nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

14. Mehrgruppen-Kausalanalyse (MGKA)

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

Die in Kap. 14 behandelte Multi-Group-Analysis (MGA) ermöglicht die simultane Schätzung eines Kausalmodells über mehrere (Befragungs-)Gruppen hinweg. Entspricht das betrachtete Kausalmodell einem konfirmatorischen Faktorenmodell, so wird von Mehrgruppen-Faktorenanalyse (MGFA) gesprochen, während die Betrachtung eines vollständigen Kausalmodells als Mehrgruppen-Kausalanalyse (MGKA) bezeichnet wird.

Die zentrale Besonderheit derartiger (gruppenvergleichender) Analysen ist darin zu sehen, dass ein Vergleich der Schätzergebnisse zwischen den Gruppen nur zulässig ist, wenn unterstellt werden kann, dass die Konstrukte des Kausalmodells in allen Gruppen auch den gleichen Sachverhalt messen; es muss Messinvarianz vorliegen. In Abschn. 14.2 wird deshalb ein umfassender Prüfprozess vorgestellt, durch den die unterschiedlichen Stufen der Messinvarianz (metrische Messinvarianz, skalare Messinvarianz, Messfehler-Invarianz, partielle Messinvarianz) geprüft werden.

In Abschn. 14.4 werden Hinweise zur Durchführung einer Multi-Group-Analysis mit AMOS gegeben. Da die Vorgehensweise grundsätzlich der im Eingruppenfall (Abschn. 8.3) entspricht, konzentrieren sich die Betrachtungen auf die bei der MGA auftretenden Besonderheiten.

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 Second-Order-Faktorenanalyse (SFA)

Nächstes Kapitel Kausalanalyse mit PLS

Da der Begriff der Messäquivalenz den zugeordneten Sachverhalt der „Äquivalenz von Messmodellen“ in verschiedenen Gruppen intuitiv besser beschreibt als der Terminus Messinvarianz, werden wir im Folgenden primär diesen Begriff verwenden, obwohl beide als synonym anzusehen sind.

Im Unterschied zur MGKA ist für die MGFA nur Gleichung (C) relevant.

Es ist zu beachten, dass die in Tab. 3.4 (vgl. Abschn. 3.3.2.3) dargestellten Diskrepanzfunktionen für den Eingruppenfall und ohne Mittelwerte definiert sind. Für die MGKA müssen sie aber noch um Mittelwerte und Gruppen erweitert werden (vgl. Arbuckle 2020, S. 395 ff.).

Die Differenzwerte der Fitmaße werden von AMOS im Rahmen der MGKA automatisch berechnet und im Textoutput unter „Model Comparison“ ausgegeben.

Vgl. zur Prüfung der Messäquivalenz und den zugehörigen Modellvarianten in AMOS Abschn. 14.2 und Abb. 14.3.

Vgl. zu entsprechenden Anwendungsfällen im Marketing z. B. die Arbeiten von Giering (2000), Beutin (2000), Gregori (2006) und Hälsig (2008).

Bei praktischen Anwendungen wird häufig „blind“ die jeweils erste Indikatorvariable eines Messmodells als Referenzindikator gewählt, da dies auch der Voreinstellung in AMOS entspricht. Besteht aber keine Invarianz dieser Indikatorvariablen über die Gruppen, so sind die Strukturbeziehungen über die Gruppen nicht vergleichbar (Williams und Thomson 1986, S. 28 ff.).

Vgl. hierzu auch die Erläuterungen in Abschn. 14.3.1.1, insb. Abb. 14.6.

Die weiteren Invarianzprüfungen z. B. auf Invarianz der Faktorvarianzen, Kovarianzen oder Messfehler sind in der praktischen Umsetzung eher die Ausnahme (Temme und Hildebrandt 2009, S. 155) und werden an dieser Stelle deshalb ausgespart.

Die Prüfung partieller Invarianz mit Hilfe von Abb. 14.4 stellt eine relativ einfache Vorgehensweise dar, die bei praktischen Anwendungen jedoch weit verbreitet ist. Weitere Ansätze zur Identifikation nicht invarianter Indikatoren zeigen z. B. Krafft und Litfin (2002).

Für die Anwendung der Mehrgruppen-Kausalanalyse gelten grundsätzlich dieselben Anforderungen wie im Eingruppenfall. Es ist deshalb darauf hinzuweisen, dass die Stichprobengröße in unserem Fallbeispiel mit je 96 Fällen pro Gruppe relativ gering ist. Das kann dazu führen, dass die Ergebnisse auch für das „überschaubare“ Modell mit einer geringen Zahl an Parametern nicht robust sind. Da hier jedoch primär die Darstellung der Vorgehensweise und weniger die Ableitung inhaltlicher Schlussfolgerungen im Vordergrund steht, sei dies hier nicht näher problematisiert.

Sofern die Daten, wie hier, für beide Gruppen in einem Datensatz vorliegen, so ist nun noch unter „Grouping Variable“ eine Gruppenvariable auszuwählen, die eine Unterscheidung der Gruppen erlaubt. Anschließend ist für jede Gruppe der Wert (Ausprägung) dieser Variablen unter „Group Value“ anzugeben.

Das Pfaddiagramm für die „Schweiz“ erhält man durch Anklicken dieser Gruppe im mittleren Bereich des AMOS-Bedien- bzw. Zeichenfeldes.

Nachfolgend wird der Analyseoutput nur in Auszügen besprochen, interessierte Leser finden die vollständigen Ergebnisse auf der Internetplattform.

Auf die Darstellung der Reliabilitäts- und Validitätsmaße sowie der Faktorladungen sei an dieser Stelle verzichtet. Das Vorgehen zur Prüfung ist dabei mit dem in Kap. 7 dargestellten identisch.

Die konkrete Umsetzung in AMOS kann unter Rückgriff auf die Ausführungen in Abschn. 14.4 vorgenommen werden.

Vgl. hierzu Temme und Hildebrandt (2009), S. 172 f. und die dort angegebene Literatur.

Arbuckle, J. L. (2020). IBM SPSS Amos 27 user’s guide. Chicago: IBM.

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

Beutin, N. (2000). Kundennutzen in industriellen Geschäftsbeziehungen. Wiesbaden: Springer Gabler.CrossRef

Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233–255.CrossRef

Giering, A. (2000). Der Zusammenhang zwischen Kundenzufriedenheit und Kundenloyalität. Wiesbaden: Springer Gabler.CrossRef

Gregori, C. (2006). Instrumente einer erfolgreichen Kundenoientierung. Wiesbaden: Springer Gabler.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced issues in partial least squares structural equation modeling (PLS-SEM). Thousand Oaks: Sage.

Hälsig, F. (2008). Branchenübergreifende Analyse des Aufbaus einer starken Retail Brand. Wiesbaden: Gabler.

Jöreskog, K. G., & Sörbom, D. (1983). LISREL: Analysis of linear structural relationships by the method of maximum likelihood, user’s guide, versions V and VI. Chicago: Scientific Software.

Krafft, M., & Litfin, T. (2002). Adoption innovativer Telekommunikationsdienste: Validierung der Rogers-Kriterien bei Vorliegen potenziell heterogener Gruppen. Zeitschrift für betriebswirtschaftliche Forschung, 54(2), 64–83.

Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58(4), 525-543.

Reinecke, J. (1999). Interaktionseffekte in Strukturgleichungsmodellen mit der Theorie des geplanten Verhaltens: Multiple Gruppenvergleiche und Produktterme mit latenten Variablen. ZUMA-Nachrichten, 23(4), 88–114.

Reinecke, J. (2014). Strukturgleichungsmodelle in den Sozialwissenschaften. München: Oldenbourg.CrossRef

Sarstedt, M., Henseler, J., & Ringle, C. M. (2011). Multigroup analysis in partial least squares (PLS) path modeling: Alternative methods and empirical results. Advances in International Marketing, 22, 195–218.CrossRef

Steenkamp, J. B., & Baumgartner, H. (1998). Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research, 25(1), 78–90.CrossRef

Temme, D., & Hildebrandt, L. (2009). Gruppenvergleiche bei hypothetischen Konstrukten – Die Prüfung der Übereinstimmung von Messmodellen mit der Strukturgleichungsmethodik. Zeitschrift für betriebswirtschaftliche Forschung, 61(2), 138–185.

Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4–70.CrossRef

Williams, R., & Thomson, E. (1986). Normalization issues in latent variable modeling. Sociological Methods & Research, 15(1–2), 24–43.CrossRef

Byrne, B. M. (2004). Testing for multigroup invariance using AMOS graphics: A road less traveled. Structural Equation Modeling, 11(2), 272–300.CrossRef

Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504.CrossRef

Diamantopoulos, A., & Papadopoulos, N. (2010). Assessing the cross-national invariance of formative measures: Guidelines for international business researchers. Journal of International Business Studies, 41(2), 360–370.CrossRef

Hult, G. T. M., Ketchen, D. J., Griffith, D. A., Finnegan, C. A., Gonzalez-Padron, T., Harmancioglu, N., Huang, Y., Talay, M. B., & Cavusgil, S. T. (2008). Data equivalence in cross-cultural international business research: assessment and guidelines. Journal of International Business Studies, 39(6), 1027–1044.CrossRef

Titel: Mehrgruppen-Kausalanalyse (MGKA)
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_14