nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

7. Güteprüfung reflektiver Messmodelle

verfasst von : Rolf Weiber, Marko Sarstedt

Erschienen in: Strukturgleichungsmodellierung

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

In Kapitel 7 wird die Güteprüfung bei reflektiven Messmodellen allgemein sowie anhand des Fallbeispiels erläutert. Die Güteprüfung reflektiver Messmodelle wird dabei auf die Reliabilitäts- und die Validitätsprüfung fokussiert. Im Rahmen der Reliabilitätsprüfung werden sowohl Gütekriterien der ersten Generation (Cronbachs Alpha, Inter-Item-Korrelation, Item-to-Total-Korrelation, explorative Faktorenanalyse u. a.) als auch der zweiten Generation (Konfirmatorische Faktorenanalyse) behandelt. Die Validitätsprüfung ist in Abschn. 7.3 dann auf die Prüfung von Inhalts-, Kriteriums- und Konstruktvalidität konzentriert. Die Verwendung von formativen Messmodellen findet der Leser in Kap. 12, wobei auch hier auf das Fallbeispiel aus Kap. 4 zurückgegriffen wird.

Hinweise zur Durchführung der in Abschn. 7.2.2.3 dargestellten konfirmatorischen Faktorenanalyse für das Fallbeispiel mit AMOS findet der Leser in Abschn. 8.3.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Konstrukt-Operationalisierung

Nächstes Kapitel Modellschätzung mit AMOS

Aufgrund der grundsätzlich verschiedenartigen Operationalisierung formativer Messmodelle (vgl. Abschn. 12.1 und 12.2), lassen sich die Gütekriterien zur Prüfung reflektiver Messmodelle nicht unmittelbar auf formative Messmodelle übertragen. Zur Güteprüfung formativer Messmodelle vgl. Abschn. 12.2.2.

Z. B. Cronbach (1947), Cronbach und Meehl (1955), Campbell (1960) oder Campbell und Fiske (1959).

Dabei ist die Verwendung der explorativen Faktorenanalyse jedoch mit Vorsicht zu genießen, da sie insbesondere in frühen Stadien einer Untersuchung, wenn also viele nicht geeignete Indikatoren enthalten sind, dazu tendiert, eine zu große Anzahl an Dimensionen zu entdecken (Campbell 1976, S. 194). Eine anwendungsorientierte Einführung zur explorativen Faktorenanalyse findet sich bei Backhaus et al. (2021), Kap. 7 sowie Sarstedt und Mooi (2019), S. 267 ff.

Für unser Fallbeispiel verzichten wir im Rahmen des Pretests auf die simultane Prüfung der Messmodelle aller Konstrukte und nehmen diese nur für die Daten der Hauptuntersuchung vor. Vgl. hierzu Abschn. 7.2.1.

Promax stellt eine der am häufigsten verwendeten nicht-orthogonalen Rotationsvarianten dar (Jennrich 2004, S. 16). Der in SPSS voreingestellte Wert für „Kappa“ liegt bei 4 und ist für die meisten Anwendungsfelder gut geeignet. Für einen breiten Überblick der verschiedenen Rotationsvarianten vgl. Mulaik (1972), S. 272 ff.

SPSS-Syntax und Daten zur EFA findet der Leser auf der Internetplattform zum Buch.

Bei schiefwinkliger Rotation ist die sog. Mustermatrix zur Faktoreninterpretation heranzuziehen.

Vgl. zu dieser Vorgehensweise und zur Second-Order-Faktorenanalyse die Ausführungen in Kap. 13.

Vgl. zum Begriff und zur Beurteilung von Reliabilität ausführlich: Churchill (1979), S. 68 ff.; Himme (2007), S. 376 ff.; Homburg und Giering (1996), S. 8 f.; Peter (1979), S. 6 ff.

An dieser Stelle sei nochmals darauf hingewiesen, dass eindimensionale Messmodelle die Grundvoraussetzung sind, um eine sinnvolle Durchführung der Reliabilitätsprüfung anhand der dargestellten Varianten vorzunehmen (Hildebrandt und Temme 2006, S. 624), was für unser Fallbeispiel im vorangegangenen Kapitel geprüft wurde.

Vgl. Peter (1979), S. 8.

Nunnally (1967), S. 262.

Abb. 7.3 entspricht nicht exakt den in SPSS ausgewiesenen Outputs, sondern wurde hier aus Gründen der besseren Übersichtlichkeit in komprimierter Form dargestellt.

Die Gütekriterien der ersten Generation werden durch das Programmpaket AMOS nicht bereitgestellt und müssen deshalb gesondert berechnet werden. Mit SPSS können diese jedoch über die Prozedur „Reliability“ bestimmt werden (Menüauswahl: „Analysieren → Skalierung → Reliabilitätsanalyse“). Auf der Internetplattform zum Buch findet der Leser auch die SPSS-Syntaxdateien sowie die Daten zum Beispiel.

Vgl. zu diesen Prüfungen die Ausführungen in Abschn. 8.1.3.

Auf der Internetplattform zum Buch https://www.strukturgleichungsmodellierung.de sind Daten, Syntax und SPSS-Output zu diesem Beispiel verfügbar.

Einige Forscher ziehen nicht die Mustermatrix, sondern die Strukturmatrix zur Interpretation einer obliegen Faktorlösung heran. Für die hier vorliegende Zielsetzung, die primär darauf abzielt zu untersuchen, ob Variablen nicht eindeutig einzelnen Faktoren zugewiesen werden können, ist die gewählte Vorgehensweise insbesondere bei substanziellen Korrelationen zwischen Faktoren jedoch zweckmäßiger (vgl. Hair et al. 2010, S. 139).

Vgl. Bagozzi und Yi (1988), S. 80.

Die durchschnittlich extrahierte Varianz wird auch als Maß für die Konvergenzvalidität einer Messung interpretiert. Hierbei wird darauf abgestellt, inwiefern das Konstrukt im Sinne einer Varianzaufklärung in seinen Messindikatoren konvergiert.

Vgl. Fornell und Larcker (1981), S. 45 f.

Bei praktischen Anwendungen besteht allerdings auch oft der Zielkonflikt, dass der Pretestdatensatz meist eine nur geringe Fallzahl aufweist, die oftmals für die Durchführung einer KFA zu gering ist.

Abschn. 8.3 erläutert den AMOS-Aufruf, die Erstellung des Pfaddiagramms sowie das Einlesen der Daten.

Die im Rahmen der KFA anwendbaren Schätzverfahren sind identisch zu denen der Strukturgleichungsanalyse. Vgl. hierzu Tab. 3.4 und die Ausführungen in Abschn. 3.2.3. Zur Auswahl einer Schätzmethodik in AMOS vgl. Abschn. 8.3.

Die Excel-Datei hierzu findet der Leser auf der Internetplattform zum Buch.

Zum Begriff und zur Beurteilung von Validität vgl. ausführlich: Churchill (1979), S. 70 ff.; Himme (2007), S. 381 ff.; Peter (1981), S. 133 ff.; Schnell et al. (2018), S. 154 ff.

Die nachfolgenden Außenkriterien dienen hier vor allem der Verdeutlichung der Vorgehensweise. In realen Anwendungssituationen erweist sich die Festlegung und valide Messung geeigneter Außenkriterien als sehr aufwendig, da hierfür im Prinzip ebenfalls der vollständige Prozess der Konstruktkonzeptualisierung, Operationalisierung und Reliabilitäts- sowie Validitätsprüfung durchlaufen werden müsste.

Vgl. zum Aufruf von AMOS, die Erstellung des Pfaddiagramms für das KFA-Modell mit Außenkriterien mit Hilfe des Grafik-Moduls sowie das Einlesen der Daten die Ausführungen in Abschn. 8.3. Daten und den AMOS-Output für die KFA mit Außenkriterien findet der Leser auf der Internetplattform zum Buch.

Zur Beurteilung der Güte des Gesamtmodells der KFA werden dieselben Kriterien wie bei einem vollständigen Kausalmodell (=Messmodelle plus Strukturmodell) herangezogen; vgl. hierzu im Detail Kap. 9.

Zur Analyse von MTMM-Matrizen mittels KFA vgl. Hildebrandt (1984), S. 45 ff.

Zur Güteprüfung mittels Modellvergleich vgl. auch Abschn. 9.2.

Vgl. zum Chi-Quadrat-Wert als globales Gütemaß eines Modells Abschn. 9.1.2.1.

Vgl. Jöreskog (1971a, b), S. 117 ff.

Vgl. Fornell und Larcker (1981), S. 46.

Die Ergebnisse dieser KFA sind auf der Internetplattform zum Buch verfügbar.

Die Pfaddiagramme dieser drei KFA entsprechen dem des unrestringierten Modells mit dem Unterschied, dass die Kovarianz zwischen den entsprechenden Konstrukten jeweils auf 1 zu fixieren sind. Zu diesem Zweck ist im AMOS-Grafikmodus jeweils über einen Doppelklick auf den Pfeil, der die Kovarianz zwischen den entsprechenden Konstrukten angibt, unter „Object Properties → Parameters“ für die entsprechende Kovarianz („Covariance“) jeweils der Wert 1 anzugeben. Im Textoutput werden dann unter „Model Fit“ beim „Default Model“, die χ²-Werte (CMIN) für das zur Schätzung herangezogene Modell ausgegeben. Syntax, Daten und AMOS-Outputs zu diesen drei KFA findet der Leser auf der Internetplattform zum Buch.

Zum Aufruf von AMOS, der Erstellung des Pfaddiagramms mit Hilfe des Grafik-Moduls für die jeweiligen KFA sowie zum Einlesen der Daten vgl. Abschn. 8.3.

Die detaillierten Ergebnisse hierzu sind auf der Internetplattform zum Buch verfügbar.

Es sei daran erinnert, dass formative Messmodelle andere Prüfroutinen erfordern. Vgl. hierzu Abschn. 12.2.2.

Anderson, J. C., & Gerbing, D. W. (1988). Structural modeling in practice: A review and recommended two step approach. Psychological Bulletin, 103(3), 411–423.CrossRef

Backhaus, K., Erichson, B., Gensler, S., Weiber, R., & Weiber, T. (2021). Multivariate Analysemethoden (16. Aufl.). Wiesbaden: Springer Gabler.CrossRef

Bagozzi, R. P. (1979). The role of measurement in theory construction and hypothesis testing. In O. C. Ferrel, S. . W. Brown & C. W. Lamb (Hrsg.), Conceptual and theoretical developments in marketing (S. 15–33). Chicago: American Marketing Associations.

Bagozzi, R. P. (1980). Causal models in marketing. New York: Wiley.

Bagozzi, R. P. (1981a). Evaluating structural equation models with unobservable variables and measurement error: A comment. Journal of Marketing Research, 18(1), 375–381.CrossRef

Bagozzi, R. P. (1981b). An Examination of the validity of two models of attitude. Multivariate Behavioral Research, 16(3), 323–359.CrossRef

Bagozzi, R. P. (1982). Representing and testing organizational theories: A holistic construal. Administrative Science Quarterly, 27(3), 459–489.CrossRef

Bagozzi, R. P., & Baumgartner, H. (1994). The evaluation of structural equation models and hypotheses testing. In R. P. Bagozzi (Hrsg.), Principles of marketing research (S. 386–422). Cambridge: Blackwell.

Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94.CrossRef

Bagozzi, R. P., Yi, Y., & Phillips, L. W. (1991). Assessing construct validity in organizational research. Administrative Science Quarterly, 36(3), 421–458.CrossRef

Balderjahn, I. (1986). Das umweltbewusste Konsumentenverhalten. Dunker & Humboldt: Berlin.

Bearden, W. O., Netemeyer, R. G., & Teel, J. E. (1989). Measurement of consumer susceptibility to interpersonal influence. Journal of Consumer Research, 15(4), 473–481.CrossRef

Campbell, D. T. (1960). Recommendations for APA test standards regarding construct, trait, or discriminant validity. American Psychologist, 15(8), 546–553.CrossRef

Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validity by the multitraid-multimethod-matrix. Psychological Bulletin, 56(2), 81–105.CrossRef

Campbell, J. P. (1976). Psychometric theory. In M. D. Dunette (Hrsg.), Handbook of industrial and organizational psychology (S. 185–222). Chicago: Rand McNally & Co.

Churchill, G. A. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73.CrossRef

Cooksey, R. W., & Soutar, G. N. (2006). Coefficient beta and hierarchical item clustering. An analytical procedure for establishing and displaying the dimensionality and homogeneity of summated scales. Organizational Research Methods, 9(1), 78-98.

Cronbach, L. J. (1947). Test „reliability“: Its meaning and determination. Psychometrika, 12(1), 297–334.

Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302.CrossRef

Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012). Guidelines for choosing between multi-item and single-item scales for construct measurement: A predictive validity perspective. Journal of the Academy of Marketing Science, 40(3), 434–449.CrossRef

Dinno, A. (2009). Exploring the sensitivity of Horn’s parallel analysis to the distributional form of random data. Multivariate Behavioral Research, 44(3), 362–388.CrossRef

Döring, N., & Bortz, J. (2016). Forschungsmethoden und Evaluation (5. Aufl.). Heidelberg: Springer.

Fornell, C. (1982). A second generation of multivariate analysis: An overview. In C. Fornell (Hrsg.), A second generation of multivariate analysis: Classification of methods and implications for marketing research (1. Aufl., S. 1–21). New York: Greenwood.

Fornell, C., & Larcker, D. F. (1981). Evaluation structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.CrossRef

Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447.CrossRef

Franke, G., Sarstedt, M., & Danks, N. P. (2021). Assessing measure congruence in nomological networks. Journal of Business Research, 130, 318-334.

Gerbing, D. W., & Anderson, J. C. (1988). An updated paradigm for scale development incorporating unidimensionality and its assessment. Journal of Marketing Research, 25(2), 186–192.CrossRef

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7. Aufl.). New York: Pearson.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.CrossRef

Hildebrandt, L. (1984). Kausalanalytische Validierung in der Marketingforschung. Marketing: Zeitschrift für Forschung und Praxis, 6(1), 41–51.

Hildebrandt, L., & Temme, D. (2006). Probleme der Validierung mit Strukturgleichungsmodellen. Die Betriebswirtschaft, 66(6), 618–639.

Himme, A. (2007). Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit. In S. Albers, D. Klapper, U. Konradt, A. Walter & J. Wolf (Hrsg.), Methodik der empirischen Forschung (2. Aufl., S. 375–390). Wiesbaden: Springer Gabler.CrossRef

Homburg, C. (1998). Kundennähe von Industriegüterunternehmen (2. Aufl.). Wiesbaden: Springer Gabler.CrossRef

Homburg, C., & Giering, A. (1996). Konzeptualisierung und Operationalisierung komplexer Konstrukte – Ein Leitfaden für die Marketingforschung. Marketing: Zeitschrift für Forschung und Praxis, 18(1), 5–24.

Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185.CrossRef

Jennrich, R. I. (2004). Rotation to simple loadings using component loss functions: The oblique case. Psychometrika, 71(1), 173–191.CrossRef

Jöreskog, K. G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika, 32(4), 443–482.CrossRef

Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.CrossRef

Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 57(2), 239–251.CrossRef

Jöreskog, K. G. (1971a). Statistical analysis of sets of congeneric tests. Psychometrika, 36(2), 109–133.CrossRef

Jöreskog, K. G. (1971b). Simultaneous factor analysis in several populations. Psychometrika, 36(4), 409–426.CrossRef

Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.CrossRef

Kaiser, H. F., & Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychologcial Measurement, 34(1), 111–117.CrossRef

Kumar, N., Scheer, L., & Steenkamp, J. B. (1993). Powerful suppliers, vulnerable resellers, and the effects of supplier fairness: A cross-national study. Pennsylvania: Arbeitspapier des Instituts für the Study of Business Markets.

Lim, S., & Jahng, S. (2019). Determining the number of factors using parallel analysis and its recent variants. Psychological Methods, 24(4), 452–467.CrossRef

Longman, R. S., Cota, A. A., Holden, R. R., & Fekken, G. C. (1989). A regression equation for the parallel analysis criterion in principal components analysis: Mean and 95th percentile eigenvalues. Multivariate Behavioral Research, 24(1), 59–69.CrossRef

Mulaik, S. (1972). The foundations of factor analysis. New York: CRC Press.

Nunnally, J. C. (1967). Psychometric theory. New York: McGraw-Hill.

Nunnally, J. C. (1978). Psychometric theory (2. Aufl.). New York: McGraw-Hill.

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3. Aufl.). New York: McGraw-Hill.

O‘Connor (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer‘s MAP Test. Behavior Research Methods, Instruments, & Computers, 32(3), 396–402.CrossRef

Peter, J. P. (1979). Reliability: A review of psychometric basics and recent marketing practices. Journal of Marketing Research, 16(1), 6–17.CrossRef

Peter, J. P. (1981). Construct validity: A review of basic issues and marketing practices. Journal of Marketing Research, 18(2), 133–145.CrossRef

Revelle, W. (1979). Hierarchical clustering and the internal structure of tests. Multivariate Behavioral Research, 14(1), 57–74.CrossRef

Rigdon, E. E., & Sarstedt, M. (2021). Accounting for uncertainty in the measurement of unobservable marketing phenomena. In: H. Baumgartner and B. Weijters (Eds.), Review of Marketing Research, Volume 19. Bingley: Emerald.

Rigdon, E. E., Sarstedt, M., & Becker, J.-M. (2020). Quantify uncertainty in behavioral research. Nature Human Behaviour, 4, 329–331.CrossRef

Robinson, J. P., Shaver, P. R., & Wrightsman, L. S. (1991). Criteria for scale selection an evaluation. In J. P. Robinson, P. R. Shaver & L. S. Wrightsman (Hrsg.), Measures of Personality and social psychological attitudes (S. 1–15). San Diego: Academic Press.

Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19(4), 305–335.CrossRef

Sarstedt, M., & Mooi, E. A. (2019). A concise guide to market research: The process, data, and methods using IBM SPSS Statistics (3. Aufl.). Heidelberg: Springer.CrossRef

Schnell, R., Hill, P. B., & Esser, E. (2018). Methoden der empirischen Sozialforschung (11. Aufl.). München: Oldenburg.

Shimp, T. A., & Sharma, S. (1987). Consumer ethnocentrism: Construction and validation of the CETSCALE. Journal of Marketing Research, 24(3), 280–289.CrossRef

Voorhees, C. M., Brady, M. K., Calantone, R., & Ramirez, E. (2016). Discriminant validity testing in marketing: An analysis, causes for concern, and proposed remedies. Journal of the Academy of Marketing Science, 44(1), 119–134.CrossRef

Zaichkowsky, J. L. (1985). Measuring the involvement construct. Journal of Consumer Research, 12(3), 41–352.CrossRef

Zaltmann, G., Pinson, C., & Angelmar, R. (1973). Metatheory and consumer research. New York: Holt, Reinhart and Winston.

Zwick, W. R., & Velicer, W. F. (1986). Comparison of five rules for determining the number of components to retain. Psychological Bulletin, 99(3), 432–442.CrossRef

Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8–34.CrossRef

Brown, J. D. (2009). Choosing the right type of rotation in PCA and EFA. JALT Testing & Evaluation SIG Newsletter, 13(3), 20–25.

Cho, E., & Kim, S. (2014). Cronbach’s coefficient alpha: Well-known but poorly understood. Organizational Research Methods, 18(2), 207–230.CrossRef

Cortina, J. M., Sheng, Z., Keener, S. . K., Keeler, K. R., Grubb, L. K., Schmitt, N., Tonidandel, S., Summerville, K. M., Heggestad, E. D., & Banks, G. C. (2020). From alpha to omega and beyond! A look at the past, present, and (possible) future of psychometric soundness in the Journal of Applied Psychology. Journal of Applied Psychology, 105(12), 1351–1381.CrossRef

Matsunga, M. (2010). How to factor-analyze your data right: Do’s and don’ts and how to’s. International Journal of Psychological Research, 3(1), 97–110.CrossRef

McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433.CrossRef

Raykov, T., & Marcoulides, G. A. (2019). Thanks coefficient alpha, we still need you! Educational Psychology and Psychological Measurement, 79(1), 200–210.CrossRef

Trinchera, L., Marie, N., & Marcoulides, G. A. (2018). A distribution free interval estimate for coefficient alpha. Structural Equation Modeling, 25(6), 876–887.CrossRef

Titel: Güteprüfung reflektiver Messmodelle
verfasst von: Rolf Weiber
Marko Sarstedt
Verlag: Springer Fachmedien Wiesbaden
Buch: Strukturgleichungsmodellierung
Print ISBN: 978-3-658-32659-3

Electronic ISBN: 978-3-658-32660-9

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-658-32660-9_7