Skip to main content
SpringerLink
Log in

Modellschätzung mit AMOS

  • Chapter
  • First Online:
Strukturgleichungsmodellierung

Part of the book series: Springer-Lehrbuch ((SLB))

  • 22k Accesses

Zusammenfassung

Im fünften Schritt des in Kapitel 4.1 dargestellten allgemeinen Ablaufprozesses der Strukturgleichungsmodellierung (Kausalanalyse) erfolgt die Schätzung der Modellparameter sowie in folgenden Schritten die Evaluation und Interpretation der erzielten Schätzergebnisse.

Im Vorfeld der Modellschätzung ist jedoch eine Prüfung und Aufbereitung des Datensatzes vorzunehmen, bei der insbesondere Ausreißer eliminiert, fehlende Werte ersetzt und Verteilungsannahmen geprüft werden. In Kapitel 8 werden hierzu entsprechende Hinweise gegeben und die Schätzung der Modellparameter mit AMOS 21 anhand des Fallbeispiels aus Kapitel 4.2 erläutert. In Kapitel 8.3 werden dann Hinweise zur Pfadmodellierung mit AMOS 21 gegeben. Dabei wird schrittweise die Vorgehensweise des Einsatzes von AMOS für das verwendete Fallbeispiel aufgezeigt.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 29.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Der unreflektierte Umgang mit fehlenden Werten belegt z. B. die Untersuchung von Backhaus und Blechschmidt 2009, S. 266, die anhand einer Sichtung der Zeitschriften "Die Betriebswirtschaft" und "Journal of Marketing" im Zeitraum 2002 bis 2007 nachweisen, dass viele der hier publizierten empirischen Studien das Problem der fehlenden Werte nur unzureichend thematisieren. Einen kritischen Hinweis darauf, dass vor der Auswahl eines Schätzverfahrens vielfach keine Verteilungsprüfung der Variablen vorgenommen wird, gibt z. B. Byrne 2001, S. 268.

  2. 2.

    Darüber hinaus werden fehlende Werte häufig auch nach Item-Non-Response (einzelne Beobachtungswerte bei einer Person fehlen) und Total-Non-Response (der komplette Datensatz einer Person fehlt) unterschieden (Decker und Wagner 2008, S. 56).

  3. 3.

    Zusätzlich bietet AMOS über „Analyze → Data imputation“ auch die Möglichkeiten einer Regressionsimputation, einer stochastische Regressions- und einer Bayes-Imputation (vgl. hierzu Arbuckle 2012, S. 270 ff. und 473).

  4. 4.

    Kline (1998, S. 75) spricht ab 10 % fehlenden Werten von einem großen („large“) Ausmaß unvollständiger Daten.

  5. 5.

    In SPSS können Schiefe und Wölbung der Verteilung einer manifesten Variablen unter der Menüfolge „Analysieren“ → „Deskriptive Statistiken“ → „Häufigkeiten“ unter „Statistiken“ angefordert werden.

  6. 6.

    Auf die Darstellung des Mehrgleichungssystems für unser Fallbeispiel wird an dieser Stelle verzichtet, da AMOS dies nicht verlangt. Es ist aber auf der der Internet-Plattform zum Buch bereitgestellt.

  7. 7.

    Vgl. zum AMOS-Aufruf, der Erstellung des Pfaddiagramms sowie zum Einlesen der Daten Kap. 8.3.

  8. 8.

    Es ist darauf hinzuweisen, dass in Abb. 7.9 nur die Messmodelle der latenten endogenen Variablen enthalten sind, da aus Gründen der Komplexitätsreduktion in Kapitel 7 auf die (eigentlich erforderliche) Aufnahme des Messmodells der latenten exogenen Größe „Variety Seeking“ sowie die Variable „Preis“ verzichtet wurde.

  9. 9.

    Die latente Variable "Preis" wurde mit einem * versehen, da AMOS zur Schätzung eindeutige Variablenbezeichnungen benötigt.

  10. 10.

    Das Pfaddiagramm in Abb. 8.4 beinhaltet auch weitere Informationen z. B. bzgl. der Parameterrestriktionen, die jedoch erst an späterer Stelle besprochen werden.

  11. 11.

    Diese Angaben finden sich nach der Modellschätzung im AMOS Textoutput unter „Variable summary → Parameter summary“.

  12. 12.

    Multinormalverteilung der Variablen ist für unser Fallbeispiel gegeben. Vgl. zur Prüfung auf Multinormalverteilung die Darstellungen in Kap. 8.1.3.

Literatur

  • Allison, P. D. (2002). Missing data Thousand Oaks: Sage.

    Google Scholar 

  • Arbuckle, J. L. (1996). Full information estimation in the presence of incomplete data. In Marcoulides G. A. & Schumacker R. E. (Hrsg.), Advanced structural equation modeling: Issues and techniques (S. 243–277). Mahwah: SPSS.

    Google Scholar 

  • Arbuckle, J. L. (2012). Amos TM 21.0 user’s guide. Chicago: SPSS.

    Google Scholar 

  • Backhaus, K., & Blechschmidt, B. (2009). Fehlende Werte und Datenqualität – Eine Simulationsstudie am Beispiel der Kausalanalyse. Die Betriebswirtschaft, 69(2), 265–287.

    Google Scholar 

  • Baltes-Götz, B. (2007). Behandlung fehlender Werte in SPSS und Amos. Universität Trier.

    Google Scholar 

  • Bankhofer, U. (1995). Unvollständige Daten- und Distanzmatrizen in der Multivariaten Datenanalyse. Bergisch-Gladbach: Eul.

    Google Scholar 

  • Bankhofer, U., & Praxmarer, S. (1998). Zur Behandlung fehlender Werte in der Marktforschungspraxis. Marketing ZFP, 20(2), 109–118.

    Google Scholar 

  • Bollen, K. A. (1989). Structural equations with Latent variables. New York: Wiley-Interscience.

    Google Scholar 

  • Browne, M. (1982). Covariance structures. In D. M. Hawkins (Hrsg.), Topics in applied multivariate analysis (S. 72–141). Cambridge: Cambridge University Press.

    Google Scholar 

  • Byrne, B. M. (2001). Structural equation modeling with Amos. Mahwah: Lawrence Erlbaum Associates.

    Google Scholar 

  • DeCarlo, L. T. (1997). On the meaning and use of Kurtosis. Psychological Methods, 2, 292–307.

    Article  Google Scholar 

  • Decker, R., & Wagner, R. (2008). Fehlende Werte: Ursachen, Konsequenzen und Behandlung. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl., S. 53–79). Gabler.

    Google Scholar 

  • Dempster, A. P., Laird, N. M., & Rubin,D. B. (1977). Maximum likelihood from incomplete data via the EM Algorithm. Journal of the Royal Statistical Society, Series B, 39, 1–22.

    Google Scholar 

  • Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2010). Multivariate data analysis (7. Aufl.). New Jersey: Prentice Hall.

    Google Scholar 

  • Kim, Y. (2001). The curse of the missing data, online verfügbar. http://www.2ndmoment.com/articles/missingdata.php. Zugegriffen: 25. Sept. 2013..

  • Kline, R. B. (1998). Principles and practice of structural equation modelling. New York: Guilford Press.

    Google Scholar 

  • Little, R. J. A., & Rubin, D. B. (1989). The analysis of social science data with missing values. Sociological Methods and Research, 18, 292–326.

    Article  Google Scholar 

  • Malhotra, N. K. (1987). Analyzing marketing research data with incomplete information on the dependent variable. Journal of Marketing Research, 24, 74–84.

    Article  Google Scholar 

  • Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika, 57, 519–530.

    Article  Google Scholar 

  • Marsh, H. W. (1998). Pairwise deletion for missing data in structural equation models: Nonpositive definite matrices, parameter estimates, goodness of fit, and adjusted sample sizes. Structural Equation Modeling, 5, 22–36.

    Article  Google Scholar 

  • Rubin, D. B. (1976). Inference and missing data. Biometrika, 63, 581–592.

    Article  Google Scholar 

  • Schnell, R. (1986). Missing-Data-Probleme in der empirischen Sozialforschung. Bochum: Ruhr-Universität Bochum.

    Google Scholar 

  • Scholderer, J., & Balderjahn, I. (2006). Was unterscheidet harte und weiche Strukturgleichungsmodelle nun wirklich? Marketing ZFP, 28(1), 57–70.

    Google Scholar 

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

    Google Scholar 

  • von Hippel, P. T. (2004). Biases in SPSS 12.0 missing value analysis. The American Statistician, 58, 160–164.

    Article  Google Scholar 

  • West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Hrsg.), Structural equation modeling (S. 56–75). London: Sage.

    Google Scholar 

Weiterführende Literatur

  • Carter, R. L. (2006). solutions for missing data in structural equation modeling. Research & Practice in Assessment, 1, 1–6.

    Google Scholar 

  • Jamshidian, M., & Bentler, P. M. (1999). Using complete data routines ML estimation of mean and covariance structures with missing data. Journal of Educational and Behavioral Statistics, 24, 21–41.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Professur für Marketing Innovation und E-Business, Universität Trier, Trier, Deutschland

    Prof. Dr. Rolf Weiber & Dr. Daniel Mühlhaus

Authors
  1. Prof. Dr. Rolf Weiber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Dr. Daniel Mühlhaus
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Rolf Weiber .

Rights and permissions

Reprints and permissions

Copyright information

© 2014 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Weiber, R., Mühlhaus, D. (2014). Modellschätzung mit AMOS. In: Strukturgleichungsmodellierung. Springer-Lehrbuch. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35012-2_8

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-35012-2_8

  • Published:

  • Publisher Name: Springer Gabler, Berlin, Heidelberg

  • Print ISBN: 978-3-642-35011-5

  • Online ISBN: 978-3-642-35012-2

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation