Skip to main content
main-content

Über dieses Buch

Ziele dieses Lehrbuches sind eine verständliche Einführung in wesentliche Konzepte und statistische Grundlagen linearer Strukturgleichungsmodelle (SEM) sowie die didaktische Vermittlung und deren praktische Umsetzung mittels der Statistik-Software „Stata“. Die Software Stata ist heute neben SPSS und R eine der weitest verbreiteten Statistik-Software-Pakete in den Sozial-, Verhaltens- und Wirtschaftswissenschaften. Die didaktische Vermittlung von SEM mittels Stata eignet sich auf Grund der (vergleichsweise) einfachen Syntax-Sprache und der Einbettung in eine Software-Umgebung zur nutzerfreundlichen Datenaufbereitung als auch -analyse.

Inhaltsverzeichnis

Frontmatter

Chapter 1. Warum Strukturgleichungsmodelle anwenden?

Zusammenfassung
Dieses Kapitel beschreibt den Ursprung von SEM als Analysemethode sowie deren Einordnung und Prominenz in der gegenwärtigen quantitativ-empirischen Forschung. Wie gezeigt wird, erschließt sich ihr Nutzen nicht zuletzt daraus, da SEM das lineare Regressionsmodell (oder ANOVA), Pfadanalyse und Faktorenanalyse vereinen. Damit einhergehend werden Grundbegriffe von SEM, wie „Strukturmodell“ (Hypothesen über „kausale“ Zusammenhänge zwischen Konstrukten/Variablen) und „Messmodell“ (Hypothesen über Indikator-Konstrukt-Beziehungen), als auch die Unterscheidung von manifesten und latenten Variablen eingeführt. Veranschaulicht wird diese Unterscheidung über die nötigen Schritte, um ein SEM zu spezifizieren. Diese Schritte zeigen gleichermaßen den idealtypischen Ablauf der empirischen Prüfung von SEM.
Julian Aichholzer

Chapter 2. Grundlagen in Stata

Zusammenfassung
Dieses Einführungskapitel gibt eine knappe Übersicht über die Grundlagen der Kommandosprache in Stata als Basis für deren laufende Ergänzung im Rahmen der Analyse von SEM. Zusätzlich werden einige Anmerkungen und Tipps zur praktischen Anwendung von Stata generell gegeben. Ein Fokus richtet sich zuletzt auf Datenformate zur Analyse von SEM in Stata, nämlich die Möglichkeit der Analyse zusammengefasster Parameter (summary statistics).
Julian Aichholzer

Chapter 3. Grundlagen für Strukturgleichungsmodelle

Zusammenfassung
Dieses Kapitel hat einerseits das Ziel, die begriff lichen Grundlagen und Konventionen für SEM vorzustellen: Eigenschaften oder Arten von Variablen in SEM sowie die Darstellung von SEM über Pfaddiagramme oder als Gleichungssystem über die Matrixschreibweise. Andererseits soll das nötige Vorwissen über wesentliche statistische Grundlagen für SEM geschaffen oder wiederholt und vertieft werden. Hierzu zählen: Varianz, Kovarianz, Korrelation und lineare Gleichungen. Der Fokus richtet sich schließlich auf die lineare Regression als Grundmodell und Spezialfall linearer SEM: statistische Grundlagen der (multiplen) linearen Regression, Schätzung mittels OLS- und ML-Funktion, Effektzerlegung, Standardisierung von Regressionskoeffizienten, Matrixschreibweise sowie die Kovarianzund Mittelwertstruktur der linearen Regression. Abschließend wird die Bedeutung der erklärten Varianz (R2) als Gütemaß erörtert.
Julian Aichholzer

Chapter 4. Strukturmodell: Kausalhypothesen als Pfadmodell

Zusammenfassung
Das Kapitel zeigt zunächst den Unterschied zwischen einfacher Regression und Pfadmodellen auf, da letztere eine Reihe von Kausalhypothesen in ein sogenanntes „Strukturmodell“ übersetzen. Auch lassen sich, wie gezeigt wird, unterschiedliche Arten von Hypothesen jeweils als Pfadmodell darstellen und teils nur mittels SEM analysieren. Das allgemeine statistische Modell der Pfadanalyse wird vorgestellt und schließlich die Möglichkeit der Berechnung und Interpretation von direkten, indirekten und totalen Effekten von Variablen in Pfadmodellen bzw. SEM allgemein hervorgehoben. Der Schluss zeigt, wie das über SEM unterstellte Muster der Variablenzusammenhänge schließlich eine modellimplizierte (geschätzte) Kovarianz- und Mittelwertstruktur bedingt. Ihr Muster bildet schließlich die Grundlage der globalen Bewertung, wie gut das Modell und empirische Daten übereinstimmen.
Julian Aichholzer

Chapter 5. Messmodell: Indikator-Konstrukt-Beziehung und Messfehler

Zusammenfassung
Das folgende Kapitel widmet sich der Beschreibung des Zusammenhangs zwischen latentem Konstrukt bzw. latenten Variablen und Indikatoren über ein Messmodell. Erörtert werden Grundlagen und Konzepte der Klassischen Testtheorie (KTT): Messung, Messfehler und Reliabilität der Messung. Danach wird der Frage nachgegangen und beispielhaft demonstriert, welche Auswirkungen Messfehler auf die Analyse von Variablenzusammenhängen haben und wie Messfehler mit SEM berücksichtigt bzw. korrigiert werden können.
Julian Aichholzer

Chapter 6. Faktorenanalyse: Messmodell latenter Variablen in SEM

Zusammenfassung
Der Abschnitt stellt zunächst allgemein Klassen von Messmodellen latenter Variablen vor und fokussiert schließlich auf die Faktorenanalyse als den zentralen Baustein für SEM. Zusammen mit dem allgemeinen statistischen Modell der Faktorenanalyse und Aspekten der Identifikation latenter Variablen werden die Varianten EFA (explorative/unrestringierte Faktorenanalyse) und CFA (konfirmatorische/restringierte Faktorenanalyse) vorgestellt und deren Unterschiede herausgearbeitet. Die darauf folgenden Abschnitte erörtern spezifische Eigenschaften von Indikatoren als auch die Bestimmung ihrer Messqualität (Validität und Reliabilität) im Rahmen der Faktorenanalyse. Im Zuge dessen werden nochmals Auswirkungen von Messfehlern sowie die Unterschiede in der Analyse latenter Variablen vs. manifester Variablen (Summenindizes) verdeutlicht.
Julian Aichholzer

Chapter 7. Zusammenfassung: Das vollständige SEM

Zusammenfassung
Dieser Abschnitt wiederholt das Ziel von SEM: die Verbindung von Strukturmodell (Pfadanalyse) und Messmodellen (Faktorenanalyse) und zeigt die allgemeine Formulierung von SEM in Stata sowie die sich daraus ergebenden Spezialfälle statistischer Modelle.
Julian Aichholzer

Chapter 8. Grundlagen der Modellschätzung in SEM

Zusammenfassung
In diesem Kapitel werden Grundlagen der Modellschätzung in SEM sowie deren Umsetzung in Stata vorgestellt. Zunächst werden daher Aspekte der Datenstruktur beleuchtet bzw. die Frage, für welche Arten von Daten SEM prinzipiell geeignet sind. Diese Aspekte bedingen schließlich die Anwendung eines Verfahrens zur Parameterschätzung in SEM. Für die in SEM charakteristische Nullhypothese – „hypothetisches Modell und empirische Daten stimmen überein“ – wird gezeigt, dass sie auf einen globalen Test aller eingeführten Modellrestriktionen (Parameterrestriktionen) hinausläuft. Außerdem werden Grundregeln und Begriffe der Modellidentifikation in SEM erläutert, d. h. unter welchen Bedingungen ein Modell geschätzt werden kann. Abschließend werden Beispiele für typische Probleme in der Modellschätzung von SEM angesprochen.
Julian Aichholzer

Chapter 9. Modellbewertung und Ergebnispräsentation

Zusammenfassung
Dieses Kapitel erläutert die gängige Praxis zur Bestimmung der Modellgüte von SEM als auch die Darstellung von Ergebnissen aus SEM. Zur Bestimmung der Modellgüte wird einerseits der globale Test der Nullhypothese in SEM (Χ 2-Test) als Vergleich gegenüber einem „perfekten Modell“ vorgestellt und, andererseits, alternative Gütemaße für annähernden „Fit“. Weiters wird die Praxis und mögliche Gütemaße rund um den Vergleich rivalisierender (alternativ spezifizierter) Modelle beschrieben. Zur Modelldiagnose im Fall eines „schlecht“ passenden Modells können schließlich sogenannte Modifikationsindizes sowie Modellresiduen herangezogen werden. Abschließend werden Möglichkeiten der Präsentation substanzieller Ergebnisse im Tabellenformat oder auch innerhalb von Pfaddiagrammen veranschaulicht.
Julian Aichholzer

Chapter 10. Anwendungsbeispiele von SEM mit Stata

Zusammenfassung
Dieser Abschnitt versucht in komprimierter Form einen Großteil der in vorangegangenen Kapiteln eingeführten Methoden rund um SEM umfassend anhand empirischer Beispieldaten zu demonstrieren. Schritt für Schritt wird dabei ein Analyseszenario erstellt, dass sich am realen „Forschungsalltag“ orientiert. Verwendet werden dafür Befragungsdaten einer Stichprobe der Austrian National Election Study (AUTNES) rund um das Thema möglicher Ursachen politischer Themeneinstellungen.
Julian Aichholzer

Chapter 11. Rückblick und Ausblick

Zusammenfassung
In diesem Abschlusskapitel werden zunächst die Grundidee und Vorteile der Anwendung von SEM wiederholt. Danach wird mittels Literaturhinweisen ein Überblick über weiterführende Themen und Anwendungen im Rahmen von SEM gegeben, die größtenteils in Stata umgesetzt werden können. Diese umfassen: SEM für Längsschnittdaten bzw. Panel-Daten, SEM für Gruppenvergleiche (Messinvarianz), verallgemeinerte SEM (nicht-lineare und Multilevel-Modelle), spezifische Formen von Hypothesen (Interaktionen latenter Variablen sowie nicht-rekursive Modelle), spezielle Beobachtungseinheiten (Meta-Analysen und Zwillingstudien) sowie alternative Schätzmethoden für SEM.
Julian Aichholzer

Backmatter

Weitere Informationen