Skip to main content
SpringerLink
Log in
Book cover

Strukturgleichungsmodellierung pp 199–225Cite as

Evaluation des Gesamtmodells

  • Chapter
  • First Online:

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

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.

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

Learn about institutional subscriptions

Notes

  1. 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. 2.

    Vgl. zur Prüfung von Ausreißern im Datensatz Kap. 8.1.2.

  3. 3.

    Vgl. Reinecke 2005, S. 116; Zur Definition der Diskrepanzfunktionen F in AMOS vgl. Arbuckle 2012, S. 593 ff.

  4. 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. 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. 6.

    Vgl. Hoelter 1983, S. 325 ff.; Arbuckle 2012, S. 615f.

  7. 7.

    Der Verlauf des Iterationsprozesses mit der Anzahl der Iterationsschritte kann in AMOS unter dem Register „Minimization History“ nachvollzogen werden.

  8. 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. 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. 10.

    Vgl. Jöreskog und Sörbom 1983, S. I.40. Zur Programmierung in AMOS vgl. Arbuckle 2012, S. 613f.

  11. 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. 12.

    Stellvertretend sei hier auf die Simulationsstudie von Haughton et al. (1997, S. 1477 ff.) verwiesen, die insgesamt 18 Indizes analysieren.

  13. 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. 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.

    Article  Google Scholar 

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

    Google Scholar 

  • Backhaus, K., Blechschmidt, B., & Eisenbeiß, M. (2006). Der Stichprobeneinfluss bei Kausalanalysen. Die Betriebswirtschaft, 66(6), 711–726.

    Google Scholar 

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

    Google Scholar 

  • Barrett, P. (2007). Structural equation modelling: Adjudging model fit. Personality and Individual Differences, 42, 815–824.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107, 238–246.

    Google Scholar 

  • Bentler, P. M., & Bonnet, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88, 588–606.

    Article  Google Scholar 

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

    Google Scholar 

  • 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.

    Google Scholar 

  • Bozdogan, H. (1987). Model selection and Akaike’s information criterion (AIC): The general theory and its analytical extensions. Psychometrika, 52, 345–370.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Browne, M. W., & Mels, G. (1992). RAMONA user’s guide.. Columbus: Ohio State University Press.

    Google Scholar 

  • Byrne, B. M. (1989). A primer of LISREL: Basic applications and programming for confirmatory factor analytic model. New York: Springer: Springer.

    Google Scholar 

  • Haughton, D., Oud, J., & Jansen, R. (1997). Information and other criteria in structure equation model selection. Communicational Statistics and Simulation, 26, 1477–1516.

    Google Scholar 

  • Hoelter, J. W. (1983). The analysis of covariance structures: Goodness-of-fit Indices. Sociological Methods Research, 11, 325–344.

    Article  Google Scholar 

  • Homburg, C., & Baumgartner, H. (1995). Beurteilung von Kausalmodellen. Marketing ZFP, 17(3), 162–176.

    Google Scholar 

  • 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.

    Google Scholar 

  • Homburg, C., & Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung—Problemfelder und Anwendungsempfehlungen. Die Betriebswirtschaft, 66(6), 727–748.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

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

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Chicago: Scientific Software.

    Google Scholar 

  • Kaplan, D. (2000). Structural equation modeling: Foundations and extensions. Newbury Park: Sage.

    Google Scholar 

  • Kim, K. H. (2006). The relation among fit indexes, power, and sample size in structural equation modeling. Structural Equation Modeling, 12, 368–390.

    Google Scholar 

  • McDonald, R. P. (1989). An index of goodness-of-fit-based on noncentrality. Journal of Classification, 6, 97–103.

    Article  Google Scholar 

  • McDonald, R. P., & Marsh, H. W. (1990). Choosing a multivariate model: Noncentrality and goodness of fit. Psychological Bulletin, 107 (2) 247–255.

    Google Scholar 

  • Reinecke, J. (2005). Strukturgleichungsmodelle in den Sozialwissenschaften. München: Oldenbourg Verlag.

    Google Scholar 

  • Schwarz, G. (1978). Estimating the dimension of a model. Annals of statistics, 6, 461–464.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Steiger, J. H. (1990). Structural model evaluation and modification: An interval estimation approach. Multivariate Behavioral Research, 25, 173–180.

    Article  Google Scholar 

  • 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.

    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 

  • Weston, R., & Gore, P. A. (2006). A brief guide to structural equation modeling. The Counseling Psychologist, 34, 719–751.

    Article  Google Scholar 

  • Williams, L. J., & Holahan, P. J. (1994). Parsimony-based fit indices for multiple-indicator models. Structural Equation modeling, 1, 161–189.

    Article  Google Scholar 

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.

    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). 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)

Publish with us

Policies and ethics

Search

Navigation