Skip to main content

2011 | Buch

Datenanalyse mit Mplus

Eine anwendungsorientierte Einführung

verfasst von: Christian Geiser

Verlag: VS Verlag für Sozialwissenschaften

insite
SUCHEN

Über dieses Buch

Strukturgleichungsmodelle gehören mittlerweile zu den etablierten statistischen Methoden in den Sozialwissenschaften und eignen sich für die Beantwortung einer Vielzahl von Fragestellungen. Das Analyseprogramm Mplus erfreut sich als eines der aktuellsten, flexibelsten und anwenderfreundlichsten Statistikprogrammen zunehmender Beliebtheit.

Praxisnah, mit zahlreichen Beispielen, Probedatensätzen und Abbildungen führt der Autor Schritt für Schritt in die Grundlagen der Handhabung von Mplus ein. Dabei werden nicht nur Strukturgleichungsmodelle für quer- und längsschnittliche Auswertungen, sondern auch Mehrebenenmodelle und Latent-Class-Analysen besprochen.

Inhaltsverzeichnis

Frontmatter
1. Datenautbereitung in SPSS
Zusammenfassung
In diesem Kapitel wird besprochen, was zu beachten ist, wenn man einen SPSS-Datensatz zum Einlesen in Mplus aufbereiten möchte. Das Programm SPSS wurde als Beispiel gewählt, da es in den Sozialwissenschaften zu den am weitesten verbreiteten Statistik-Software-Packages zu zählen ist. Die gezeigten Schritte lassen sich jedoch problemlos auch auf andere Statistikprogramme wie z.B. SAS, STATA, STATISTICA, Systat usw. übertragen.
Christian Geiser
2. Einlesen von Daten in Mplus
Zusammenfassung
Mplus kann unterschiedliche Arten von Daten einlesen und verarbeiten. Die beiden wichtigsten Varianten sollen hier besprochen werden. Die erste Variante ist in der Praxis wohl die Häufigste. Hierbei werden Rohdaten verwendet, d.h. sogenannte Individualdaten (individual data). In Individualdatensätzen hat jede Person auf jeder Variable einen Wert (oder ggf. einen fehlenden Wert), so wie dies z.B. im KFT-Datensatz (siehe Abb. 1.15) der Fall ist. Die zweite Variante bezieht sich auf das Einlesen sogenannter Summary-Daten. Dabei handelt es sich z.B. um eine Kovarianz- oder Korrelationsmatrix (und ggf. die Mittelwerte und Standardabweichungen der Variablen). Die Möglichkeit, mit Summary-Daten arbeiten zu können, ist beispielsweise dann nützlich, wenn man Daten aus einem Forschungsbericht (z.B. einem Fachzeitschriftenartikel) reanalysieren möchte. In vielen Publikationen werden Kovarianz-oder Korrelationsmatrizen, die die Grundlage für die berichteten Analysen (z.B. Pfadoder Strukturgleichungsanalysen) darstellen, mit angegeben (wohingegen die Rohdaten nur selten verfügbar gemacht werden). Für viele Arten von linearen Strukturgleichungsmodellen ist es nicht unbedingt erforderlich, Individualdaten zu analysieren (obwohl Individualdaten in vielerlei Hinsicht vorteilhaft sind, z.B. wenn fehlende Werte oder besondere Schätzverfahren berücksichtigt werden sollen). Als Input genügt bei vielen Modellen die Kovarianzmatrix, ggf. ergänzt durch die Mittelwerte der zu analysierenden Variablen. Es wird zunächst das Einlesen von Individualdaten gezeigt, und zwar anhand des in Abschnitt 1.3 abgespeicherten ASCII-Datensatzes mit den KFT-Daten.
Christian Geiser
3. Lineare Strukturgleichungsmodelle
Zusammenfassung
Lineare Strukturgleichungsmodelle mit latenten Variablen (häufig auch als Kovarianzstrukturmodelle bezeichnet) werden dazu verwendet, komplexe Zusammenhänge zwischen kontinuierlichen Variablen auf latenter (messfehlerbereinigter) Ebene zu untersuchen. Lineare Strukturgleichungsmodelle kann man als generalisierte (multivariate) Regressionsmodelle auffassen. In diesen Modellen können simultan gerichtete Zusammenhänge (Regressionen) zwischen multiplen abhängigen und multiplen unabhängigen Variablen untersucht werden. Variablen, die dabei ausschließlich als unabhängige Variablen fungieren, bezeichnet man als exogene Variablen, da sie im Modell nicht durch andere Variablen erklärt werden. Zwischen exogenen Variablen werden ggf. ungerichtete Zusammenhänge, d.h. Kovarianzen bzw. Korrelationen, modelliert.
Christian Geiser
4. Strukturgleichungsmodelle der Veränderungsmessung
Zusammenfassung
Lineare Strukturgleichungsmodelle werden nicht nur häufig zur Auswertung querschnittlich erhobener Daten eingesetzt. Sie bieten sich aufgrund ihrer hohen Flexibilität bei der Modellierung komplexer Zusammenhänge und durch die Möglichkeit, Messfehlereinflüsse zu berücksichtigen, auch hervorragend zur Auswertung von Längsschnittdaten (Messwiederholungsdesigns) an. In den folgenden Abschnitten wird die Spezifikation und Analyse fünf verschiedener Klassen von Längsschnittstrukturgleichungsmodellen in Mplus besprochen. Grob kann hierbei zwischen Modellen zur Analyse von Variabilität (Variabilitätsmodelle) und Modellen zur Messung von Trait-Veränderungen (Trait-Veränderungsmodelle) unterschieden werden (vgl. Eid, 2003). Variabilitätsmodelle befassen sich eher mit der Modellierung situationsspezifischer Schwankungen von Messwerten um einen zeitstabilen Eigenschaftswert („Trait“). Trait-Veränderungsmodelle werden dagegen vor allem dann eingesetzt, wenn es darum geht, tatsächliche, überdauernde Veränderungen von Merkmalen über die Zeit zu analysieren.
Christian Geiser
5. Mehrebenenregressionsmodelle
Zusammenfassung
Mehrebenenmodelle (Synonyme: Multilevelmodelle, Hierarchische lineare Modelle, Random Coefficient Models, Mixed Models) dienen dazu, geschachtelte Daten (Daten mit einer hierarchischen Struktur oder Clusterstruktur) auszuwerten. Beispielsweise liegt in Untersuchungen mit Schülern häufig eine hierarchische Struktur vor, und zwar dann, wenn in der gezogenen Stichprobe die Schüler in Schulklassen „geschachtelt“ (man sagt auch geclustert) sind. Man unterscheidet in diesem Zusammenhang zwischen Level-l- und Level-2-Einheiten. Im Schülerbeispiel stellen die Schüler die Level-1-Einheiten (Einheiten der unteren Ebene, der sog. Micro-Ebene) und die Schulklassen die übergeordneten Level-2-Einheiten (Einheiten der Macro-Ebene) dar. Je nach Untersuchungsdesign können weitere übergeordnete Ebenen (z.B. Schulen, Stadtteile, Gemeinden, Kreise, Bundesländer, usw.) hinzukommen. In unserer Betrachtung werden wir uns jedoch auf zwei Ebenen beschränken.
Christian Geiser
6. Latent-Class-Analyse
Zusammenfassung
Die Latent-Class-Analyse (LCA) oder Latent-Structure-Analysis (Goodman, 1974; Lazarsfeld & Henry, 1968) ist ein statistisches Verfahren, das zur Klassifizierung von Personen in homogene Subgruppen („latente Klassen“) eingesetzt werden kann. Ausgangspunkt für die Klassifizierung sind die beobachteten Antwortmuster von Personen über eine Reihe von kategorialen (nominalen oder ordinalen) Test- oder Fragebogenitems (z.B. Intelligenztestaufgabe gelöst/nicht gelöst; Symptom vorhanden ja/nein; Fragebogenitems gemessen mittels 4-stufiger Likert-Skala). In einer LCA werden Zusammenhänge zwischen den Items durch das Vorhandensein von a priori unbekannten Subpopulationen (latenten Klassen) erklärt. Anders ausgedrückt: Die für ein Set von Items beobachteten interindividuellen Unterschiede in den Antwortmustern werden durch die Zugehörigkeit zu latenten Klassen mit klassenspezifischen Antwortprofilen erklärt.
Christian Geiser
Backmatter
Metadaten
Titel
Datenanalyse mit Mplus
verfasst von
Christian Geiser
Copyright-Jahr
2011
Verlag
VS Verlag für Sozialwissenschaften
Electronic ISBN
978-3-531-93192-0
Print ISBN
978-3-531-18002-1
DOI
https://doi.org/10.1007/978-3-531-93192-0