Zusammenfassung
Die Evaluation eines Kausalmodells bildet das zentrale Ziel der Kausalanalyse, da hier geprüft wird, ob sich das a-priori formulierte Hypothesensystem anhand der erhobenen Daten empirisch bestätigen lässt.
Kapitel 9 stellt Ansätze zur Evaluation des Gesamtmodells für die mit AMOS für das Fallbeispiel gewonnenen Ergebnisse vor. Dabei erfolgt zunächst die Evaluation des Gesamtmodells mittels inferenzstatistischer (z. B. Likelihood-Ratio-Test; Root-Mean-Square-Error of Approximation-RMSEA; Chi-Quadrat-Test) und deskriptiver Gütekriterien (z. B. Root-Mean-Square-Residual-RMR; Goodness-of-Fit-Maße). Anschließend werden Gütekriterien aufgezeigt, die der vergleichenden Evaluation alternativer Modelle dienen, wobei sowohl inkrementelle Fitmaße (z. B. Normed-Fit-Index; Comparative-Fit-Index; Inkremental Fit-Index) als auch Kriterien zur Beurteilung der Modellsparsamkeit (z. B. Parsimony-Normed-Fit-Index; Akaike-Information-Criterion; Expected-Cross-Validation-Index) vorgestellt werden.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsNotes
- 1.
Zu dieser Prüfsituation zählt auch der Vergleich der Modelanpassung für unterschiedliche Stichproben, was mit Hilfe der sog. Mehrgruppen-Kausalanalyse geprüft werden kann. Aufgrund der umfangreichen Vorgehensweise wird diese in diesem Buch gesondert in Kap. 14 behandelt.
- 2.
Vgl. zur Prüfung von Ausreißern im Datensatz Kap. 8.1.2.
- 3.
- 4.
Bei einem hohen Anteil fehlender Werte ist AMOS teilweise nicht in der Lage, das saturierte Modell oder das Unabhängigkeitsmodell mit der ML-Prozedur zu schätzen (vgl. Kap. 8.1.1). In diesem Fall sind dann alle Gütekriterien, die diese Modelle als Referenz heranziehen wie z. B. die χ2-Statistiken oder der CFI nicht verfügbar.
- 5.
Ähnlich der Vorgehensweise beim Hoelter Test zeigt Kim (2006), wie für die hier besprochenen Fitmaße CFI oder RMSEA die zur Erreichung eines vorgegebenen Cutoff Wertes (z. B. CFI = 0,95 oder RMSEA = 0,05) notwendige Stichprobengröße ermittelt werden kann. Dabei hängt die Teststärke und die minimale Stichprobenumfang u. a. von den unterschiedlichen Fitmaßen, der Anzahl an Freiheitsgraden und des anhand des vorliegenden Modells bzw. der genutzten Daten erzielten Fitwerte ab (vgl. Kim 2006, S. 387).
- 6.
- 7.
Der Verlauf des Iterationsprozesses mit der Anzahl der Iterationsschritte kann in AMOS unter dem Register „Minimization History“ nachvollzogen werden.
- 8.
Vgl. Jöreskog und Sörbom 1983, I.41. Der Differenzwert für S-\( \hat \Sigma\) wird von AMOS nicht ausgegeben und muss vom Anwender selbst errechnet werden.
- 9.
Vgl. Hu und Bentler 1999, S. 3. Der SRMR-Wert wird von AMOS nicht standardmäßig ausgewiesen. Hierzu muss im Menü unter „Plugins“ das Fenster „Standardized RMR“ geöffnet werden. Bei der nachfolgenden Modellschätzung wird der SRMR in diesem Fenster automatisch angezeigt.
- 10.
- 11.
Mit Ausnahme der ML-Schätzung errechnet AMOS für alle anderen Schätzverfahren weiterhin Fitmaße für das sog. Nullmodell, bei dem alle Parameter auf 0 fixiert sind.
- 12.
Stellvertretend sei hier auf die Simulationsstudie von Haughton et al. (1997, S. 1477 ff.) verwiesen, die insgesamt 18 Indizes analysieren.
- 13.
Die Angabe und der wissenschaftliche Wert von allgemeinen Cutoff-Regeln wird jedoch von einigen Forschern stark in Frage gestellt. So gibt etwa Barrett (2007, S. 819) zu bedenken: „What is the substantive scientific consequence of accepting a model with a CFI of 0.90 rather than one of 0.95?“. Auch werden die hier genannten Schwellenwerte als zu restriktiv für praktische Anwendungen eingeschätzt, die so nur sehr selten zu erfüllen sind.
- 14.
Ein Alpha-Fehler liegt vor, wenn ein tatsächlich zutreffendes Modell fälschlicherweise abgelehnt wird, während ein Beta-Fehler dann gegeben ist, wenn ein unzutreffend spezifiziertes Modell fälschlicherweise nicht abgelehnt wird.
Literatur
Akaike, H. (1987). Factor analysis and AIC. Psychometrika, 52, 317–332.
Arbuckle, J. L. (2012). Amos TM 21.0 user’s guide. Chicago: SPSS.
Backhaus, K., Blechschmidt, B., & Eisenbeiß, M. (2006). Der Stichprobeneinfluss bei Kausalanalysen. Die Betriebswirtschaft, 66(6), 711–726.
Bagozzi, R. P. (1980). Causal models in marketing. New York: Wiley.
Barrett, P. (2007). Structural equation modelling: Adjudging model fit. Personality and Individual Differences, 42, 815–824.
Bearden, W. O., Sharma, S., & Teel, J. E. (1982). Sample size effects on Chi square and other statistics used in evaluating causal models. Journal of Marketing Research, 19, 425–430.
Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107, 238–246.
Bentler, P. M., & Bonnet, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88, 588–606.
Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley-Interscience.
Boomsma, A. (1982). The robustness of LISREL against small sample sizes in factor analysis models. In K. G. Jöreskog & H. Wold (Hrsg.), Systems under indirect observations, Part 1, Amsterdam u. a. (S. 149–173). North-Holland.
Bozdogan, H. (1987). Model selection and Akaike’s information criterion (AIC): The general theory and its analytical extensions. Psychometrika, 52, 345–370.
Browne, K. A., & Cudeck, J. S. (1993). Alternative ways of assessing equation model fit. In K. A. Bollen & J. S. Long (Hrsg.), Testing structural equation models (S. 136–162). Newbury Park: Sage.
Browne, M. W., & Mels, G. (1992). RAMONA user’s guide.. Columbus: Ohio State University Press.
Byrne, B. M. (1989). A primer of LISREL: Basic applications and programming for confirmatory factor analytic model. New York: Springer: Springer.
Haughton, D., Oud, J., & Jansen, R. (1997). Information and other criteria in structure equation model selection. Communicational Statistics and Simulation, 26, 1477–1516.
Hoelter, J. W. (1983). The analysis of covariance structures: Goodness-of-fit Indices. Sociological Methods Research, 11, 325–344.
Homburg, C., & Baumgartner, H. (1995). Beurteilung von Kausalmodellen. Marketing ZFP, 17(3), 162–176.
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.
Homburg, C., & Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung—Problemfelder und Anwendungsempfehlungen. Die Betriebswirtschaft, 66(6), 727–748.
Homburg, C., Klarmann, M., & Pflesser, C. (2008). Konfirmatorische Faktorenanalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl., S. 271–303). Wiesbaden: Gabler.
Hoyle, R., & Panter, A. T. (1995). Writing about strucutral equation models. In R. Hoyle (Hrsg.), Structural equation modeling: Concepts, issues, and applications (S. 158–176). Thousand Oaks: Sage.
Hu, L.-T., & Bentler, P. M. (1995). Evaluating model fit. In R. Hoyle (Hrsg.), Structural equation modeling: Concepts, issues, and applications (S. 76–99). Thousand Oaks: Sage.
Hu, L.-T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6, 1–55.
Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34, 183–202.
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.
Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Chicago: Scientific Software.
Kaplan, D. (2000). Structural equation modeling: Foundations and extensions. Newbury Park: Sage.
Kim, K. H. (2006). The relation among fit indexes, power, and sample size in structural equation modeling. Structural Equation Modeling, 12, 368–390.
McDonald, R. P. (1989). An index of goodness-of-fit-based on noncentrality. Journal of Classification, 6, 97–103.
McDonald, R. P., & Marsh, H. W. (1990). Choosing a multivariate model: Noncentrality and goodness of fit. Psychological Bulletin, 107 (2) 247–255.
Reinecke, J. (2005). Strukturgleichungsmodelle in den Sozialwissenschaften. München: Oldenbourg Verlag.
Schwarz, G. (1978). Estimating the dimension of a model. Annals of statistics, 6, 461–464.
Sharma, S., Mukherjee, S., Kumar, A., & Dillon, W. R. (2005). A simulation study to investigate the use of cutoff values for assessing model fit in covariance structure models. Journal of Business Research, 58, 935–943.
Steiger, J. H. (1990). Structural model evaluation and modification: An interval estimation approach. Multivariate Behavioral Research, 25, 173–180.
Tanaka, J. S., & Huba, G. J. (1985). A fit index for covariance structure models under arbitrary GLS estimation. British Journal of Mathematical and Statistical Psychology, 38, 197–201.
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.
Weston, R., & Gore, P. A. (2006). A brief guide to structural equation modeling. The Counseling Psychologist, 34, 719–751.
Williams, L. J., & Holahan, P. J. (1994). Parsimony-based fit indices for multiple-indicator models. Structural Equation modeling, 1, 161–189.
Weiterführende Literatur
Gerbing, D. W., & Anderson, J. C. (1992). Monte Carlo evaluations of goodness of fit indices for structural equation models. Sociological Methods & Research, 21, 133–160.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Weiber, R., Mühlhaus, D. (2014). Evaluation des Gesamtmodells. In: Strukturgleichungsmodellierung. Springer-Lehrbuch. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35012-2_9
Download citation
DOI: https://doi.org/10.1007/978-3-642-35012-2_9
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)