Trajektorien aus Baseline-Merkmalen vorhersagen.
So funktioniert es
So funktioniert es
SEM wird angewendet, indem: (1) das Modell a priori auf Basis der Theorie spezifiziert wird (die hypothetische Kausalstruktur zeichnen oder darstellen), (2) latente Variablen (abstrakte Konstrukte, die indirekt durch gemessene Variablen beobachtet werden) und ihre Indikatoren definiert werden, (3) Strukturpfade spezifiziert werden (kausale Hypothesen, die Variablen/Konstrukte verbinden), (4) Daten für alle beobachteten Variablen gesammelt werden (typischerweise kontinuierlich; SEM kann ordinale/kategoriale Daten mit geeigneter Schätzung verarbeiten), (5) eine ausreichende Stichprobengröße sichergestellt wird (Minimum n ≥ 100, idealerweise n ≥ 200; Faustregel: n > 10× Anzahl der geschätzten Parameter). Daten mit minimalen fehlenden Werten sammeln; die Full-Information Maximum Likelihood (FIML) von SEM behandelt fehlende Daten unter der Annahme, dass sie vollständig zufällig fehlen (MCAR). Exogene Variablen (Ursachen, typischerweise unkorreliert) und endogene Variablen (Effekte, die durch andere Variablen verursacht werden können) definieren.
SEM wird mittels Maximum Likelihood (ML) oder robuster Schätzmethoden (MLR für nicht-normale Daten) geschätzt. Die Ausgabe umfasst: (1) Standardisierte Pfadkoeffizienten (Regressionsgewichte zwischen Variablen): direkt vergleichbar über Pfade; Koeffizient von 0,4 deutet auf moderaten Effekt hin. (2) Faktorladungen: Korrelationen zwischen latenten Variablen und ihren Indikatoren (≥0,5 akzeptabel, ≥0,7 stark). (3) Standardfehler und z-Statistiken: Testen, ob Koeffizienten signifikant von Null abweichen. (4) Indirekte Effekte (Mediation): Produkt der Pfadkoeffizienten entlang der indirekten Route(n); Test mittels Bootstrapping (≥1000 Iterationen). (5) R² für endogene Variablen: Anteil der erklärten Varianz. (6) Fit-Indizes: CFI > 0,95, TLI > 0,95, RMSEA < 0,06, SRMR < 0,08 (Hu & Bentler, 1999). (7) Residuen: standardisierte Werte sollten nahe Null sein; große Residuen deuten auf Modell-Misfit bei spezifischen Beziehungen hin. (8) Modifikationsindizes: schlagen alternative Pfade vor; jedoch kompromittieren datengesteuerte Modifikationen die Validität – Modifikationen nur auf Basis der Theorie vornehmen.
Standardisierte Pfadkoeffizienten interpretieren als: ein Koeffizient von 0,5 für den Pfad X→Y bedeutet, dass eine Erhöhung von X um 1 Standardabweichung eine Vorhersage einer Erhöhung von Y um 0,5 Standardabweichungen liefert (direkter Effekt), während andere Variablen konstant gehalten werden. Wenn der Koeffizient p < 0,05 ist, ist der Effekt statistisch signifikant. Indirekte Effekte: Koeffizienten entlang des mediierenden Pfades multiplizieren. Zum Beispiel, wenn der Koeffizient X→M 0,3 und M→Y 0,4 ist, beträgt der indirekte Effekt = 0,3 × 0,4 = 0,12; der 95%-Bootstrap-CI sollte Null ausschließen, um Signifikanz zu erzielen. Gesamteffekt = direkt + indirekt; Vergleich mit Null zur Bewertung der Gesamtkorrelation. Modellpassung: Erfüllung aller Passungskriterien (CFI, RMSEA etc.) zeigt an, dass das Modell die beobachtete Kovarianzstruktur angemessen reproduziert. Residuen nahe Null bestätigen die Passung auf individuellen Pfaden. Modifikationsindizes > 3,84 deuten auf Pfade hin, die die Passung verbessern könnten, aber das Hinzufügen von Ad-hoc-Pfaden erhöht den Typ-I-Fehler; Modelle nur auf Basis theoretischer Begründung neu spezifizieren oder auf einer unabhängigen Stichprobe validieren.
Häufige Fallstricke
- Datengesteuerte Modellmodifikation: Iteratives Hinzufügen von Pfaden basierend auf Modifikationsindizes überanpasst sich an Zufälligkeiten und erzeugt Modelle, die möglicherweise nicht replizieren. Modifikationen müssen a priori theoretisch begründet sein oder auf einer unabhängigen Stichprobe getestet werden.
- Ignorieren des Messmodells: Konzentration nur auf Strukturpfade, während Messfehler frei geschätzt werden; unzureichende Messung untergräbt die strukturelle Validität.
- Berichterstattung über Modellpassung ohne Prüfung der Residuen: Gute globale Passindizes garantieren nicht, dass alle Pfade gut passen. Standardisierte Residuen und Modifikationsindizes prüfen, um lokalisierte Misfits zu identifizieren.
- Behandlung von SEM als konfirmatorisch bei explorativer Nutzung: Wenn das Modell datengesteuert war (post-hoc-Spezifikation), als explorativ berichten und auf unabhängiger Stichprobe validieren.
- Verwechslung von statistischer und praktischer Signifikanz: Ein signifikanter Pfad (p < 0,05) bedeutet nicht, dass der Effekt groß oder bedeutsam ist. Effektgrößen (standardisierte Koeffizienten) und Konfidenzintervalle berichten.
- Übermäßige Sättigung des Modells mit latenten Variablen: zu viele latente Konstrukte im Verhältnis zu Indikatoren und Stichprobengröße führen zu instabilen Schätzungen; Multigroup-SEM oder Bifaktormodelle vorsichtig verwenden.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem direkten und einem indirekten Effekt (Mediation)?
Ein direkter Effekt ist der Pfad von X nach Y, der quantifiziert, wie X Y direkt beeinflusst. Ein indirekter Effekt ist der Pfad X→M→Y, der quantifiziert, wie X Y über den Mediator M beeinflusst. Der indirekte Effekt entspricht dem Produkt des Pfades X→M mal dem Pfad M→Y. Gesamteffekt = direkt + indirekt. Mediation liegt vor, wenn: (1) der direkte Effekt X→Y nach Kontrolle von M abnimmt und (2) der indirekte Effekt X→M→Y signifikant ist (Bootstrap-CI schließt Null aus). Volle Mediation: direkter Effekt wird nach Einbeziehung des Mediators nicht mehr signifikant. Partielle Mediation: sowohl direkte als auch indirekte Effekte sind signifikant, was bedeutet, dass X Y über mehrere Pfade beeinflusst.
Woher weiß ich, ob mein Modell gut passt? Was bedeuten CFI und RMSEA?
Die Modellpassung wird anhand mehrerer Indizes beurteilt (Kriterien von Hu & Bentler, 1999): CFI (Comparative Fit Index) vergleicht Ihr Modell mit einem Nullmodell (alle Variablen unkorreliert); CFI > 0,95 zeigt eine gute Passung an (Bereich 0–1). RMSEA (Root Mean Square Error of Approximation) quantifiziert die Diskrepanz zwischen Modell und Daten pro Freiheitsgrad; RMSEA < 0,06 exzellent, 0,06–0,08 gut, > 0,10 schlecht (näher an Null ist besser). TLI > 0,95 und SRMR < 0,08 werden ebenfalls empfohlen. Die gleichzeitige Erfüllung aller Kriterien zeigt eine gute Passung an. Eine gute Gesamtpassung garantiert jedoch nicht, dass alle Pfade passen; standardisierte Residuen (sollten < |2| sein) und Modifikationsindizes prüfen.
Was ist eine latente Variable und wie messe ich sie?
Eine latente Variable ist ein unbeobachtetes Konstrukt (z. B. Depression, Intelligenz, Organisationskultur), das indirekt durch mehrere beobachtete Indikatoren (Fragebogenitems, Testergebnisse) gemessen wird. Jeder Indikator spiegelt das latente Konstrukt plus Messfehler wider. In SEM geben Sie an, welche beobachteten Variablen welche latenten Variablen über Faktorladungen messen. Zum Beispiel könnte die latente Variable 'Depression' durch die Items: Traurigkeit, Hoffnungslosigkeit, Schlafstörung (beobachtete Indikatoren) gemessen werden. Jede Ladung sollte ≥0,5 sein; wenn ein Indikator schwach lädt, erwägen Sie, ihn zu entfernen oder das latente Konstrukt neu zu konzeptualisieren.
Kann ich SEM verwenden, um Kausalität aus Beobachtungsdaten herzustellen?
Nein. SEM schätzt Assoziationen und testet, ob ein hypothetisches Kausalmodell die Korrelationsstruktur in den Daten reproduziert. Pfadkoeffizienten stellen Regressionsgewichte (bedingte Assoziationen) dar, keine kausalen Effekte. Kausalität erfordert: (1) zeitliche Präzedenz (X vor Y gemessen), (2) Kovariation (X und Y korrelieren), (3) keine plausiblen Alternativen (Störvariablen, umgekehrte Kausalität). Beobachtungs-SEM verletzt Kriterium 3: Störvariablen und unbeobachtete Ursachen bedrohen die Validität. Die statistische Passung von SEM allein kann keine Kausalität beweisen. Verwenden Sie SEM mit Theorie, qualitativen Beweisen und Studiendesign (Randomisierung, instrumentelle Variablen), um die kausale Inferenz zu stärken. Erwägen Sie Sensitivitätsanalysen, die alternative Modelle testen.
Verwandte Methoden
Quellen
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
Publikationsreferenz öffnenKopiert.Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
DOI-Referenz öffnenKopiert.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
Publikationsreferenz öffnenKopiert.