Strukturgleichungsmodelle – Ein einführender Überblick
Strukturgleichungsmodelle – Ein einführender Überblick
Strukturgleichungsmodelle – Ein einführender Überblick
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
ESCP-EAP Working Paper<br />
No. 29<br />
Oktober 2007<br />
<strong>Strukturgleichungsmodelle</strong> <strong>–</strong><br />
<strong>Ein</strong> <strong>einführender</strong> <strong>Überblick</strong><br />
Sabrina Buch<br />
Autor: Herausgeber:<br />
Dipl.-Psych. Sabrina Buch ESCP-EAP<br />
Lehrstuhl für Unternehmensplanung Europäische Wirtschaftshochschule Berlin<br />
und Controlling Heubnerweg 6<br />
ESCP-EAP 14059 Berlin<br />
Europäische Wirtschaftshochschule Deutschland<br />
Heubnerweg 6 T: ++49(0)30 / 32007 147<br />
14059 Berlin F: ++49(0)30 / 32007 108<br />
Germany workingpaper-berlin@escp-eap.net<br />
T: ++49(0)30 / 32007 186 www.escp-eap.de<br />
F: ++49(0)30 / 32007 107<br />
sabrina.buch@escp-eap.net<br />
ISSN 1619-7658
Zusammenfassung<br />
II<br />
Die Kausalanalyse wird zu den hypothesentestenden Verfahren gezählt und kommt zur An-<br />
wendung, wenn Ursache-Wirkungs-Zusammenhänge mithilfe von Datensätzen überprüft<br />
werden sollen. Im Vorfeld einer statistischen Analyse der Datensätze müssen jedoch Über-<br />
legungen über Zusammenhänge und Beziehungen zwischen den Variablen angestellt und in<br />
Form von <strong>Strukturgleichungsmodelle</strong>n dargestellt werden. Mithilfe der Kausalanalyse kann<br />
dann überprüft werden, inwieweit die aufgrund der theoretischen Überlegungen aufgestellten<br />
Beziehungen mit dem empirischen Datensatz übereinstimmen.<br />
Die Kausalanalyse kann als eklektische <strong>–</strong> zusammengesetzte <strong>–</strong> Methode bezeichnet wer-<br />
den, da sie neben der Pfadanalyse auch faktorenanalytische und regressionsanalytische<br />
Elemente vereint. Dabei ist sie an die parametrischen Voraussetzungen ihrer eingebundenen<br />
Methoden und deren Anpassungsmaße gebunden.<br />
Bei <strong>Strukturgleichungsmodelle</strong>n zentral ist die Unterscheidung von Kausalmodell und Mess-<br />
modell. Im Kausalmodell wird der postulierte <strong>Ein</strong>fluss der latenten exogenen Variablen auf<br />
die latenten endogenen Variablen mittels aufgestellter Hypothesen spezifiziert. Das Mess-<br />
modell umfaßt die Operationalisierungen der latenten Variablen. Kausalmodell und Messmo-<br />
dell stellen somit die Basis für die Erstellung des Pfaddiagramms und der Spezifizierung der<br />
Modellstruktur dar. Nach Erstellung der Modellstruktur wird diese auf ihre Lösbarkeit geprüft.<br />
Gilt eine Modellstruktur als lösbar, wird die eigentliche empirische Datenerhebung vorge-<br />
nommen, mit deren Hilfe die unbekannten Parameter geschätzt werden. Die Beurteilung der<br />
Güte der Schätzung der unbekannten Parameter erfolgt mithilfe formaler Ablaufschritte so-<br />
wie verschiedener Anpassungsmaße. <strong>Ein</strong> letzter möglicher Schritt besteht in der Modifikation<br />
der Modellstruktur bei fehlender Anpassung, die danach wiederum an einem neuen Daten-<br />
satz überprüft werden muss, um ihren hypothesenprüfenden Charakter nicht zu verlieren.<br />
Reliabilität und Validität spielen in der Kausalanalyse ebenfalls eine zentrale Rolle, auf die in<br />
dieser Arbeit näher eingegangen wird. Abschließend erfolgt eine kritische Würdigung der<br />
Methode und es werden weiterführende Literaturhinweise gegeben.<br />
Schlagworte: Anpassungsmaße, Kausalmodell, Konstrukte, Operationalisierung, Parame-<br />
terschätzung, reflektive und formative Messmodelle, Reliabilität, Validität
Summary<br />
III<br />
Causal Analysis (covariance structure model) is a hypothesis testing method being<br />
applied when cause-effect relations based on data sets need to be examined. Before<br />
the statistical analysis of the data sets can be run, intensive reflections about the re-<br />
lation between the variables are necessary. By causal analysis it can be proven if the<br />
relations resulting from the theoretical funded reflections match the empirical data<br />
set.<br />
Causal analysis can be characterized as an eclectic method, combining not only path<br />
analysis but also elements of factor analysis and regression analysis. As an eclectic<br />
method, causal analysis is bound to the parametric preconditions of its included<br />
methods and goodness-of-fit indices.<br />
Of central importance is the differentiation between causal model and measurement<br />
model. In the causal model, the postulated influence of the latent exogenous variable<br />
on the latent endogenous variable is specified by the aligned hypothesis. In the<br />
measurement model, the operationalizations of the latent variables are specified<br />
more precisely. Causal model as well as measurement models therefore represents<br />
the basis for establishing a path diagram and the specification of the model structure.<br />
After establishing the model structure, the solubility of it has to be proven. If a model<br />
structure turns out to be solvable the main empirical data collection is done by which<br />
the unknown parameters are estimated. Formal steps and goodness-of-fit indices are<br />
applied when judging the goodness of estimation of the unknown parameters. A last<br />
step may involve the modification of the model structure in case of missing adjust-<br />
ment. This modification needs to be proven on a new data set in order to keep the<br />
hypothesis testing character. Reliability and validitiy, which are further described in<br />
this work, play a central role in causal analysis. Finally, a critical acknowledgement of<br />
the method is carried out and secondary literature tips are given.<br />
Key words:<br />
Causal model, constructs, goodness-of-fit indices, measurement model, operationali-<br />
zation, parameter estimation, reliability, validity
Geleitwort<br />
IV<br />
Das Finden von Ursache-Wirkungsbeziehungen in der sozialen Welt gilt vielen als<br />
Königsweg der Sozialwissenschaften. Um das Auftreten von Phänomenen erklären<br />
zu können, wird nach Ursachen gesucht. Kausalität hat zu allen Zeiten Wissenschaft-<br />
ler und Philosophen herausgefordert, ohne dass ihre Bemühungen zu einer einheitli-<br />
chen Theorie der Kausalität geführt haben. Dies hat allerdings Wissenschaftler nie<br />
daran gehindert, weiterhin Kausalbeziehungen zu erforschen. Insbesondere in den<br />
Sozialwissenschaften gehen wir davon aus, dass die untersuchten Beziehungen<br />
nicht deterministisch sind: Das Auftreten von Ursachen erhöht also nur die Wahr-<br />
scheinlichkeit des Auftretens von Wirkungen. Daher spielen in der Praxis der Sozial-<br />
wissenschaften statistische Verfahren eine große Rolle, die dies widerspiegeln kön-<br />
nen.<br />
Gegenstand des vorliegen Working-Papers sind <strong>Strukturgleichungsmodelle</strong>, die sich<br />
in der betriebswirtschaftlichen Forschung zunehmender Beliebtheit erfreuen. Sabrina<br />
Buch hat sich mit diesem Paper zum Ziel gesetzt, einen einführenden <strong>Überblick</strong> zu<br />
geben, der dieses Verfahren in den Kanon der multivariaten Statistikverfahren ein-<br />
ordnet und dem noch nicht mit diesem Verfahren Vertrauten eine erste Orientierung<br />
liefert. Daher wird im Folgenden höherer Wert auf die verbale und graphische Dar-<br />
stellung dieses Verfahrens gelegt, da sie wichtig für eine adäquate Interpretation der<br />
Ergebnisse ist.<br />
Die häufig kompliziert anmutende Statistik darf jedoch nicht einige einfache Wahrhei-<br />
ten verdecken, die mit der Kausalität verbunden sind. Sie sollen daher kurz genannt<br />
werden:<br />
1. Kausale Beziehungen lassen sich nicht direkt beobachten, sie sind daher<br />
auch nicht statistisch ermittelbar. Vielmehr schließen wir aufgrund unserer sta-<br />
tistischen Ergebnisse auf eine kausale Beziehung. Wie alle unsere Kenntnisse<br />
sind solche Schlüsse fehlbar.<br />
2. Daher ist es wichtig, vor der statistischen Analyse theoretische Vorstellungen<br />
über die Zusammenhänge der untersuchten Variablen zu entwickeln. Dies gilt
V<br />
nur dann nicht, wenn explizit eine explorative Vorgehensweise gewählt wird.<br />
Es sollte jedoch vermieden werden, das Modell solange zu variieren bis die<br />
empirischen Daten zum Modell passen. <strong>Ein</strong> solches Modell würde mit hoher<br />
Wahrscheinlichkeit den nächsten Hypothesentest nicht überstehen.<br />
3. Auch <strong>Strukturgleichungsmodelle</strong> beruhen auf dem Allgemeinen linearen Mo-<br />
dell wie z. B. die Regressionsanalyse oder die Faktorenanalyse. Daher erläu-<br />
tert Sabrina Buch die Zusammenhänge zwischen diesen drei Methoden. <strong>Ein</strong>e<br />
wichtige Gemeinsamkeit zwischen ihnen ist, dass sie Korrelationen zwischen<br />
den untersuchten Variablen ermitteln. Korrelationen sind zwar eine notwendi-<br />
ge jedoch keine hinreichende Bedingung für das Vorliegen von Kausalität,<br />
d.h., für die Kausalität muss eine Korrelation zwischen den Variablen festge-<br />
stellt werden, sie alleine reicht jedoch nicht aus.<br />
Alle drei Punkte weisen auf den hohen Stellenwert hin, den die theoretische Durch-<br />
dringung des untersuchten Sachverhalts hat, und auf die im Folgenden ausführlich<br />
eingegangen wird. So ist das vorliegende Working-Paper als ein Beitrag zu verste-<br />
hen, wie mithilfe von statistischen Methoden der empirischen Sozialforschung - ins-<br />
besondere der <strong>Strukturgleichungsmodelle</strong> - Kausalzusammenhänge erforscht wer-<br />
den können.<br />
Prof. Dr. Rolf Brühl
Inhalt<br />
VI<br />
Geleitwort ________________________________________________________ IV<br />
<strong>Ein</strong>leitung _________________________________________________________1<br />
1. Notwendige Vorüberlegungen zu den Konstrukten _____________________4<br />
2. Grundlagen der Kausalanalyse______________________________________7<br />
2.1 <strong>Ein</strong>führung ________________________________________________________ 7<br />
2.2 Kausalmodell und Messmodell_________________________________________ 7<br />
2.3 Formative und reflektive Messmodelle__________________________________ 15<br />
2.4 Methodische Voraussetzungen _______________________________________ 21<br />
3. Vorgehen bei einer Kausalanalyse __________________________________22<br />
3.1. <strong>Ein</strong>führung _______________________________________________________ 22<br />
3.2. Hypothesenbildung_________________________________________________ 23<br />
3.3. Erstellung eines Pfaddiagramms und Spezifikation der Modellstruktur _________ 23<br />
3.4. Identifikation der Modellstruktur _______________________________________ 25<br />
3.5. Parameterschätzung _______________________________________________ 27<br />
3.6. Beurteilung der Schätzergebnisse _____________________________________ 31<br />
3.7. Interpretation _____________________________________________________ 35<br />
3.8. Modifikation der Modellstruktur _______________________________________ 36<br />
4. Rolle der Gütekriterien zur Beurteilung einer geschätzten Modellstruktur__37<br />
4.1. Reliabilität________________________________________________________ 38<br />
4.2. Validität__________________________________________________________ 39<br />
5. Kritische Würdigung _____________________________________________40<br />
6. kommentierte Literaturhinweise ____________________________________43<br />
Literatur__________________________________________________________44
Tabellenverzeichnis<br />
VII<br />
Tabelle 1: <strong>Überblick</strong> über terminologische Bezeichnungen .................................................................... 2<br />
Tabelle 2: Beispiele für beobachtbare und nicht beobachtbare Variablen sowie UV und AV ................ 4<br />
Tabelle 3: Beispiele für theoretische Sprache und Beobachtungssprache............................................. 5<br />
Tabelle 4: Ablauf der Operationalisierung des Konstruktes „Aggression" .............................................. 6<br />
Tabelle 5: Gegenüberstellung von explorativer und konfirmatorischer Faktorenanalyse (Backhaus et<br />
al., 2003, S. 330) ..................................................................................................................................... 9<br />
Tabelle 6: <strong>Überblick</strong> über Parameter und Variablen bezogen auf das vorgegebene Beispiel.............. 15<br />
Tabelle 7: Unterschiede zwischen reflektiven und formativen Modellen nach Jarvis, Mackenzie und<br />
Podsakoff (2003, S. 201)....................................................................................................................... 20<br />
Tabelle 8: <strong>Überblick</strong> über die Kombinationsmöglichkeiten von Anzahl der Gleichungen zu Anzahl der<br />
unbekannten Parameter sowie daraus folgende Konsequenzen für das Modell.................................. 26<br />
Tabelle 9: empirische Korrelationsmatrix .............................................................................................. 28<br />
Tabelle 10: Parametermatrix für zwei exemplarisch dargestellte Gleichungen .................................... 28<br />
Tabelle 11: Voraussetzungen und Eigenschaften von Schätzverfahren nach Backhaus et al. (2003) 30<br />
Tabelle 12: <strong>Überblick</strong> über die Anpassungsmaße und Anforderungen für das Gesamtmodell ............ 33<br />
Tabelle 13: <strong>Überblick</strong> über die Anforderungen an die Anpassungsmaße nach Homburg und Pflesser<br />
(2000) .................................................................................................................................................... 34<br />
Abbildungsverzeichnis<br />
Abbildung 1: Beziehung zwischen den Teilmodellen nach Backhaus et al. (2003) am Beispiel latenter<br />
Variablen.................................................................................................................................................. 8<br />
Abbildung 2: Grundgedanke der Faktorenanalyse................................................................................ 10<br />
Abbildung 3: Messmodell der latenten exogenen Variable "<strong>Ein</strong>stellung" (Pfaddiagramm)................... 11<br />
Abbildung 4: Messmodell der latenten endogenen Variable „Kaufneigung“ (Pfaddiagramm) .............. 12<br />
Abbildung 5: Kausalmodell (Pfaddiagramm)......................................................................................... 13<br />
Abbildung 6: Strukturgleichungsmodell als Pfaddiagramm................................................................... 14<br />
Abbildung 7: Formatives Modell sozio-ökonomischer Status in Anlehnung an Bollen und Lennox<br />
(1991, S. 306)........................................................................................................................................ 16<br />
Abbildung 8: Reflektives Messmodell der mehrdimensionalen latenten Variable „sprachliche<br />
Kompetenz“ ........................................................................................................................................... 18<br />
Abbildung 9: Konstrukt höherer Ordnung.............................................................................................. 19<br />
Abbildung 10: spezifiziertes Strukturgleichungsmodell als Pfaddiagramm........................................... 24<br />
Abbildung 11: <strong>Überblick</strong> über die <strong>Ein</strong>teilung der Anpassungsmaße nach Homburg und Pflesser (2000)<br />
............................................................................................................................................................... 32<br />
Abbildung 12: Beispiel Strukturgleichungsmodell als Pfaddiagramm ................................................... 35
Formelverzeichnis<br />
VIII<br />
Formel 1: Messmodell der latenten exogenen Variable „<strong>Ein</strong>stellung" (Regressionsgleichungen)........ 12<br />
Formel 2: Messmodell der latenten exogenen Variable „<strong>Ein</strong>stellung" (Matrix) ..................................... 12<br />
Formel 3: Messmodell der latenten endogenen Variable „Kaufneigung“ (Regressionsmodell)............ 13<br />
Formel 4: Messmodell der latenten endogenen Variable „Kaufneigung" (Matrix)................................. 13<br />
Formel 5: Kausalmodell (Regressionsgleichungen).............................................................................. 14<br />
Formel 6: Kausalmodell (Matrix)............................................................................................................ 14<br />
Formel 7: Formel zur Berechnung des formativen Modells sozio-ökonomischer Status...................... 16<br />
Formel 8: Berechnung der Anzahl der Freiheitsgrade .......................................................................... 25<br />
Formel 9: Beispielgleichungen für die Schätzung der unbekannten Parameter ................................... 26<br />
Formel 10: Gleichung zur Berechnung der quadrierten multiplen Korrelation für eine latente endogene<br />
Variable.................................................................................................................................................. 34<br />
Formel 11: Gleichung zur Berechnung der Reliabilität.......................................................................... 38<br />
Formel 12: Quadrierte multiple Korrelation und Reliabilität................................................................... 39
<strong>Ein</strong>leitung<br />
1<br />
<strong>Ein</strong>e wesentliche Aufgabe empirischer Wissenschaften ist die Formulierung und Prü-<br />
fung von Theorien zur Erklärung empirischer Sachverhalte. Die Untersuchung von<br />
Wirkungszusammenhängen erfolgt vor allem in der Sozialforschung mit Hilfe statisti-<br />
scher Verfahren zur Modellierung und anschließenden empirischen Überprüfung der<br />
komplexen Zusammenhänge. Bezüglich der Begriffsexplikation dieser Methoden<br />
herrscht jedoch große Uneinigkeit.<br />
So wird die Methodik <strong>–</strong> teilweise auch die Darstellung des Modells (vgl. Kap. 2.2) in-<br />
nerhalb der Methode <strong>–</strong> als „<strong>Strukturgleichungsmodelle</strong>“ (z.B. Reinecke, 2005), „linea-<br />
re <strong>Strukturgleichungsmodelle</strong>“ (Bortz, 2005), „Kausalmodell“ (z.B. Hom-<br />
burg/Hildebrandt, 1998) oder „Kausalanalyse“ (z.B. Homburg/Pflesser, 2000) be-<br />
zeichnet. Homburg & Pflesser (2000) weisen darauf hin, dass die Methode eher „Ko-<br />
varianzstrukturanalyse“ genannt werden müsste. Oftmals wird die Analysemethode<br />
und das entsprechende statistische Anwendungsprogramm nicht getrennt voneinan-<br />
der behandelt: „LISREL <strong>–</strong> Ansatz der Kausalanalyse“ (z.B. Back-<br />
haus/Erichson/Plinke/Weiber, 1994). In englischsprachigen Veröffentlichungen wer-<br />
den Schlagworte wie „covariance structure model“ (z.B. Breckler, 1990) oder „structu-<br />
ral equation models“ (z.B. Jöreskog, 1993; Sobel, 1990) verwendet. Insgesamt<br />
scheint es, dass sich der Begriff „<strong>Strukturgleichungsmodelle</strong>“ durchsetzen wird.<br />
Trotzdem sollen zur besseren Unterscheidung zwischen der Methode, also dem all-<br />
gemeinen methodischen Vorgehen, und der Darstellung der Zusammenhänge zwi-<br />
schen Variablen folgende Bezeichnungen festgelegt werden: In dieser Arbeit wird<br />
• von Kausalanalyse gesprochen, wenn das allgemeine methodische Vorgehen<br />
im Mittelpunkt steht,<br />
• von Strukturgleichungsmodell bzw. Modellstruktur, wenn die Darstellung der<br />
Zusammenhänge der Variablen, vorrangig in Gleichungsform (lineare Glei-<br />
chungssysteme, Regressionsgleichung) besprochen werden und<br />
• von Pfaddiagramm, wenn es sich lediglich um die graphische Darstellung<br />
handelt (vgl. Tabelle 1, Seite 2).
Tabelle 1: <strong>Überblick</strong> über terminologische Bezeichnungen<br />
Fokus<br />
allgemeines methodisches Vorgehen<br />
(Methode/Methodik)<br />
Darstellung der Zusammenhänge von<br />
Variablen (allgemein)<br />
Darstellung der Zusammenhänge von<br />
Variablen in Gleichungsform<br />
graphische Darstellung der Zusammen-<br />
hänge von Variablen<br />
2<br />
Bezeichnung in der vorliegenden<br />
Kausalanalyse<br />
Arbeit<br />
Strukturgleichungsmodell/Modellstruktur<br />
lineare Gleichungssysteme, Regressi-<br />
onsgleichung<br />
Pfaddiagramm<br />
Zur vereinfachenden Analyse und der graphischen Darstellung wurden verschiedene<br />
unterstützende Computerprogramme entwickelt und verfeinert. Das Vorreiterpro-<br />
gramm ist LISREL, welches es ermöglicht, Parameter eines Strukturmodells zu<br />
schätzen. LISREL war lange Zeit ein führendes Softwareprogramm und erfreute bzw.<br />
erfreut sich großer Akzeptanz in den Sozialwissenschaften (Homburg/Hildebrandt,<br />
1998). <strong>Ein</strong>en Nachteil von LISREL stellt jedoch seine komplizierte Handhabung dar<br />
(Wrona, 1999), weshalb andere Programme wie AMOS, welches sich als benutzer-<br />
freundlicher herausstellte, zunehmend den Markt erobern konnten. Diese Entwick-<br />
lung ist auch in der Literatur nachweisbar. Sprachen Backhaus et al. (1994) in ihrer 7.<br />
Auflage noch vom „LISREL-Ansatz der Kausalanalyse“ veränderte sich der Titel in<br />
der 10. Auflage (Backhaus/Erichson/Plinke/Weiber, 2003) in „Strukturgleichungsmo-<br />
delle“. In der neueren Auflage wird auf das Softwareprogramm AMOS Bezug ge-<br />
nommen, welches eine höhere Benutzerfreundlichkeit aufweist.<br />
In der Kausalanalyse vereinen sich faktorenanalytische und regressionsanalytische<br />
Methoden. Mithilfe der Faktorenanalyse (vgl. Kap. 2.2) soll die Stärke der Beziehun-<br />
gen zwischen den latenten Variablen (vgl. Kap. 1) und den beobachtbaren Variablen<br />
geschätzt werden (Messmodelle). Mithilfe der Regressionsgleichung (vgl. Kap. 2.2)<br />
sollen die theoretischen Beziehungen zwischen den latenten exogenen und endoge-<br />
nen Variablen dargestellt werden (Hildebrandt, 1998). Kausalanalysen können wech-<br />
selseitige Kausalbeziehungen der untersuchten Merkmale und Hypothesen überprü-<br />
fen. Ausgangspunkt bilden Varianzen und Kovarianzen empirischer Daten. Die theo-
3<br />
retische Struktur dieser Varianzen und Kovarianzen werden in linearen Gleichungs-<br />
systemen und Matrizen dargestellt (<strong>Strukturgleichungsmodelle</strong>n). Diese gelten als<br />
nicht falsifiziert, wenn das zugrunde liegende (theoretische) Modell die (empirischen)<br />
Kovarianzen angemessen nachbildet (Homburg/Hildebrandt, 1998).<br />
Das multivariate Verfahren der Kausalanalyse hat sich zu einer einschlägigen Me-<br />
thode gerade im betriebswirtschaftlichen Methodensortiment entwickelt. Der Anwen-<br />
dungsbereich der Kausalanalyse bezieht sich auf Fragestellungen aus dem Bereich<br />
des Marketings (z.B. <strong>Ein</strong>fluss der <strong>Ein</strong>stellung auf die Bewertung des Produktes) oder<br />
Human Ressource (z.B. <strong>Ein</strong>fluss der Wahrnehmung von Personalbewertung auf die<br />
Arbeitszufriedenheit). Wrona (1999) untersuchte beispielsweise den <strong>Ein</strong>fluss der<br />
Globalisierung auf den vertikalen Integrationsgrad und Fritz (1992) die Wirkung<br />
marktorientierter Unternehmensführung auf den Unternehmenserfolg. Weitere Bei-<br />
spiele von empirischen Untersuchungen, die mithilfe von <strong>Strukturgleichungsmodelle</strong>n<br />
durchgeführt wurden, listen Backhaus et al. (2003, S. 338 f.) auf, sortiert nach Frage-<br />
stellung, den latenten Variablen sowie den verwendeten Operationalisierungen.<br />
Durch die Möglichkeit der Berücksichtigung latenter Variablen stellt die Kausalanaly-<br />
se eine Weiterentwicklung der Pfadanalyse dar (Wenniger, 2002b), die nur beob-<br />
achtbare Kausalzusammenhänge überprüfen kann (Wenniger, 2002c).<br />
In dieser Arbeit wird ein <strong>Überblick</strong> über Voraussetzungen, methodisches Vorgehen,<br />
Anpassungsmaße und Gütekriterien gegeben.
1. Notwendige Vorüberlegungen zu den Konstrukten<br />
4<br />
Mithilfe der Kausalanalyse können Hypothesen überprüft werden, welche aus Theo-<br />
rien abgeleitet wurden. Die Besonderheit der Methode liegt in der Möglichkeit der<br />
Überprüfung von Beziehungen zwischen hypothetischen Konstrukten bzw. latenten<br />
Variablen sowie beobachtbaren Variablen (Backhaus et al., 2003). Hypothetische<br />
Konstrukte bzw. latente Variablen sind Dimensionen oder Dispositionen, die nicht<br />
direkt gemessen werden können. Sie müssen durch Theorien und durch geeignete<br />
Tests zugänglich gemacht werden (Bortz/Döring, 2002; Wenniger, 2002a). Schwie-<br />
rigkeiten bereitet oft die Bestimmung, ob ein Merkmal in der Realität vorliegt (Back-<br />
haus et al., 2003). Das Problem verstärkt sich, wenn von einem namentlich gleichen<br />
Konstrukt unterschiedliche Definitionen oder Vorstellungen existieren. Diese Tatsa-<br />
chen unterstützen die Forderung nach theoretischen Vorüberlegungen und Ableitun-<br />
gen über die Beziehungen einzelner Variablen.<br />
Konstrukte bzw. latente Variablen können sowohl exogene (unabhängige) als auch<br />
endogene (abhängige) Variablen sein. In Tabelle 2 werden Beispiele zur Unterschei-<br />
dung von beobachtbaren Variablen (Spalte 2) und nicht beobachtbaren Variablen<br />
(Spalte 3) aufgezeigt, sortiert nach der Möglichkeit der Zuordnung als exogene Vari-<br />
ablen (Zeile 2) und endogene Variablen (Zeile 3).<br />
Tabelle 2: Beispiele für beobachtbare und nicht beobachtbare Variablen sowie UV und AV<br />
Unterscheidung<br />
beobachtbare Variablen<br />
(Indikatoren)<br />
UV (exogene Variable) Geschlecht <strong>Ein</strong>stellung<br />
AV (endogene Variable) Kaufverhalten Kaufneigung<br />
UV = unabhängige Variable, AV = abhängige Variable<br />
nicht beobachtbare Vari-<br />
ablen (latente Konstrukte)<br />
Weil für diese Methode latente Variablen bzw. Konstrukte zentral sind, soll an dieser<br />
Stelle noch einmal vertieft auf Definition und Operationalisierung im Rahmen der the-<br />
oretischen Vorüberlegungen eingegangen werden. Zu den theoretischen Vorüberle-<br />
gungen zählt die Definition des Konstruktes. <strong>Ein</strong>e wissenschaftliche Sprache unter-<br />
gliedert sich in theoretische Sprache und Beobachtungssprache, wobei die theoreti-<br />
sche Sprache der Beobachtungssprache vorgeordnet ist (vgl. Fisseni, 1997;<br />
Schnell/Hill/Esser, 1995).
5<br />
Mithilfe der theoretischen Sprache wird das Konstrukt definiert. Hier wird geklärt,<br />
welche theoretischen Aspekte und Dimensionen das Konstrukt beinhaltet. Diese Be-<br />
schreibungen beziehen sich auf nicht direkt messbare Begriffe und Sachverhalte (vgl.<br />
Fisseni, 1997). Aufgrund der Beobachtungssprache wird das Konstrukt letztendlich<br />
zugänglich gemacht. Die Beobachtungssprache enthält Begriffe, die sich auf direkt<br />
beobachtbare Situationen beziehen (vgl. Fisseni, 1997).<br />
Hilfestellungen bei der Definition von Konstrukten bieten Literaturrecherchen in<br />
Fachzeitschriften und Wörterbüchern, die Befragung von Experten oder anderen<br />
Personen sowie eigene Überlegungen. In Tabelle 3 werden zwei Beispiele für die<br />
Unterscheidung von theoretischer Sprache (Spalte 2) und Beobachtungssprache<br />
(Spalte 3) angeführt.<br />
Tabelle 3: Beispiele für theoretische Sprache und Beobachtungssprache<br />
Unterscheidung der Sprache<br />
Beispiel Theoretische Sprache Beobachtungssprache<br />
Beispiel 1<br />
Konstrukt<br />
„Aggressivität“<br />
Beispiel 2<br />
Produkt<br />
(Backhaus et al.,<br />
2003)<br />
Aggression ist ein zielge-<br />
richteter Angriffsimpuls,<br />
mit dem Ziel, den eigenen<br />
<strong>Ein</strong>fluß auf Kosten ande-<br />
rer zu steigern.<br />
<strong>Ein</strong>stellungen gegenüber<br />
einem Produkt bestimmt<br />
das Kaufverhalten.<br />
Aggression zeigt sich bei der direkten<br />
oder indirekten Beeinträchtigung von Or-<br />
ganismen oder Gegenständen. Aggressi-<br />
ve Menschen beschädigen, verletzen,<br />
zerstören, vernichten, fügen Schmerz zu,<br />
erregen Ärger oder beleidigen.<br />
Die Herstellungskosten eines Produktes<br />
beeinflussen den Kaufpreis des Produk-<br />
Beispiele für Konstrukte sind Intelligenz, Moral, Kreativität und Treue, aber auch<br />
Kaufneigung, <strong>Ein</strong>stellungen, Kooperations- und Koordinationsbereitschaft. Theoreti-<br />
sche Sprache und Beobachtungssprache bilden den Ausgangspunkt für das Finden<br />
geeigneter Indikatoren (Operationalisierung).<br />
An die Phase der theoretischen Vorüberlegungen schließt sich die Phase der Opera-<br />
tionalisierung der Konstrukte an. Diese ist gekennzeichnet durch die Suche nach In-<br />
dikatoren, die das Konstrukt angemessen erfassen können. Jedes Konstrukt bzw.<br />
tes.
6<br />
jede latente Variable wird mithilfe von Indikatorvariablen definiert, die als empirische<br />
Entsprechung des Konstruktes angenommen werden können (Backhaus et al.,<br />
2003). Tabelle 4 nimmt Bezug auf das Beispiel „Aggressivität“ aus Tabelle 3 und soll<br />
zeigen, wie die Entwicklung von der theoretischen Sprache (Spalte 1) bis hin zur<br />
Operationalisierung durch Indikatoren (Spalte 3) aussehen kann (dabei wird kein An-<br />
spruch auf Vollständigkeit erhoben). Die Formulierung der Indikatoren und deren<br />
Auswirkungen auf die Messungen werden z.B. bei Rost (2004) dargestellt; zu den<br />
verschiedenen Möglichkeiten der Gestaltung der Antwortformate der Indikatoren, die<br />
auch als Items bezeichnet werden, siehe auch Bortz und Döring (2002). <strong>Ein</strong>führende<br />
und weiterführende Literatur zum Thema Testkonstruktion findet man z.B. bei Ame-<br />
lang & Schmidt-Atzert (2006; in der älteren Auflage Amelang/Zielinski, 2002), Lienert<br />
& Raatz (1998) sowie Krauth (1995).<br />
Tabelle 4: Ablauf der Operationalisierung des Konstruktes „Aggression"<br />
Theoretische<br />
Sprache<br />
Aggression ist ein<br />
zielgerichteter An-<br />
griffsimpuls, mit dem<br />
Ziel, den eigenen<br />
<strong>Ein</strong>fluß auf Kosten<br />
anderer zu steigern.<br />
1. Theoretische Vorüberlegungen 2. Operationalisierung<br />
Beobachtungssprache Indikatoren (Items)<br />
Aggression zeigt sich bei der direkten<br />
oder indirekten Beeinträchtigung von<br />
Organismen. Aggressive Menschen<br />
sind wütend, zornig oder hassen. Sie<br />
beschädigen, verletzen, zerstören,<br />
erregen Ärger oder beleidigen. Ag-<br />
gressivität drückt sich aus in Form von<br />
körperlicher Gewalt oder verbalen<br />
Äußerungen wie Streit oder Be-<br />
schimpfungen. Schwächere Formen<br />
sind Schadenfreude und Flüche.<br />
• Es tut mir Leid, wenn ei-<br />
nem Menschen, den ich<br />
missachte, etwas Schlech-<br />
tes geschieht.<br />
• Es macht mich nicht wü-<br />
tend, wenn andere meine<br />
Arbeit kontrollieren.<br />
• Ich habe schon oft einen<br />
Menschen gekränkt.<br />
• Bei Streitigkeiten werde ich<br />
auch schon mal laut.
2. Grundlagen der Kausalanalyse<br />
2.1 <strong>Ein</strong>führung<br />
7<br />
Die Kausalanalyse untersucht mithilfe verschiedener Methoden den <strong>Ein</strong>fluss exogen<br />
latenter Variablen <strong>–</strong> auch unabhängige Variablen (UV) genannt <strong>–</strong> auf endogen laten-<br />
te Variablen <strong>–</strong> auch abhängige Variablen (AV) genannt <strong>–</strong> (Kausalmodell) sowie die<br />
Beziehungen zwischen latenten exogenen bzw. endogenen Variablen und ihren Indi-<br />
katorvariablen (Messmodell). In dieser Arbeit wird vom Kausalmodell gesprochen,<br />
wenn es sich um die theoretische Ableitung der Zusammenhänge zwischen den ein-<br />
zelnen latenten Variablen handelt, also um den postulierten <strong>Ein</strong>fluss von den latenten<br />
exogenen Variablen (UV) auf die latenten endogenen Variablen (AV). Das Messmo-<br />
dell bezieht sich auf die Operationalisierung der latenten Variablen mithilfe von Indi-<br />
katorvariablen handelt (vgl. Kap. 1).<br />
Die Zusammenhänge innerhalb und zwischen den einzelnen Modellen werden je-<br />
weils graphisch und mathematisch dargestellt. Graphisch werden sie mithilfe des<br />
Pfaddiagramms dargestellt (vgl. Abbildung 6, Kap. 2.2). Die mathematische Darstel-<br />
lung erfolgt mithilfe von <strong>Strukturgleichungsmodelle</strong>n, bestehend aus Regressions-<br />
gleichungen (vgl. Formel 1, Kap. 2.2) und Matrizen (vgl. Formel 2, Kap. 2.2). Regres-<br />
sionsgleichungen werden in dieser Arbeit auch lineare Gleichungssysteme genannt.<br />
Im nachfolgenden Abschnitt (Kap. 2.2) soll noch einmal explizit auf die Unterschei-<br />
dung von Kausal- und Messmodell und in Kapitel 2.3 auf formative und reflektive<br />
Modelle eingegangen werden. In Kapitel 2.4 werden die methodischen Vorausset-<br />
zungen zur Durchführung der Kausalanalyse erläutert. Alle folgenden Darstellungen<br />
beziehen sich auf die latenten endogenen und latenten exogenen Variablen (vgl. Ta-<br />
belle 2, S. 4).<br />
2.2 Kausalmodell und Messmodell<br />
Pfaddiagramme und <strong>Strukturgleichungsmodelle</strong> bestehen aus drei Teilmodellen (vgl.<br />
Abbildung 1, S. 8): dem Kausalmodell (I) und dem Messmodell, welches sich in das<br />
Messmodell der latenten exogenen Variablen (III) und in das Messmodell der laten-<br />
ten endogenen Variable (II) unterteilt. Abbildung 1 (Seite 8) zeigt schematisch den
8<br />
Zusammenhang zwischen den drei Teilmodellen in Anlehnung an Backhaus et al.<br />
(2003).<br />
Abbildung 1: Beziehung zwischen den Teilmodellen nach Backhaus et al. (2003) am Beispiel latenter Variablen<br />
Messmodell der exogenen<br />
Variablen (UV) (III)<br />
Operationalisierung<br />
der UV (z.B. durch<br />
<strong>Ein</strong>stellungstests)<br />
(III) (I)<br />
(II)<br />
UV<br />
<strong>Ein</strong>stellung<br />
Kausalmodell<br />
(I)<br />
AV<br />
Kaufneigung<br />
UV = unabhängige Variable (exogene Variable); AV = abhängige Variable (endogene Variable)<br />
Messmodell der endogenen<br />
Variablen (AV) (II)<br />
Operationalisierung<br />
der AV (z.B. durch<br />
Befragungen)<br />
Die Beziehung zwischen Kausalmodell und Messmodell besteht in der Schnittstelle<br />
von exogenen und endogenen Variablen, die sowohl im Kausalmodell, als auch im<br />
Messmodell vorkommen. Die Pfeilrichtungen geben jeweils die Wirkungsrichtungen<br />
der Variablen an.<br />
Der regressionsanalytische Denkansatz in der Kausalanalyse<br />
Exogene Variable (UV: <strong>Ein</strong>stellung) und endogene Variable (AV: Kaufneigung) stel-<br />
len latente, nicht direkt beobachtbare Variablen dar. Die Darstellung der Beziehung<br />
zwischen den latenten Variablen im Kausalmodell entspricht dem regressionsanalyti-<br />
schen Denkansatz (Backhaus et al., 1994, S. 349). Mithilfe von Regressionsglei-<br />
chungen werden die theoretischen Beziehungen zwischen den latenten exogenen<br />
und endogenen Variablen dargestellt und geschätzt (Hildebrandt, 1998). Vorausset-<br />
zung zur Durchführung einer Regression ist, dass sowohl exogene Variable (UV:<br />
<strong>Ein</strong>stellung) und endogene Variable (AV: Kaufneigung) metrisch skaliert sind (Über-<br />
blicksartige, zusammenfassende Darstellung findet sich bei Eckstein, 2006; vgl. Lite-<br />
ratur zur linearen Regressionsanalyse wie Urban/Mayerl, 2006) und eine eindeutige<br />
Richtung des Zusammenhangs zwischen beiden Variablen besteht (Backhaus et al.,<br />
1994). Beide Variablen oder jeweils nur eine Variable könnten auch direkt beobacht-<br />
bar sein (vgl. Homburg/Pflesser, 2000, vgl. Kap. 1). Bei allen Kombinationsmöglich-<br />
keiten bleibt jedoch bestehen, dass sowohl endogene als auch exogene Variable<br />
immer operationalisiert werden müssen.
Der faktorenanalytische Denkansatz in der Kausalanalyse<br />
9<br />
Die Faktorenanalyse ist ein Verfahren, mit dem im Messmodell der Grad der Bezie-<br />
hung zwischen latenter Variable und beobachtbaren Indikatoren geschätzt wird<br />
(Backhaus et al., 1994, S. 349). In den Vorannahmen zu dieser Beziehung unter-<br />
scheidet sich die explorative Faktorenanalyse von der konfirmatorischen (vgl. Tabelle<br />
5). Die Faktorenanalyse wird als explorativ bezeichnet, wenn keine konkreten Vor-<br />
stellungen über den Zusammenhang zwischen den Indikatorvariablen bestehen. Es<br />
wird lediglich angenommen, dass eine latente Variable für die Korrelation zwischen<br />
den verschiedenen Indikatoren ursächlich ist (Backhaus et al., 2003; Bortz, 2005). In<br />
dieser Form kann sie als quantitative Analysemethode im Entdeckungszusammen-<br />
hang eingesetzt werden (vgl. z.B. Brühl/Buch, 2006). Bestehen hingegen konkrete<br />
Vorstellungen über den Zusammenhang zwischen den manifesten Indikatoren und<br />
dem latenten Konstrukt (z.B. Vorstellungen über die Anzahl der Faktoren oder über<br />
das Ladungsmuster der Variablen (Bortz/Döring, 2006)), die aufgrund theoretischer<br />
Vorüberlegungen in Form von Hypothesen formuliert werden, wie es in der Kausal-<br />
analyse der Fall ist, wird von der konfirmatorischen Faktorenanalyse gesprochen.<br />
Mithilfe der konfirmatorischen Faktorenanalyse können Strukturen geprüft werden<br />
(Backhaus et al., 2003). Hierbei wird eine Vergleichsstruktur so lange rotiert (Kriteri-<br />
umsrotation), bis sie zu einer vorgegebenen Zielstruktur eine maximale Ähnlichkeit<br />
aufweist (Faktorstrukturvergleich, Bortz/Döring, 2006). Damit ist sie ein im Begrün-<br />
dungszusammenhang einsetzbares Instrument.<br />
Tabelle 5: Gegenüberstellung von explorativer und konfirmatorischer Faktorenanalyse (Backhaus et al., 2003, S. 330)<br />
explorative Faktorenanalyse konfirmatorische Faktorenanalyse<br />
Entdeckungszusammenhang (hypothe-<br />
sengenerierend)<br />
Ohne konkrete Annahme über den Zu-<br />
sammenhang zwischen den Indikatorva-<br />
riablen<br />
Begründungszusammenhang (hypothe-<br />
sentestend)<br />
Konkrete Vorstellungen über den Zu-<br />
sammenhang zwischen den manifesten<br />
Indikatoren und dem latenten Konstrukt<br />
in Form von Hypothesen<br />
In ihrer gängigen datenreduzierenden Form ist es das Ziel der Faktorenanalyse, den<br />
verwendeten Indikatoren eine Struktur zu hinterlegen. Wird z.B. beobachtet, daß wie<br />
in Abbildung 2, S. 10, durch die wechselseitigen Pfeile angedeutet, die Items 1, 3
10<br />
und 5 jeweils hoch miteinander korrelieren und jeweils gering mit den Items 2 und 4,<br />
und die Items 2 und 4 hoch miteinander korrelieren, würde vermutet werden, dass<br />
die hohe Korrelation zwischen den Items aufgrund eines latenten Faktors zustande<br />
gekommen ist. Die Items 2 und 4 könnten zu einem Faktor 1 und die Items 1, 3 und 5<br />
zu einem zweiten Faktor 2 verdichtet werden. Diese Verdichtung ergibt jedoch nur<br />
dann Sinn, wenn die Faktoren inhaltlich interpretierbar sind (explorative Faktorenana-<br />
lyse) bzw. die theoretischen Vorannahmen bestätigt werden (konfirmatorische Fakto-<br />
renanalyse). Die Reduktion der Items auf wenige Faktoren setzt allerdings intervall-<br />
skalierte Merkmale (Bortz/Döring, 2002, S. 384) voraus. Ferner empfiehlt sich eine<br />
mindestens dreimal so große Stichprobe wie Anzahl an Items (Backhaus et al., 2003,<br />
S. 331). Ausgangspunkt der Reduktion bildet die Korrelationsmatrix der Items. Sie<br />
gibt Auskunft darüber, welche Items ähnliche Informationen enthalten (Bortz/Döring,<br />
2002, S. 383). Korrelationsmatrizen (die modelltheoretischen und die empirischen,<br />
siehe Tabelle 9 und Tabelle 10, Kap. 3.5, S. 28) bilden in der Kausalanalyse den<br />
Ausgangspunkt für die Schätzung der unbekannten Parameter und damit der Stärke<br />
der Beziehung zwischen latenter Variable und beobachtbaren Items.<br />
Abbildung 2: Grundgedanke der Faktorenanalyse<br />
Indikatoren<br />
Item 1<br />
Item 2<br />
Item 3<br />
Item 4<br />
Item 5<br />
latente Faktoren<br />
Faktor 1<br />
Faktor 2
11<br />
Messmodell der exogenen Variablen (UV)<br />
Mithilfe geeigneter Indikatorvariablen werden die exogenen Variablen operationali-<br />
siert (Messmodell der UV). Diese Indikatorvariablen geben den vermuteten Zusam-<br />
menhang zwischen den (messbaren) Indikatorvariablen und der (latenten) exogenen<br />
Variable wieder (vgl. z.B. Backhaus et al., 2003; Bortz, 2005; Homburg/Pflesser,<br />
2000). Nach Abbildung 1, S. 8, könnte die latente Variable „<strong>Ein</strong>stellung“ durch die<br />
beobachtbaren Variablen „<strong>Ein</strong>stellungstests“ operationalisiert werden, die wiederum<br />
aus einzelnen Items bestehen.<br />
Die beobachtbaren Variablen (<strong>Ein</strong>stellungstest 1 und 2) lassen sich in zwei Kompo-<br />
nenten aufteilen. <strong>Ein</strong> Teil der beobachtbaren Variablen ist durch das Konstrukt bzw.<br />
die latente Variable „<strong>Ein</strong>stellung“ beeinflusst, der zweite Teil der Variablen geht auf<br />
Messfehler zurück. In den Messfehlern gehen andere, nicht weiter berücksichtigte<br />
Facetten des Konstruktes „<strong>Ein</strong>stellung“ ein, sowie weitere Störfaktoren, die die Mes-<br />
sungen beeinflussen. <strong>Ein</strong>e Auflistung von Störfaktoren findet sich z.B. bei Borg und<br />
Staufenbiel (1989, S. 45). Zum <strong>Ein</strong>fluss von Störfaktoren auf die Qualität von Mes-<br />
sungen siehe auch Brühl/Buch (2006).<br />
Schematisch lässt sich das Messmodell der exogenen Variable wie folgt darstellen<br />
(Beispiel angelehnt an Bortz, 2005, S. 476):<br />
Abbildung 3: Messmodell der latenten exogenen Variable "<strong>Ein</strong>stellung" (Pfaddiagramm)<br />
δ 1<br />
Messfehler 1<br />
δ 2<br />
Messfehler 2<br />
x 1<br />
<strong>Ein</strong>stellungstest 1<br />
x 2<br />
<strong>Ein</strong>stellungstest 2<br />
ξ 1<br />
<strong>Ein</strong>stellung<br />
Die Parameter λ 1 und λ 2 (lies: lambda) geben die Stärke der Beeinflussung an, mit<br />
der die latente Variable „<strong>Ein</strong>stellung“ ( ξ1 1 , lies: xi) die beobachtbaren Variablen „<strong>Ein</strong>-<br />
stellungstests“ (x1, x2) beeinflussen. Die Parameter δ 1 und δ 2 (lies: delta) sind die<br />
1 Existiert nur eine latente Variable in einem Mess- oder im Kausalmodell, werden die Notationen der latenten<br />
Variable wie auch der Parameter normalerweise nicht numeriert. In diesem Arbeitspapier soll auf die Numerierung<br />
jedoch nicht verzichtet werden, wodurch der <strong>Ein</strong>druck vermittelt werden soll, daß auch komplexere Modelle<br />
geprüft werden können. Dem besseren Verständnis dienend, wird hier jedoch auf ein einfaches Modell zurückgegriffen.<br />
λ 1<br />
λ<br />
2
12<br />
Messfehleranteile der beobachtbaren Variablen „<strong>Ein</strong>stellungstests“ und werden auch<br />
Residualvariablen genannt (vgl. Backhaus et al., 2003). Die hier verwendeten Notati-<br />
onen (vgl. Bortz, 2005) haben sich in der Literatur allgemein durchgesetzt.<br />
In Gleichungsform als Regressionsgleichung (von Hildebrandt, 1998, auch als Fak-<br />
tormodelle bezeichnet) lässt sich diese Beziehung wie folgt ausdrücken:<br />
Formel 1: Messmodell der latenten exogenen Variable „<strong>Ein</strong>stellung" (Regressionsgleichungen)<br />
x = λ ⋅ ξ + δ<br />
1<br />
2<br />
1<br />
2<br />
1<br />
x = λ ⋅ ξ + δ<br />
Für die Darstellung der Beziehung in Matrizenschreibweise wird hier und in den<br />
nachfolgenden Darstellungen auf das vorgestellte Beispiel Bezug genommen.<br />
Formel 2: Messmodell der latenten exogenen Variable „<strong>Ein</strong>stellung" (Matrix)<br />
⎡x<br />
1 ⎤ ⎡λ1<br />
⎤ ⎡δ1<br />
⎤<br />
⎢ ⎥ = ⎢ ⎥ ⋅ [ ξ ] + 1 ⎢ ⎥<br />
⎣x<br />
2 ⎦ ⎣λ<br />
2 ⎦ ⎣δ2<br />
⎦<br />
Bortz (2005) weist darauf hin, dass λ 1 und λ 2 Korrelationen sind, die wie Faktorla-<br />
dungen zu interpretieren sind. Das latente Merkmal „<strong>Ein</strong>stellung“ stellt hierbei ein<br />
Faktor im Sinne der Faktorenanalyse dar.<br />
Messmodell der endogenen Variablen (AV)<br />
Mithilfe geeigneter Indikatorvariablen werden auch die endogenen Variablen opera-<br />
tionalisiert (Messmodell der AV). Diese Indikatorvariablen geben ebenfalls den ver-<br />
muteten Zusammenhang zwischen den (messbaren) Indikatorvariablen und der (la-<br />
tenten) endogenen Variable wieder. Das Beispiel in Abbildung 4 zeigt, dass die laten-<br />
te Variable „Kaufneigung“ mithilfe der beobachtbaren Variable „Kauf“ (gekauft oder<br />
nicht gekauft) erfasst werden kann.<br />
Abbildung 4: Messmodell der latenten endogenen Variable „Kaufneigung“ (Pfaddiagramm)<br />
η 1<br />
Kaufneigung<br />
λ<br />
3<br />
1<br />
y 1<br />
Kauf<br />
1<br />
2<br />
ε 1<br />
Messfehler 3
13<br />
Die endogene Variable „Kaufneigung“ η 1 (lies: eta) wirkt mit der Stärke von λ 3 auf<br />
die beobachtbare Variable „Kauf“. λ 3 entspricht auch hier den Faktorladungen und ist<br />
als Ergebnis der konfirmatorischen Faktorenanalyse zu verstehen (Bortz, 2005). Die<br />
beobachtbare Variable „Kauf“ ist wiederum beeinflusst von Messfehlern ε 1 (lies:<br />
Epsilon).<br />
Als Regressionsgleichung (von Hildebrandt, 1998, auch als Strukturgleichung be-<br />
zeichnet) und in der auf das Beispiel bezogenen Matrizendarstellungen lässt sich<br />
diese Beziehung wie folgt ausdrücken:<br />
Formel 3: Messmodell der latenten endogenen Variable<br />
„Kaufneigung“ (Regressionsmodell)<br />
Υ<br />
Kausalmodell<br />
1<br />
= λ ⋅η<br />
+ ε<br />
3<br />
1<br />
1<br />
Formel 4: Messmodell der latenten endogenen Variable<br />
„Kaufneigung" (Matrix)<br />
[ Y ] = [ ] ⋅ [ ] + [ ]<br />
1<br />
η<br />
λ 3 1 ε 1<br />
Im Kausalmodell (Beziehung: UV AV) werden die aufgrund der theoretischen Vor-<br />
überlegungen aufgestellten Beziehungen zwischen den exogenen (UV) und endoge-<br />
nen (AV) latenten Variablen abgebildet. Die exogene Variable erklärt aufgrund der<br />
angenommenen Beziehungen im Modell die endogene Variable (Backhaus et al.,<br />
2003). Die Beziehung „UV AV“ ist eine generelle experimentelle Beziehung. In<br />
dem dargestellten Beispiel wird ein <strong>Ein</strong>fluss der <strong>Ein</strong>stellung auf die Kaufneigung pos-<br />
tuliert. Die Darstellung des Kausalmodells ist analog zu denen der Messmodelle.<br />
Auch hier wird davon ausgegangen, dass die endogene Variable „Kaufneigung“<br />
durch den Messfehler ζ 1 (lies: zeta = Residualvariable) beeinflusst wird (vgl. Abbil-<br />
dung 5). Der Parameter γ 1 (lies: gamma) gibt die Stärke der Beeinflussung der en-<br />
dogenen Variable „Kaufneigung“ durch die exogene Variable „<strong>Ein</strong>stellung“ an.<br />
Abbildung 5: Kausalmodell (Pfaddiagramm)<br />
ξ 1<br />
<strong>Ein</strong>stellung<br />
γ 1<br />
η 1<br />
ζ 1<br />
Kaufneigung<br />
Messfehler
14<br />
In Gleichungsform und in Matrizendarstellung lässt sich diese Beziehung wie folgt<br />
ausdrücken:<br />
Formel 5: Kausalmodell (Regressionsgleichungen)<br />
η = γ ⋅ξ<br />
+ ζ<br />
1<br />
1<br />
1<br />
1<br />
Formel 6: Kausalmodell (Matrix)<br />
[ η ] = [ γ ] ⋅[<br />
ξ ] + [ ς ]<br />
<strong>Ein</strong> vollständiges Strukturgleichungsmodell, bezogen auf das verwendete Beispiel in<br />
Anlehnung an Abbildung 1, lässt sich als Pfaddiagramm (Abbildung 6) wie folgt dar-<br />
stellen:<br />
Abbildung 6: Strukturgleichungsmodell als Pfaddiagramm<br />
δ 1<br />
Messfehler<br />
1<br />
δ 2<br />
Messfehler<br />
2<br />
- - - Messmodell der exogenen Variable, _____ Kausalmodell, - .. - .. - Messmodell der endogenen Variable<br />
Die gestrichelten und durchgezogenen Linien sollen in diesem Schaubild die drei<br />
Modelle andeuten.<br />
X 1<br />
<strong>Ein</strong>stellungstest<br />
1<br />
X 2<br />
<strong>Ein</strong>stellungstest<br />
2<br />
λ 1<br />
λ 2<br />
ξ 1<br />
<strong>Ein</strong>stellung<br />
Tabelle 6, S. 15, listet noch einmal die Aussprache und Bedeutung der Parameter<br />
und Variablen auf, die im Strukturgleichungsmodell (Abbildung 6) dargestellt wurden.<br />
1<br />
ζ 1<br />
Messfehler<br />
γ 1<br />
1<br />
η 1<br />
Kaufneigung<br />
1<br />
λ 3<br />
1<br />
Υ 1<br />
Kauf<br />
1<br />
ε<br />
Messfehler<br />
3
Tabelle 6: <strong>Überblick</strong> über Parameter und Variablen bezogen auf das vorgegebene Beispiel<br />
15<br />
Parameter Aussprache Bedeutung Anzahl im<br />
λ lambda Pfadkoeffizient zwischen latenter Variable und<br />
Indikatorvariable<br />
γ 1<br />
gamma Pfadkoeffizient zwischen latenter exogener und<br />
latenter endogener Variable<br />
Modell<br />
Variablen Aussprache Bedeutung Anzahl im<br />
3<br />
1<br />
Modell<br />
ξ xi oder Ksi latente exogene Variable 1<br />
1<br />
x 1 x Indikatorvariable der latenten exogenen Va-<br />
riable<br />
δ delta Messfehler der Indikatorvariablen x (Resi-<br />
1<br />
dualvariable)<br />
η eta latenet endogene Variable 1<br />
1<br />
ζ zeta Messfehler der latenten endogenen Variable<br />
1<br />
η 1 (Residualvariable)<br />
y y Indikatorvariable der latenten endogenen<br />
ε 1<br />
Variable<br />
epsilon Messfehler der Indikatorvariablen y (Resi-<br />
dualvarible)<br />
2.3 Formative und reflektive Messmodelle<br />
In der Literatur zu den <strong>Strukturgleichungsmodelle</strong>n werden zwei Arten von Messmo-<br />
dellen unterschieden: formative und reflektive. Die bisherigen Ausführungen zu den<br />
Messmodellen (vgl. Kap. 2.2) entsprechen denen eines reflektiven Modells.<br />
Bei formativen Messmodellen bilden die Indikatoren das latente Konstrukt (Wirkungs-<br />
richtung: Indikatoren latentes Konstrukt). Dass bedeutet, wenn sich nur ein Indika-<br />
2<br />
2<br />
1<br />
1<br />
1
16<br />
tor verändert, dann ändert sich das latente Konstrukt (Christophersen/Grape, 2006,<br />
S. 117; Eggert/Fassott, 2003, S. 2). Bei reflektiven Messmodellen verursacht oder<br />
beeinflusst das latente Konstrukt die Indikatoren (Wirkungsrichtung: latentes<br />
Konstrukt Indikatoren). Wenn sich das latente Konstrukt verändert, dann verän-<br />
dern sich alle Indikatoren (Jarvis/Mackenzie/Podsakoff/Mick/Bearden, 2003, S. 200;<br />
Christophersen/Grape, 2006, S. 116; Eggert/Fassott, 2003, S. 3). Die nachfolgenden<br />
Beispiele sollen den Unterschied zwischen formativen und reflektiven Messmodellen<br />
verdeutlichen (in Anlehnung an Bollen/Lennox, 1991). Der Schwerpunkt liegt wiede-<br />
rum auf dem reflektiven Modell, da dieses die Grundlage des vorliegenden Ar-<br />
beitspapiers bildet.<br />
Formatives Messmodell<br />
Wie bereits angedeutet, bilden im formativen Messmodell die Indikatoren das latente<br />
Konstrukt. Christophersen und Grape (2006, S. 117) bezeichnen das latente<br />
Konstrukt auch als eine gewichtete Zusammensetzung seiner Indikatoren. Dieser<br />
Zusammenhang läßt sich mit folgender Formel darstellen (vgl. Formel 7):<br />
Formel 7: Formel zur Berechnung des formativen Modells sozio-ökonomischer Status<br />
ξ<br />
1<br />
= γ<br />
11<br />
⋅ x + γ ⋅ x + γ ⋅ x + ζ<br />
1<br />
12<br />
Zur Verdeutlichung soll auf das Beispiel des sozio-ökonomischen Status von Bollen<br />
und Lennox (1991, S. 306) zurückgegriffen werden. Das latente Konstrukt „sozio-<br />
ökonomischer Status” ξ 1 bildet sich aus den Werten der Indikatoren „<strong>Ein</strong>kommen” x1,<br />
„Bildung” x2 und „Wohnort” x3 (vgl. Abbildung 7).<br />
Abbildung 7: Formatives Modell sozio-ökonomischer Status in Anlehnung an Bollen und Lennox (1991, S. 306)<br />
x1<br />
<strong>Ein</strong>kommen<br />
x 2<br />
Bildung<br />
x3<br />
Wohnort<br />
γ 11<br />
γ 12<br />
γ 13<br />
2<br />
13<br />
3<br />
1<br />
ζ<br />
1<br />
ξ1<br />
sozio-ökonomischer<br />
Status
17<br />
Aufgrund der Gleichung und der Abbildung wird deutlich, dass in einem formativen<br />
Modell das latente Konstrukt in möglichst all seinen Facetten erfasst werden sollte.<br />
<strong>Ein</strong> Ausschluss einzelner Dimensionen würde zu einem unvollständigen Bild des la-<br />
tenten Konstruktes führen (Bollen/Lennox, 1991, S. 308).<br />
Reflektives Messmodell<br />
Abbildung 3, S. 11, und Abbildung 4, S. 12, in Kapitel 2.2, stellen reflektive Messmo-<br />
delle dar. Nach Abbildung 3 (reflektives Messmodell der latenten exogenen Variable)<br />
geben die Werte in den <strong>Ein</strong>stellungstests 1 und 2 den Grad der <strong>Ein</strong>stellung wieder;<br />
die <strong>Ein</strong>stellung beeinflusst die Ergebnisse in den <strong>Ein</strong>stellungstests. Genauso beein-<br />
flusst auch die latente endogene Variable „Kaufneigung” in Abbildung 4, S. 12, (z.B.<br />
eher ja oder eher nein) die manifeste Variable „Kauf” (kaufen oder nicht kaufen). Für<br />
die weiteren Ausführungen in diesem Abschnitt ist an dieser Stelle eine grundlegen-<br />
de Unterscheidung zu treffen, und zwar die Unterscheidung zwischen mehrdimensi-<br />
onalen und eindimensionalen latenten Konstrukten sowie Konstrukten höherer Ord-<br />
nung.<br />
Mehrdimensionale Konstrukte<br />
<strong>Ein</strong> latentes Konstrukt kann verschiedene Facetten besitzen. Dann wird es als mehr-<br />
dimensionales Konstrukt bezeichnet. Zum Beispiel könnte man aufgrund theoreti-<br />
scher Vorüberlegungen zu dem Schluss kommen, dass sich das Konstrukt „sprachli-<br />
che Kompetenz“ aus den <strong>–</strong> manifesten <strong>–</strong> Facetten „Wortschatz“, „Betonung“, „Gram-<br />
matik und Orthographie“ sowie „Ausdruck“ zusammensetzt (vgl. Abbildung 8, S. 18).<br />
Gilt es, z.B. Bewerber auf eine Stelle im Management auszusuchen, die insbesonde-<br />
re sprachliche Kompetenz erfordert, und würde dazu ein Test verwendet, der ledig-<br />
lich die Dimension „Wortschatz“ abfragt, also eindimensional konstruiert wäre, wäre<br />
dieser Test nicht inhaltsvalide (vgl. Kap. 4.2; siehe zur Konstruktion valider und reli-<br />
abler Test auch Lehrbücher zur Testtheorie und Testkonstruktion wie Rost (2004)<br />
oder Krauth (1995)). Noch klarer wird dieser Umstand bei der Betrachtung eines<br />
Tests zur Erfassung von Rechenfähigkeiten. An dieser Stelle sollen zur Verdeutli-<br />
chung nur die Grundrechenarten betrachtet werden. <strong>Ein</strong> Test, der die Fähigkeiten<br />
dazu erfassen soll, und nur die zwei Grundrechenarten „Addition“ und „Multiplikation“<br />
abfragt, nicht jedoch „Subtraktion“ und „Division“, wäre nicht inhaltsvalide, da die
18<br />
Grundrechenarten sich aus allen vier Dimensionen zusammensetzen, die ihrerseits<br />
nicht austauschbar wären. D.h., die Addition wäre nicht durch die Subtraktion ersetz-<br />
bar. <strong>Ein</strong> Test wäre demnach mehrdimensional zu konstruieren (vgl. dazu auch Bol-<br />
len/Lennox, 1991).<br />
Abbildung 8: Reflektives Messmodell der mehrdimensionalen latenten Variable „sprachliche Kompetenz“<br />
latentes<br />
Konstrukt<br />
sprachliche<br />
Kompetenz<br />
<strong>Ein</strong>dimensionale Konstrukte<br />
manifeste Dimensionen<br />
des latenten<br />
Konstruktes<br />
Wortschatz<br />
Betonung<br />
Grammatik und<br />
Orthographie<br />
Ausdruck<br />
Items zur Messung der<br />
Dimensionen des<br />
latenten Konstruktes<br />
Item Wortschatz 1<br />
Item Wortschatz 2<br />
Item Wortschatz 3<br />
Item Wortschatz 4<br />
Item Betonung 1<br />
Item Betonung 2<br />
Item Betonung 3<br />
Item Grammatik und<br />
Orthographie 1<br />
Item Grammatik und<br />
Orthographie 2<br />
Item Ausdruck 1<br />
Item Ausdruck 2<br />
Item Ausdruck 3<br />
Bei eindimensionalen Konstrukten bzw. bei einer Dimension eines mehrdimensiona-<br />
len Konstruktes können die Items zur Messung des Konstruktes bzw. der Dimensio-<br />
nen ausgetauscht werden (angedeutet in Abbildung 8 durch die wechselseitigen Pfei-<br />
le). Das liegt an der hohen Korrelation zwischen den Items, weil diese dieselben In-<br />
formationen im Konstrukt erfassen (vgl. z.B. Bortz, 2005).<br />
Konstrukte höherer Ordnung<br />
Mehrdimensionale Konstrukte sind zudem von Konstrukten höherer Ordnung zu un-<br />
terscheiden. Abbildung 9, S. 19, zeigt in Anlehnung an die Darstellungen von Jarvis,
19<br />
Mackenzie und Podsakoff (2003, S. 205, Abbildung 2) als Beispiel das Konstrukt „so-<br />
ziale Kompetenz“. Soziale Kompetenz wird in diesem Beispiel als Konstrukt 2. Ord-<br />
nung eines reflektiven Modells betrachtet, welches sich zusammensetzt aus den<br />
Konstrukten 1. Ordnung „Emphatie“ und „Altruismus“. Im Unterschied zu den oben<br />
dargestellten mehrdimensionalen Konstrukten sind diese Konstrukte 1. Ordnung<br />
ebenfalls latent und müssen durch geeignete Indikatoren zugänglich gemacht wer-<br />
den.<br />
Abbildung 9: Konstrukt höherer Ordnung<br />
Konstrukt 2. Ordnung Konstrukt 1. Ordnung manifeste Items<br />
soziale Kompetenz<br />
ζ 1<br />
ζ 2<br />
Empathie<br />
Altruismus<br />
Item Empathie 1<br />
Item Empathie 2<br />
Item Empathie 3<br />
Item Altruismus 1<br />
Item Altruismus 2<br />
Item Altruismus 3<br />
Jarvis, Mackenzie und Podsakoff (2003, S. 205, Abbildung 2) beschreiben insgesamt<br />
4 Typen reflektiver und formativer Konstrukte höherer Ordnung, auf die hier nicht nä-<br />
her eingegangen werden soll. Welcher Art das latente Konstrukt ist, welches unter-<br />
sucht werden soll, ergibt sich aus der theoretischen Vorarbeit.<br />
Modellspezifikation <strong>–</strong> formativ oder reflektiv<br />
Die Entscheidung, ob ein reflektives oder formatives Modell spezifiziert werden sollte,<br />
muss, wie bereits angedeutet, aus der theoretischen Ableitung heraus getroffen wer-<br />
den. <strong>Ein</strong>e Auflistung von formalen und inhaltlichen Unterscheidungskriterien tragen<br />
Jarvis, Mackenzie und Podsakoff (2003, S. 200 ff. ) zusammen. Sie sind in Tabelle 7,<br />
S. 20, dargestellt. Die erste Spalte bezeichnet die Dimension, worin sich die beiden<br />
Modellarten unterscheiden, die zweite und dritte Spalte ist jeweils auf die Modellarten<br />
bezogen.<br />
ε1<br />
ε 2<br />
ε 3<br />
ε 4<br />
ε 5<br />
ε 6
20<br />
Tabelle 7: Unterschiede zwischen reflektiven und formativen Modellen nach Jarvis, Mackenzie und Podsakoff (2003, S.<br />
201)<br />
Dimensionen reflektive Modelle formative Modelle<br />
Kausalität latentes Konstrukt manifeste<br />
Variable<br />
Reliabilität Indikatoren korrelieren miteinan-<br />
der<br />
Validität Entfernen von Indikatoren (eines<br />
eindimensionalen Konstruktes)<br />
führt nicht unbedingt zu einer<br />
Veränderung der Bedeutung des<br />
latenten Konstruktes<br />
manifeste Variable latentes<br />
Konstrukt<br />
Indikatoren korrelieren nicht un-<br />
bedingt miteinander<br />
Entfernen von Indikatoren führt<br />
zu einer unvollständigen Darstel-<br />
lung des latenten Konstruktes<br />
Messfehler Auf Ebene der Indikatoren Auf Ebene des latenten Kon-<br />
struktes<br />
Trotzdem scheinen verschiedene Studien zu zeigen, dass häufig Fehlspezikationen<br />
vorliegen (siehe z.B. für die deutsche betriebswirtschaftliche Forschung Fassott,<br />
2006. Hier sollte nicht unkritisch bleiben, dass die Entscheidung über eine Fehlspezi-<br />
fikation allein auf Basis der Konstruktdefiniton und Indikatorbeschreibungen vorge-<br />
nommen wurde, S. 58; für englischsprachige Zeitschriften siehe z.B. Jarvis et al.,<br />
2003). Fehlspezifikation bedeutet, dass z.B. eine reflektive Modellspezifkation vorge-<br />
nommen wurde, obwohl eine formative Spezifikation aufgrund inhaltlicher Gründe<br />
eher angebracht gewesen wäre. <strong>Ein</strong> Problem scheint die Beantwortung der Frage<br />
nach der Kausalität zwischen dem latenten Konstrukt und den manifesten Variablen<br />
zu sein. Edwards und Bagozzi (2000, S. 157 ff.) wählten als Ausgangspunkt zur An-<br />
näherung an eine Lösung die philosophische Betrachtungsweise. Ausgehend von<br />
den philosophischen Prinzipien, dass<br />
1. Ursache und Wirkung verschiedene <strong>Ein</strong>heiten sind,<br />
2. Ursache und Wirkung miteinander in Verbindung stehen,<br />
3. die Ursache zeitlich vor der Wirkung steht und
21<br />
4. für die angenommene Beziehung von Ursache und Wirkung keine alternativen<br />
Erklärungen zur Verfügung stehen,<br />
entwickelten sie Leitlinien zur Spezifizierung der kausalen Richtung und strukturellen<br />
Beziehungen für direkte und indirekte reflektive und formative Modelle. Ebenfalls mit<br />
dem Anspruch der Absicherung der Kausalität entwickelte Fassott (2006, S. 58) im<br />
oben genannten Artikel einen auf der Abreit von Jarvis, Mackenzie und Podsakoff<br />
(2003, S. 201 ff. ) basierenden Leitfragenkatalog, der die Absicherung der Kausalität<br />
zum Ziel hat. Beide Ansätze (Jarvis et al., 2003, vor allem Abbildung 1, S. 201, und<br />
Tabelle 1, S. 203; Fassott, 2006, S. 58) können als Unterstützung zur Spezifikation<br />
herangezogen werden.<br />
2.4 Methodische Voraussetzungen<br />
<strong>Ein</strong>e kausalanalytische Verwendung von Statistiken setzt intensive Überlegungen<br />
über die Beziehungen zwischen den latenten Variablen voraus (Backhaus et al.,<br />
2003, S. 353). Andernfalls können etwaige Ergebnisse lediglich als hypothesengene-<br />
rierend angesehen werden. Wie bereits in der <strong>Ein</strong>leitung angedeutet, vereint die<br />
Kausalanalyse faktorenanalytische und regressionsanalytische Methoden. Diese Me-<br />
thoden sind an parametrische Voraussetzungen gebunden, die bereits in Kapitel 2.2<br />
genannt wurden, wie z.B. intervallskalierte Merkmale und eine hinreichend große<br />
Stichprobe. Damit ist auch die Kausalanalyse an deren Voraussetzungen gebunden.<br />
Die Übernahme der Voraussetzungskriterien gilt auch für die verschiedenen Anpas-<br />
sungsmaße (vgl. Tabelle 12, S. 33) wie dem Chi-Quadrat-Wert sowie den Schätzver-<br />
fahren (vgl. Tabelle 11, S. 30), die in Kapitel 3.5 auch in Bezug auf ihre Vorausset-<br />
zungen angedeutet sind. Zum Beispiel ist der Chi-Quadrat-Test von der Erfüllung der<br />
Kriterien der Maximum-Likelihood-Methode (ML) abhängig (Homburg/Hildebrandt,<br />
1998, S. 35), die eine Stichprobengröße von n > 100, normalverteilte Variablen und<br />
metrisches Skalenniveau erfordert (vgl. auch Backhaus et al., 2003, S. 373). Da sich<br />
die Kausalanalyse auf die asymptotische statistische Theorie stützt, besteht die Not-<br />
wendigkeit zu allgemein großen Stichproben (Homburg/Baumgartner, 1995, S.<br />
1093). Die Stichprobengröße kann je nach Schätzverfahren und Komplexität des<br />
Modells variieren (Homburg/Baumgartner, 1995, S. 1093). Das heißt, jede Teststatis-<br />
tik und jeder Schätzalgorithmus muss im Speziellen auf Eignung geprüft werden.
22<br />
<strong>Ein</strong>e generelle Voraussetzung besteht in der Operationalisierbarkeit, d.h. in der Su-<br />
che nach geeigneten Indikatorvariablen. Werden keine Indikatorvariablen gefunden,<br />
können die latenten Konstrukte nicht gemessen werden.<br />
3. Vorgehen bei einer Kausalanalyse<br />
3.1. <strong>Ein</strong>führung<br />
Backhaus et al. (2003) empfehlen für die Überprüfung des Hypothesensystems ein<br />
Vorgehen in sechs Schritten:<br />
- Hypothesenbildung<br />
- Erstellung eines Pfaddiagramms/Spezifikation der Modellstruktur<br />
- Identifikation der Modellstruktur<br />
- Schätzung der Parameter<br />
- Beurteilung der Schätzergebnisse sowie<br />
- gegebenenfalls eine Modellmodifikation<br />
In dieser Arbeit werden diese Schritte um einen weiteren Punkt „Interpretation“ er-<br />
gänzt (Bortz, 2005). Die ersten drei Schritte (Hypothesenbildung, Erstellung eines<br />
Pfaddiagramms/Spezifikation der Modellstruktur und Identifikation der Modellstruktur)<br />
beziehen sich auf das „theoretische“ Strukturgleichungsmodell. Der vierte Schritt,<br />
Schätzung der Parameter, schließt die eigentliche Datenerhebung mit ein. Der fünfte<br />
Schritt, Beurteilung der Schätzergebnisse, betrifft die Überprüfung des Modells. Hier<br />
werden in der Literatur verschiedene globale Anpassungsmaße, die sich auf das ge-<br />
samte Strukturgleichungsmodell beziehen, und lokale Anpassungsmaße, die Aus-<br />
kunft geben über die Güte der Anpassung einzelner Teile des Strukturgleichungsmo-<br />
dells (Kausalmodell, Messmodell), vorgeschlagen (z.B. Homburg/Pflesser, 2000).<br />
Der sechste Schritt beschreibt die Modifikation der Modellstruktur. Dieser von Back-<br />
haus et al. (2003) beschriebene Schritt wandelt jedoch den Anspruch des Modells,<br />
Hypothesen zu testen, in den Anspruch um, Hypothesen zu generieren. Ist es das<br />
Ziel, Hypothesen zu testen, muss vom sechsten Schritt abgesehen oder die Überprü-<br />
fung mittels eines neuen empirischen Datensatzes durchgeführt werden. Der Punkt<br />
„Interpretation“ zeigt anhand des vorgegebenen Beispiels, welche Informationen aus<br />
den Daten gewonnen werden konnten.<br />
Nachfolgend sollen diese Schritte in Verbindung mit einen Beispiel <strong>–</strong> soweit wie mög-<br />
lich <strong>–</strong> näher erläutert sowie auf das computergestützte Programm AMOS Bezug ge-
23<br />
nommen werden. Das Beispiel wurde Bortz (2005, S. 477 f.) entlehnt und kann dort<br />
mathematisch nachvollzogen werden (vgl. auch Backhaus et al., 2003). <strong>Ein</strong>e eben-<br />
falls ausführliche Beschreibung eines Vorgehens findet sich bei Homburg und Pfles-<br />
ser (2000).<br />
3.2. Hypothesenbildung<br />
Der erste Schritt besteht in der Entscheidung, welche Variablen in das Hypothesen-<br />
system aufgenommen werden sollen und in der Vermutung, welche Beziehungen,<br />
einschließlich der Vorzeichen, zwischen diesen einzelnen Variablen bestehen. Diese<br />
Entscheidungen entstammen theoretischen und sachlogischen Vorüberlegungen und<br />
sind daher auch gut zu begründen (Backhaus et al., 2003).<br />
Dem vorgegebenen Beispiel (Kap. 2) folgend, wären anschließende a priori aufge-<br />
stellten Hypothesen zu testen:<br />
H1: Die <strong>Ein</strong>stellung gegenüber einem Produkt bestimmt die Kaufneigung. Je po-<br />
sitiver die <strong>Ein</strong>stellung ist, desto stärker ist die Neigung zum Kauf des Produk-<br />
tes.<br />
H2: Positive <strong>Ein</strong>stellungen gegenüber dem Produkt bedingen positive Werte in<br />
den <strong>Ein</strong>stellungsfragebögen.<br />
H3: Die Kaufneigung wird durch den Kauf eindeutig und messfehlerfrei erfasst.<br />
3.3. Erstellung eines Pfaddiagramms und Spezifikation der Modellstruktur<br />
Die im ersten Schritt aufgestellten Beziehungen müssen nun mithilfe der mathemati-<br />
schen linearen Gleichungssysteme dargestellt werden. Zusätzlich können die Bezie-<br />
hungen mithilfe computergestützter Programme wie AMOS aufgezeichnet werden.<br />
Damit wird erreicht, dass die Struktur zwischen den einzelnen Variablen visualisiert<br />
dargestellt wird. Die Komplexität der Ursache-Wirkungs-Beziehungen zwischen ver-<br />
schiedenen Variablen wird somit auf ein kognitiv schnell greifbares Niveau verringert<br />
(Backhaus et al., 2003).<br />
Durch die Formulierung verbaler Hypothesen (Kap. 3.2) sowie die Darstellungen als<br />
Pfaddiagramm und mathematischen linearen Gleichungssystemen werden die Pa-<br />
rameter spezifiziert. Für die Darstellung in Diagrammform wurden Konstruktionsre-
24<br />
geln entwickelt, die detailliert bei Backhaus et al. (2003) nachgelesen werden kön-<br />
nen.<br />
In dem vorgegebenen Beispiel würde die graphische Spezifizierung (Abbildung 10)<br />
ausgehend von den formulierten Hypothesen wie folgt aussehen:<br />
Abbildung 10: spezifiziertes Strukturgleichungsmodell als Pfaddiagramm<br />
δ 1<br />
Messfehler<br />
1<br />
δ 2<br />
Messfehler<br />
2<br />
X 1<br />
<strong>Ein</strong>stellungstest<br />
1<br />
X 2<br />
<strong>Ein</strong>stellungstest<br />
2<br />
ε<br />
1<br />
MeßfehMessfehlerler 3 3<br />
(Aus Platzgründen und zum besseren Verstehen der Methode wird auch in den nach-<br />
folgenden Kapiteln ausschließlich auf die graphische Darstellung Bezug genommen.)<br />
Es werden drei Arten von Parametern unterschieden (Bortz, 2005, S. 477 f.; vgl.<br />
auch Backhaus et al., 2003):<br />
Bei festen Parametern können die Werte bereits festgelegt werden. Parameter wer-<br />
den mit „<strong>Ein</strong>s“ wie bei λ 3 = 1 festgelegt, wenn, wie im Beispiel anzunehmen ist, die<br />
latente Variable direkt und messfehlerfrei durch den Kauf des Produktes vorherge-<br />
sagt werden kann. <strong>Ein</strong>e „Null“ wird vergeben, wenn ausgeschlossen werden kann,<br />
dass es eine Beziehung gibt, wie zwischen der beobachtbaren Variable „Kauf“ und<br />
dem Messfehler ε 1.<br />
Hier wurde mit der Hypothese 3 postuliert, dass die Variable<br />
„Kauf“ messfehlerfrei erhoben wird.<br />
Restringierte Parameter sind solche, deren Werte einander entsprechen. D.h., wenn<br />
angenommen werden kann, dass sich mehrere Variablen in ihrer kausalen Wirkung<br />
nicht unterscheiden. Hier muss dann nur ein Parameter geschätzt werden. Es findet<br />
eine Verringerung der Anzahl der Parameter statt.<br />
Freie Parameter werden aus den empirisch ermittelten Kovarianzen geschätzt. Das<br />
Ergebnis der Schätzung entscheidet, ob die im Modell aufgestellten Kausalhypothe-<br />
sen als gültig angenommen werden können. Freie Parameter in dem vorgegebenen<br />
Beispiel sind λ 1 , λ 2 undγ 1 .<br />
⊕ λ1<br />
⊕ λ2<br />
ξ 1<br />
<strong>Ein</strong>stellung<br />
⊕ γ 1<br />
η 1<br />
Kaufneigung<br />
λ 3 = 1<br />
ζ 1<br />
Messfehler<br />
Υ 1<br />
Kauf<br />
0
25<br />
Analog zu den im Kap. 2 vorgestellten Gleichungsformen werden ebenfalls die linea-<br />
ren Gleichungssysteme erstellt. Auf eine detaillierte Darstellung wird an dieser Stelle<br />
verzichtet.<br />
3.4. Identifikation der Modellstruktur<br />
Wurden die Beziehungen mithilfe von Gleichungssystemen (in Form von Varianz-<br />
Kovarianz-Matrizen) dargestellt wie z.B. bei LISREL <strong>–</strong> bei AMOS ist dieser Schritt<br />
nicht nötig <strong>–</strong> muss geprüft werden, ob das Gleichungssystem lösbar ist (Backhaus et<br />
al., 2003). Es wird geprüft, ob die empirischen Informationen - die Varianzen und Ko-<br />
varianzen - ausreichen, um die unbekannten Parameter zu schätzen (Bortz, 2005).<br />
Das Gleichungssystem ist dann eindeutig lösbar, wenn die Anzahl der Gleichungen<br />
mindestens der Anzahl der zu schätzenden Parameter entspricht (zum Unterschied<br />
zwischen zu schätzender Parameter und nicht zu schätzender Parameter vgl. Kap.<br />
3.3). Die Anzahl der Gleichungen entspricht der Anzahl der Korrelationskoeffizienten,<br />
die sich aus der Beziehung<br />
n ( n + 1)<br />
2<br />
ergeben, wobei n für die Anzahl der Indikatorvariablen steht (Backhaus et al., 2003).<br />
Aus der Differenz von Anzahl der Gleichungen (GL) und Anzahl der unbekannten<br />
Parameter (UPA) errechnen sich die Freiheitsgrade (d.f.) eines Gleichungssystems:<br />
Formel 8: Berechnung der Anzahl der Freiheitsgrade<br />
d.f. = GL <strong>–</strong> UPA<br />
Ergibt sich ein negativer Wert, ist das Gleichungssystem nicht lösbar und das Modell<br />
gilt als nicht identifizierbar. Die empirischen Informationen reichen nicht aus, um die<br />
Parameter zu berechnen (Backhaus et al., 2003, S. 360).<br />
Aus dem Verhältnis von Anzahl der Gleichungen und Anzahl der zu schätzenden<br />
Parameter ergeben sich Informationen für die Identifizierbarkeit der Modellstruktur. In<br />
Tabelle 8, S. 26, wird ein <strong>Überblick</strong> über die verschiedenen Verhältnisse (Spalte 1)<br />
dargestellt. Von diesen ist abhängig, ob das Gleichungssystem lösbar ist (Spalte 2)<br />
und daraus folgend, ob das Modell als identifiziert gilt (Spalte 3). Von der Art der
26<br />
Identifizierbarkeit ist auch abhängig, ob ein Modelltest (Spalte 4) zur Bestimmung der<br />
Güte der Übereinstimmung (vgl. Kap. 3.6) durchgeführt werden muss.<br />
Tabelle 8: <strong>Überblick</strong> über die Kombinationsmöglichkeiten von Anzahl der Gleichungen zu Anzahl der unbekannten<br />
Parameter sowie daraus folgende Konsequenzen für das Modell<br />
Verhältnis von Anzahl der<br />
Gleichungen (GL) zu Anzahl<br />
der zu schätzenden Parameter<br />
(PA)<br />
Gleichungssystemlösbar?<br />
Identifizierbarkeit<br />
des Modells<br />
Modelltest?<br />
GL < PA Nein Nicht identifizierbar Nicht möglich<br />
GL = PA Ja Genau identifiziert Nicht nötig, da die errechneten Korrelationen<br />
aus den geschätzten Parametern genau den<br />
empirischen Korrelationen entsprechen*<br />
GL > PA Ja, aber nicht<br />
eindeutig<br />
* Bortz, 2005, S. 479, ** Backhaus et al., 2003, S. 367<br />
Überidentifiziert Ja, weil mehr empirische Korrelationswerte zur<br />
Verfügung stehen als im Modell Parameter zu<br />
schätzen sind**<br />
Zusammenfassend resultieren für das vorgegebene Beispiel insgesamt sechs Glei-<br />
chungen, mit denen die unbekannten Parameter geschätzt werden können. An die-<br />
ser Stelle sollen zwei Gleichungen exemplarisch gezeigt werden:<br />
Formel 9: Beispielgleichungen für die Schätzung der unbekannten Parameter<br />
r = λ ⋅ λ ⋅γ<br />
r = Korrelation<br />
x2<br />
y1<br />
r x2<br />
x2<br />
2<br />
2<br />
2<br />
3<br />
= λ + δ<br />
2<br />
2<br />
1<br />
Den sechs Gleichungen stehen insgesamt sieben unbekannte Parameter<br />
( λ 1 , λ 2 , λ 3 , γ 1 , δ 1 , δ 2 undε 1 , vgl. Abb. 6, S. 14) gegenüber. Damit wäre das Glei-<br />
chungssystem nicht lösbar. Da jedoch in Hypothese 3 angenommen wurde, dass die<br />
Variable „Kauf“ eine fehlerfreie Messung darstellt, wirdε 1 (der Messfehleranteil der<br />
latenten endogenen Variable „Kauf“) gleich Null gesetzt ( ε 1 = 0 ), womit das Glei-<br />
chungssystem mit nur noch sechs unbekannten (zu schätzenden) Parametern wieder<br />
eindeutig lösbar wäre (Fall 2, Tab. 7). Damit wäre das Modell genau identifiziert<br />
(Bortz, 2005).<br />
Bei der Lösung der Gleichungen gehen Kausalanalysen von Annahmen der Unkorre-<br />
liertheit zwischen den einzelnen Variablen aus. Diese Annahmen können bei Back-<br />
haus et al. (2003) nachgelesen werden.<br />
AMOS überprüft, ob die Informationen aus den empirischen Daten ausreichen, um<br />
die unbekannten Parameter schätzen zu können. AMOS erkennt nicht-positiv defi-<br />
nierte Modellstrukturen und gibt entsprechende Fehlermeldungen. Voraussetzungen
27<br />
zur Identifizierbarkeit einer Modellstruktur sind die lineare Unabhängigkeit der Glei-<br />
chungen und ein positives Verhältnis von der Anzahl der Gleichungen zu den zu<br />
schätzenden Parametern. Wird ein Modell als identifizierbar angesehen, können die<br />
gesuchten Parameter geschätzt werden (Backhaus et al., 2003).<br />
3.5. Parameterschätzung<br />
Wenn ein Strukturgleichungsmodell als identifizierbar gilt, können die empirischen<br />
Daten erhoben werden. Die Schätzung der einzelnen Parameter erfolgt auf Grund-<br />
lage empirischer Daten (Backhaus et al., 2003). Die Parameterschätzung hat das<br />
Ziel, die Differenz zwischen den modelltheoretischen Parametermatrizen ( ^<br />
R ge-<br />
schätzte Varianz-Kovarianz-Matrix bzw. Korrelationsmatrix) und der aufgrund der<br />
Empirie ermittelten Varianz-Kovarianz-Matrix (R) zu minimieren 2 . Dazu wird mithilfe<br />
der unbekannten Parameter ( λ 1 , λ 2 , λ 3 , γ 1 , δ 1 , δ 2 undε 1)<br />
eine modelltheoretische Korre-<br />
lationsmatrix errechnet (vgl. Tabelle 10, S. 28). D.h., die unbekannten Parameter<br />
werden so kombiniert, dass sie der empirischen Ausgangsmatrix (vgl. Tabelle 9)<br />
möglichst nahe kommen (Backhaus et al., 2003).<br />
Für den Fall, dass mehr empirische Korrelationen zur Verfügung stehen als Parame-<br />
ter geschätzt werden sollen (Fall 3 in Tabelle 8), wird allen zu schätzenden unbe-<br />
kannten Parametern ein Startwert zugeordnet. Danach wird die Matrix geschätzt. Die<br />
Veränderung der Werte der Parameter und die Schätzung der Matrizen erfolgt solan-<br />
ge, bis eine Matrix gefunden wurde, die der empirischen Ausgangsmatrix möglichst<br />
ähnlich ist, d.h. die Differenz zwischen empirischer Matrix und geschätzter Matrix<br />
möglichst gering ist (vgl. Fußnote 2).<br />
Entspricht die Anzahl der empirischen Korrelationen der Anzahl der zu schätzenden<br />
Parameter (Fall 2 in Tabelle 8), entsprechen die errechneten Korrelationen aus den<br />
geschätzten Parametern genau den empirischen Korrelationen (Bortz, 2005). Tabelle<br />
9 und Tabelle 10 sollen dies verdeutlichen. Die empirische Kovarianz-Matrix (hier<br />
Korrelationsmatrix) hat folgende Form (Bortz, 2005, S. 478):<br />
2<br />
R<br />
−<br />
^<br />
R<br />
→<br />
Min<br />
, vgl. Matrix-Tabelle 9 und Matrix-Tabelle 10 zur Veranschaulichung, Erklärung folgt.<br />
!
Tabelle 9: empirische Korrelationsmatrix<br />
x1 x2 y1<br />
x1 1,0 x1x2 x1y1<br />
x2 1,0 x2y1<br />
y1 1,0<br />
Analog zu dieser empirischen Matrix<br />
soll die aus dem Modell abgeleitete Pa-<br />
rametermatrix, basierend auf den linea-<br />
ren Gleichungen, rekonstruiert werden.<br />
Die Parametermatrix erhält man, indem<br />
die Gleichungen, mit denen die unbe-<br />
kannten Parameter geschätzt werden<br />
sollen (zwei wurden exemplarisch vor-<br />
gestellt, vgl. Formel 9, Kap. 3.4), in die<br />
empirische Kovarianz-Matrix übertra-<br />
gen werden (Tabelle 10).<br />
28<br />
x1, x2 und y1 sind die beobachtbaren<br />
Indikatoren (grau unterlegt). In den Zel-<br />
len (weiß unterlegt) stehen die jeweili-<br />
gen Korrelationen r, die sich ergeben,<br />
wenn die Werte der Indikatoren unter-<br />
einander korreliert werden.<br />
Tabelle 10: Parametermatrix für zwei exemplarisch<br />
dargestellte Gleichungen<br />
x1<br />
X2<br />
y1<br />
x1 x2 y1<br />
λ ⋅ λ ⋅γ<br />
2 2<br />
λ 2 + δ 2 2 3 1<br />
Die Parameter werden nun so geschätzt, dass die empirische Ausgangsmatrix (Ta-<br />
belle 9) möglichst gut reproduziert wird (Tabelle 10). Zum Beispiel beträgt die Korre-<br />
lation in der Ausgangsmatrix (Tabelle 9) für die Variable x2 mit sich selbst 1,0. In der<br />
Parametermatrix (Tabelle 10) werden nun die Werte der Parameter λ 2 und δ 2 so<br />
2 2<br />
geschätzt, dass der Term λ + δ ebenfalls 1,0 ergibt.<br />
2<br />
2<br />
Für die Schätzung der Parameter stehen verschiedene Verfahren zur Verfügung, die<br />
sich in ihren Vorannahmen unterscheiden (Backhaus et al., 2003). AMOS bietet<br />
ebenfalls unterstützende Funktionen im Sinne verschiedener Methoden, die nachfol-<br />
gend genannt werden (Backhaus et al., 2003, S. 362):<br />
• Maximum-Likelihood-Methode (ML 3 ),<br />
• Methode der ungewichteten kleinsten Quadrate (ULS),<br />
• Methode der verallgemeinerten kleinsten Quadrate (GLS),<br />
• Methode der skalenexogenen kleinsten Quadrate (SLS),<br />
• Methode der asymptotischen verteilungsfreien Schätzer (ADF).<br />
3 Abkürzungen wurden aus dem Backhaus et al. (2003, S. 362) entnommen und entsprechend den<br />
englischen Übersetzungen der Methoden.
29<br />
Welche Methode gewählt werden sollte, hängt von folgenden Kriterien ab (Backhaus<br />
et al., 2003, S. 363):<br />
• Multinormalverteilung der manifesten Variablen:<br />
<strong>Ein</strong>ige Methoden wie ML setzen multinormalverteilte Daten voraus.<br />
• Skaleninvarianz der Diskrepanzfunktion:<br />
Skaleninvarianz bedeutet, dass das Minimum der Diskrepanzfunktion (Ergebnis der<br />
Differenz zwischen theoretischer und empirischer Matrix, vgl. Fußnote 2, Seite 27)<br />
von den Skalen der Variablen unabhängig sein muss. Zum Beispiel kann das Ge-<br />
wicht eines Körpers sowohl in „kg“ als auch in „g“ angegeben werden. Inhaltlich drü-<br />
cken beide <strong>Ein</strong>heiten das Gleiche aus. Skaleninvarianz heißt nun, dass eine Ände-<br />
rung der Skalierung nicht zu einer inhaltlichen Änderung des Ergebnisses führen<br />
darf. ULS ist jedoch nicht skaleninvariant. Wie die Diskrepanzfunktion der einzelnen<br />
Methoden mathematisch aussieht, kann bei Backhaus et al. (2003, S. 363) nachge-<br />
lesen werden.<br />
• Stichprobengröße:<br />
<strong>Ein</strong> genügend großer Stichprobenumfang ist für eine zuverlässige Schätzung unab-<br />
dingbar. Die SLS z.B. verlangt einen Stichprobenumfang von n > 100.<br />
• Verfügbarkeit von Inferenzstatistiken (Chi-Quadrat-Tests):<br />
Zu jeder statistischen Überprüfung von Zusammenhängen, Unterschieden oder Ver-<br />
änderungen in Untersuchungen gehört die Formulierung des statistischen Hypothe-<br />
senpaares H0 (Nullhypothese) und H1 (Alternativhypothese). Üblicherweise ent-<br />
spricht H1 der Forschungshypothese und drückt damit die postulierten Zusammen-<br />
hänge, Unterschiede oder Veränderungen aus (Bortz/Döring, 2002). In dem vorge-<br />
gebenen Beispiel würde z.B. die Alternativhypothese: „Die modelltheoretische Vari-<br />
anz-Kovarianzmatrix bzw. Korrelationsmatrix unterscheidet sich von der empirischen<br />
Varianz-Kovarianzmatrix bzw. Korrelationsmatrix.“ geprüft. H0 drückt inhaltlich das<br />
Gegenteil von H1 aus, dass keine Zusammenhänge, Unterschiede oder Veränderun-<br />
gen auftreten bzw. nicht in erwarteter Richtung (Bortz/Döring, 2002). Bezogen auf<br />
das vorgegebene Beispiel würde die H0 geprüft: „Modelltheoretische Varianz-<br />
Kovarianzmatrix bzw. Korrelationsmatrix und empirische Varianz-Kovarianzmatrix<br />
bzw. Korrelationsmatrix unterscheiden sich nicht.“.<br />
Anhand von Inferenzstatistiken wird geprüft, ob die Variablen gemäß H0 verteilt sind.<br />
<strong>Ein</strong>e Bejahung (kein signifikanter Unterschied/Zusammenhang/Veränderung) führt
30<br />
zur Ablehnung von H1 und zur Annahme von H0. <strong>Ein</strong>e Verneinung, die Variablen<br />
sind nicht gemäß H0 verteilt (ein signifikanter Unterschied/Zusammenhang<br />
/Veränderung), führt zur Ablehnung von H0 und zur Annahme von H1. Allerdings ist<br />
die Anwendung von Inferenzstatistiken an Voraussetzungen gebunden, die je nach<br />
Test variieren können. So kann ULS nur angewendet werden, wenn die beobachtba-<br />
ren Variablen einer Normalverteilung folgen.<br />
Tabelle 11 gibt einen <strong>Überblick</strong> über die Voraussetzungen und Eigenschaften (Zeilen<br />
2-5) der genannten Schätzverfahren (Spalten 2-6).<br />
Tabelle 11: Voraussetzungen und Eigenschaften von Schätzverfahren nach Backhaus et al. (2003)<br />
Kriterium<br />
Schätzver-<br />
fahren<br />
ML ULS GLS SLS ADF<br />
Normalverteilung Ja Nein Ja Nein Nein<br />
Skaleninvarianz Ja Nein Ja Ja Ja<br />
Stichprobengröße n > 100 n > 100 n > 100 n > 100 n = 1,5 p(p+1)*<br />
Inferenzstatistik Ja Nein Ja Nein Ja<br />
* p = Anzahl manifester Variablen<br />
In dem vorgegebenen Beispiel werden nun die beiden exogenen Variablen x1 und x2<br />
(<strong>Ein</strong>stellungstest 1, <strong>Ein</strong>stellungstest 2) sowie die endogene Variable y1 (Kauf) an ei-<br />
ner Stichprobe mit n Probanden erhoben. Als Ergebnis erhält man die Kovarianzen<br />
(hier Korrelationen) zwischen den einzelnen Indikatorvariablen wie rx2y2 = 0,48, die in<br />
das Gleichungssystem für die jeweiligen Parameter eingesetzt werden<br />
( λ ⋅ λ ⋅ γ = 0,<br />
48 ) und aufgelöst zu Lösungen für die unbekannten Parameter<br />
2<br />
3<br />
1<br />
( λ 0,<br />
6 ) führen (Bortz, 2005). Da es sich in dem vorgegebenen Beispiel um ein ge-<br />
2 =<br />
nau identifiziertes Modell handelt, entsprechen die errechneten Korrelationen aus<br />
den geschätzten Parametern den empirischen Korrelationen. <strong>Ein</strong> Modelltest würde<br />
sich hier erübrigen. Bei überidentifizierten Modellen wird in einem nächsten Schritt<br />
das Schätzergebnis mithilfe von Modelltests beurteilt.
31<br />
3.6. Beurteilung der Schätzergebnisse<br />
Nach der Schätzung muss überprüft werden, wie gut die theoretische Schätzung die<br />
empirischen Daten widerspiegelt. Dazu stehen verschiedene Anpassungsmaße zur<br />
Verfügung (Backhaus et al., 2003; Homburg/Pflesser, 2000). Anpassungsmaße beur-<br />
teilen auf Grundlage der Parameterschätzungen die Güte der Anpassung des Mo-<br />
dells an den empirischen Datensatz (Homburg/Baumgartner, 1998).<br />
Homburg und Pflesser (2000) geben einen detaillierten <strong>Überblick</strong> und unterscheiden<br />
zwischen lokalen und globalen Anpassungsmaßen. Lokale Anpassungsmaße kön-<br />
nen sich entweder auf das Messmodell (u.a. t-Wert der Faktorladung, Faktorreliabili-<br />
tät, Indikatorreliabilität) oder auf das Kausalmodell (quadrierte multiple Korrelation)<br />
beziehen (Homburg/Pflesser, 2000), d.h. sie beziehen sich nur auf einen Teil des<br />
gesamten Modells. Globale Anpassungsmaße vergleichen die empirisch ermittelten<br />
und theoretisch abgeleiteten Kovarianzmatrizen, d.h., sie beziehen sich auf das ge-<br />
samte Modell. Homburg und Pflesser (2000) unterscheiden hier verschiedene Kate-<br />
gorien von Anpassungstest: relativ globale Anpassungsmaße und Anpassungsmaße<br />
mit Vergleichsstandards (vgl. Abbildung 11). Anpassungsmaße mit Vergleichsstan-<br />
dards werden weiterhin unterschieden in inferenzstatistische Anpassungsmaße (Chi-<br />
Quadrat-Teststatistik, Root-Mean-Square-Error of Approximation (RMSEA)), deskrip-<br />
tive Anpassungsmaße (Goodness-of-Fit-Index (GFI)), Adjusted-Goodness-of-Fit-<br />
Index (AGFI)) sowie inkrementelle Anpassungsmaße (Normed Fit Index (NFI), Com-<br />
parative Fit Index (CFI)).<br />
Abbildung 11, S. 32, zeigt einen strukturellen <strong>Überblick</strong> über die <strong>Ein</strong>teilung der An-<br />
passungstest nach Homburg und Pflesser (2000).
Abbildung 11: <strong>Überblick</strong> über die <strong>Ein</strong>teilung der Anpassungsmaße nach Homburg und Pflesser (2000)<br />
Anpassungsmaße mit<br />
Vergleichsstandards<br />
inferenzstatistische<br />
Anpassungsmaße<br />
(z.B. Chi-Quadrat,<br />
RMSEA)<br />
globale<br />
Anpassungsmaße<br />
relativ globale<br />
Anpassungsmaße<br />
deskriptive<br />
Anpassungsmaße<br />
(z.B. GFI, AGFI)<br />
32<br />
Anpassungsmaße<br />
für das Kausalmodell<br />
(z.B. quadrierte multiple<br />
Korrelation)<br />
inkrementelle<br />
Anpassungsmaße<br />
(z.B. NFI, CFI)<br />
lokale<br />
Anpassungsmaße<br />
für das Messmodell<br />
(z.B. t-Wert der<br />
Faktorladung,<br />
Faktorreliabilität,<br />
Indikatorreliabilität)<br />
Homburg und Pflesser (2000) schlagen fünf Schritte zur Beurteilung eines Kausal-<br />
modells vor. Diese Schritte beziehen sich auf die Beurteilung genereller Aspekte des<br />
Kausalmodells, die Reliabilität des Messmodells und die Reliabilität des Kausalmo-<br />
dells sowie die Anpassung des gesamten Messmodells. Die letzten Schritte betreffen<br />
die Validierung des Modells sowie dessen Interpretation.<br />
Schritt 1: Überprüfung formaler Aspekte<br />
An dieser Stelle soll zunächst überprüft werden, ob sich im gesamten Modell (Struk-<br />
turgleichungsmodell, Ergebnisse der Parameterschätzungen) unlogische oder theo-<br />
retisch unplausible Werte befinden. Backhaus et al. (2003) nennen diesen Schritt<br />
auch die Plausibilitätsbetrachtung. Sollten derartige Werte auftreten, ist dies ein Hin-<br />
weis auf ein falsches theoretisches Modell oder die Daten können die Informationen<br />
nicht bereitstellen. Indikatoren für ein unplausibles Modell sind negative Varianzen<br />
und nicht invertierbare Kovarianz- oder Korrelationsmatrizen (Backhaus et al., 2003;<br />
Homburg/Pflesser, 2000), da z.B. Varianzen aufgrund der Quadrierung (s 2 ) immer<br />
positiv sind.<br />
Schritt 2: Beurteilung der Anpassungsgüte des gesamten Modells<br />
In diesem Schritt wird überprüft, wie gut bzw. wie genau sich das Modell insgesamt<br />
an die empirischen Daten anpasst (Backhaus et al., 2003). Dazu werden die globalen<br />
Anpassungsmaße Chi-Quadrat-Wert, Goodness-of-Fit-Index (GFI), Adjusted-
33<br />
Goodness-of-Fit-Index (AGFI), Normed Fit Index (NFI), Comparative Fit Index (CFI)<br />
und Root-Mean-Square-Error of Approximation (RMSEA) verwendet. Hier schlagen<br />
Homburg und Pflesser (2000) Minimalanforderungen für die Beurteilung des Ge-<br />
samtmodells vor, die in Tabelle 12 dargestellt werden.<br />
Tabelle 12: <strong>Überblick</strong> über die Anpassungsmaße und Anforderungen für das Gesamtmodell<br />
Anpassungsmaß für das Gesamtmodell Anforderung<br />
<<br />
Chi-Quadrat-Wert 2.<br />
5<br />
><br />
Goodness-of-Fit-Index (GFI) 0.<br />
9<br />
><br />
Adjusted-Goodness-of-Fit-Index (AGFI) 0.<br />
9<br />
><br />
Normed Fit Index (NFI) 0.<br />
9<br />
><br />
Comparative Fit Index (CFI) 0.<br />
9<br />
<<br />
Root-Mean-Square-Error of Approximation (RMSEA) 0.<br />
05<br />
Auf Folgendes soll hier speziell für den Chi-Quadrat-Test hingewiesen werden. Der<br />
Chi-Quadrat-Test, der in der Anwendung weit verbreitet ist , ist ein Anpassungstest,<br />
der die Güte der Übereinstimmung von beobachteten und reproduzierten Daten be-<br />
stimmt. Statistisch geprüft wird H0. H1 ist „normalerweise“ die Wunschhypothese.<br />
Das statistische Hypothesenpaar für den Chi-Quadrat-Test bezogen auf das vorge-<br />
gebene Beispiel lautet:<br />
H0: Beobachtete und reproduzierte Daten unterscheiden sich nicht (Gleichheit)<br />
H1: Beobachtete und reproduzierte Daten unterscheiden sich (Unterschiedlichkeit)<br />
Wie aus allem Vorstehenden zu erkennen ist, ist in der Kausalanalyse die H0<br />
(Gleichheit) die Wunschhypothese, d.h., dass signifikante Unterschiede zwischen<br />
dem theoretischen und empirischen Gleichungssystem nicht gewünscht sind, wie<br />
sonst üblich. Das bedeutet, dass hier nicht der Alpha-Fehler, sondern der Beta-<br />
Fehler abgesichert werden muss (Bortz, 2005). Bortz (2005) schlägt vor, dies indirekt<br />
über die Erhöhung des Alpha-Fehler-Niveaus zu tun und hält ein Alpha-Fehler-<br />
Niveau von 25% (α = 25 %) für ausreichend, um die Beta-Fehler-Wahrscheinlichkeit<br />
hinreichend gering zu halten. Damit wird verhindert, dass die H0 vorschnell als gültig<br />
angenommen wird. Die Annahme von H0 wird somit erschwert (weitere Ausführun-<br />
gen siehe bei Bortz, 2005). Andere Autoren wie Homburg und Pflesser (2000) gehen<br />
−<br />
−<br />
−<br />
−<br />
−<br />
−
34<br />
den Weg über „Minimalanforderungen“ (siehe dazu auch Kap. 5 Kritische Würdigung,<br />
S. 40).<br />
Schritt 3: Beurteilung der Anpassungsgüte des Messmodells<br />
An dieser Stelle wird die Genauigkeit des Messmodells geprüft (Reliabilität, zum<br />
Konzept vgl. Kap. 4.1). Die Reliabilität zählt neben der Validität und Objektivität zu<br />
den Testgütekriterien und gibt Auskunft über den Grad der Genauigkeit (Zuverlässig-<br />
keit) der Messungen von Indikatorvariabeln (vgl. Kap. 4.1). Dieser Schritt stützt sich<br />
nach Homburg und Pflesser (2000) auf die lokalen Anpassungsmaße wie t-Wert der<br />
Faktorladung, Faktorreliabilität, Indikatorreliabilität, die auf das empirische Messmo-<br />
dell bezogen sind.<br />
Tabelle 13 zeigt einen <strong>Überblick</strong> über die Anforderungen an die Anpassungsmaße<br />
nach Homburg und Pflesser (2000, S. 651).<br />
Tabelle 13: <strong>Überblick</strong> über die Anforderungen an die Anpassungsmaße nach Homburg und Pflesser (2000)<br />
Anpassungsmaße für das Messmodell Anforderung<br />
><br />
Reliabilitäten für jeden Indikator 0.<br />
4<br />
><br />
Faktorreliabilitäten für jeden Faktor 0.<br />
6<br />
><br />
durchschnittlich erfasste Varianzen für jeden Faktor 0.<br />
5<br />
Schritt 4: Beurteilung der Anpassungsgüte des Kausalmodells<br />
Mit diesem Schritt soll die Messgenauigkeit (Reliabilität) einzelner Gleichungen des<br />
Kausalmodells mithilfe der quadrierten multiplen Korrelation überprüft werden. Die<br />
quadrierte multiple Korrelation (R²) für eine latente endogene Variable η 1 berechnet<br />
sich aus der geschätzten Varianz der Fehlervariablen ζ 1 der latenten endogenen<br />
Variable, relativiert an der geschätzten Varianz der latenten Variablen η 1 , dessen<br />
Ergebnis von 1 subtrahiert wird. Die Gleichungsform lautet:<br />
Formel 10: Gleichung zur Berechnung der quadrierten multiplen Korrelation für eine latente endogene Variable<br />
R<br />
^<br />
var ζ<br />
( 1)<br />
= 1−<br />
^<br />
2<br />
1<br />
η .<br />
var η<br />
1<br />
−<br />
−<br />
−
35<br />
Als minimale Anforderung schlagen Homburg und Pflesser (2000) einen Wert für je-<br />
de abhängige latente Variable von ≥ 0.4 vor.<br />
Schritt 5: Kreuzvalidierung/Vergleich mit alternativen Modellstrukturen<br />
Der letzte Schritt umfasst die Kreuzvalidierung. Die Kreuzvalidierung untersucht, in-<br />
wieweit das theoretische Modell die Strukturen einer weiteren Datengrundlage erklä-<br />
ren kann. Dafür stehen verschiedenen Methoden zur Verfügung. Zum einen kann ein<br />
weiterer endogener Datensatz erhoben werden, zum anderen kann, wenn die Stich-<br />
probe hinreichend groß ist, diese geteilt werden. Die eine Hälfte der Stichprobe kann<br />
zur Konstruktion des theoretischen Modells, die andere zur Validierung herangezo-<br />
gen werden (Homburg/Pflesser, 2000). Homburg und Pflesser (2000) weisen darauf<br />
hin, dass eine Kreuzvalidierung mit anderen ebenfalls theoretisch denkbaren Model-<br />
len möglich wäre.<br />
3.7. Interpretation<br />
Die Vorzeichen der Pfadkoeffizienten der Parameterschätzung zeigen <strong>–</strong> nach Beur-<br />
teilung der Güte des Modells <strong>–</strong>, ob die formulierten Hypothesen bestätigt oder abge-<br />
lehnt werden müssen. <strong>Ein</strong> vollständiger Datensatz kann folgendermaßen aussehen<br />
(Daten aus Bortz, 2005, S. 479):<br />
Abbildung 12: Beispiel Strukturgleichungsmodell als Pfaddiagramm<br />
2<br />
1 = δ<br />
0,<br />
19<br />
Messfehler 1<br />
2<br />
2 = δ<br />
0,<br />
64<br />
Messfehler 2<br />
Bezogen auf die Daten aus dem vorgegebenen Beispiel kann folgendes interpretiert<br />
werden: Die Vorzeichen der Pfadkoeffizienten λ 1 , λ2,<br />
γ 1 sind positiv. Das bedeutet:<br />
<strong>Ein</strong>e positive <strong>Ein</strong>stellung gegenüber einem Produkt bewirkt eine positive Zustimmung<br />
in den <strong>Ein</strong>stellungstests (H2). Die <strong>Ein</strong>stellung hat einen positiven Effekt auf die Kauf-<br />
neigung (H1).<br />
X 1<br />
<strong>Ein</strong>stellungstest<br />
1<br />
X 2<br />
<strong>Ein</strong>stellungstest<br />
2<br />
λ 1 = 0,<br />
9<br />
λ 2 = 0,<br />
6<br />
ξ 1<br />
<strong>Ein</strong>stellung<br />
γ 1 = 0,<br />
8<br />
η 1<br />
Kaufneigung<br />
λ 3 = 1<br />
ζ 1<br />
Messfehler<br />
Υ 2<br />
Kauf<br />
0<br />
1<br />
ε<br />
Messfehler<br />
3
36<br />
64% der latenten Variablen „Kaufneigung“ werden durch die latente Variable „<strong>Ein</strong>stel-<br />
lung“ erklärt. Das ergibt sich aus der Korrelation beider Variablen<br />
r 1 1 = 0,<br />
8 ⋅ 0,<br />
8 = 0,<br />
64 . Der Pfadkoeffizient γ 1 entspricht der Korrelation der Variablen<br />
ξ η<br />
„<strong>Ein</strong>stellung“ und „Kaufneigung“, da nicht davon ausgegangen wurde, dass beide<br />
Variablen durch eine dritte Variable beeinflusst werden (vgl. Kap. 5). Übrig bleiben<br />
36% Varianz der Variablen „Kaufneigung“, die nicht durch die Variable „<strong>Ein</strong>stellung“<br />
erklärt werden können. Diese 36% gehen auf Messfehlereinflüsse ζ 1 zurück (100%<br />
Gesamtvarianz <strong>–</strong> 64% erklärte Varianz = 36% Fehlervarianz).<br />
Die Variable „<strong>Ein</strong>stellung“ wirkt indirekt auf die Variable „Kauf“. Die Höhe des <strong>Ein</strong>flus-<br />
ses beträgt λ ⋅γ = 0,<br />
8 und entspricht der Höhe des <strong>Ein</strong>flusses der <strong>Ein</strong>stellung auf<br />
3<br />
1<br />
die Kaufneigung, da aufgrund der Hypothese 3 λ 3 = 1 gesetzt wurde.<br />
X1 ist ein sehr guter Indikator der <strong>Ein</strong>stellung mit 1 = 0,<br />
9<br />
λ , da 81% der Varianz der<br />
Beantwortung der Fragen durch die <strong>Ein</strong>stellung erklärt wird ( 0 , 9 ⋅ 0,<br />
9 = 0,<br />
81 ) und nur<br />
19% der Varianz nicht kausal durch die <strong>Ein</strong>stellung erklärt werden kann, was sich<br />
2<br />
dementsprechend in der Fehlervarianz niederschlägtδ 0,<br />
19 .<br />
X2 gilt mit 2 = 0,<br />
6<br />
λ als eher mittelmäßig. Die Korrelation der <strong>Ein</strong>stellungstests kann<br />
nicht kausal interpretiert werden, da sie nicht als verursachend vermutet wurden, d.h.<br />
keine a priori Hypothesen dazu aufgestellt wurden (Bortz, 2005, S. 480).<br />
3.8. Modifikation der Modellstruktur<br />
Wird mithilfe der Prüfkriterien festgestellt, dass einzelne Parameter in der Modell-<br />
struktur verändert werden müssen, damit die Struktur besser an die empirischen Da-<br />
ten angepasst wird, verliert die Analyse ihren hypothesenprüfenden Charakter<br />
(Backhaus et al., 2003). D.h., jede Veränderung der Modellstruktur nach der Schät-<br />
zung und Prüfung der Schätzergebnisse führt dazu, dass die Ergebnisse als hypo-<br />
thesengenerierend angesehen werden müssen, wenn sie nicht an einem weiteren<br />
unabhängigen Datensatz geprüft werden.<br />
<strong>Ein</strong>e Veränderung der Modellstruktur kann sowohl für das Kausalmodell als auch für<br />
das Messmodell vorgenommen werden, wobei eine simultane Veränderung nicht<br />
ratsam ist (Homburg/Pflesser, 2000). <strong>Ein</strong>e Modellanpassung kann durch Heraus-<br />
nahme nicht-signifikanter Parameter (Parameterkontraktion) oder durch die Hinzu-<br />
nahme signifikanter Parameter (Parameterexpansion) durchgeführt werden. Hom-<br />
1 =
37<br />
burg und Hildebrand (1998) bezeichnen diesen Schritt auch als iterative Modellselek-<br />
tion. Die Veränderung der Anpassungsgüte wird über den Chi-Quadrat-Differenztest<br />
geprüft (Homburg/Pflesser, 2000).<br />
Homburg und Hildebrandt (1998) sehen bei der iterativen Modellselektion die Gefahr<br />
eines allein auf Daten gestützten und von theoretischen Überlegungen entfernten<br />
Modells, welches nur extrem eingeschränkt generalisierbar ist und nur die spezifi-<br />
schen Strukturen der Daten widerspiegeln kann. Dem könnte entgegengewirkt wer-<br />
den, wenn die Veränderungen nur auf bestimmte Parameter beschränkt werden<br />
(Homburg/Hildebrandt, 1998).<br />
<strong>Ein</strong>e weitere Möglichkeit der Modellmodifikation sehen Homburg und Hildebrandt<br />
(1998) in alternativen Modellstrukturen (vgl. Schritt 5, Kap. 3.6). Hier werden a priori<br />
mehrere Modelle formuliert und miteinander verglichen. Durch den Vergleich des<br />
Modells mit solchen Modellstrukturen, die theoretisch fundiert sind, wird die Gefahr<br />
der Theorielosigkeit eingegrenzt. Als Ansatzpunkte hierfür nennen Homburg und Hil-<br />
debrandt (1998) die Selektion auf Basis von Anpassungsmaßen, die Selektion auf<br />
Basis von Informationskriterien und die Selektion auf Basis von Kreuzvalidierung.<br />
Bei der Selektion auf Basis von Anpassungsmaßen meinen Homburg und Hildebrand<br />
(1998), dass prinzipiell jedes globale Anpassungsmaß herangezogen werden kann.<br />
Hier wird das Modell ausgewählt, welches die beste Anpassung an den vorliegenden<br />
Datensatz aufweist. Bei der Selektion auf Basis von Informationskriterien werden<br />
Maße verwendet, die sich auf einen Vergleich mehrerer alternativer Modelle bezie-<br />
hen. Hier gibt es keine Vergleichswerte. Die Beurteilung eines Wertes erfolgt in Rela-<br />
tion zu anderen Werten. Die Auswahl von Modellen bei der Selektion auf Basis von<br />
Kreuzvalidierungen bezieht sich auf zwei Stichproben (vgl. Schritt 5, Kap. 3.6). Hier<br />
wird das Modell identifiziert, welches in der zweiten Stichprobe die höchste Validität<br />
aufweist (Homburg/Hildebrandt, 1998).<br />
4. Rolle der Gütekriterien zur Beurteilung einer geschätzten<br />
Modellstruktur<br />
Wie in Kapitel 3 anhand der Bewertung der Schätzergebnisse ersichtlich wird, spie-<br />
len Validität und Reliabilität in der Kausalanalyse eine entscheidende Rolle. Validität<br />
und Reliabilität (wie auch Objektivität) zählen zu den Haupttestgütekriterien. Die Be-
38<br />
urteilung der Güte wird aufgrund der komplexen Struktur von Kausalmodellen er-<br />
schwert (Homburg/Hildebrandt, 1998). Deshalb soll zur Verdeutlichung auf die Kon-<br />
zepte näher eingegangen werden. Die nachfolgenden Ausführungen zur Reliabilität<br />
beziehen sich auf Bortz und Döring (2002).<br />
4.1. Reliabilität<br />
Die Reliabilität gibt Auskunft über die Genauigkeit oder Zuverlässigkeit der Messun-<br />
gen von Indikatorvariablen und latenten Variablen (vgl. einführend Kerlinger, 1986).<br />
Diese Genauigkeit der Messungen lässt sich wie folgt bestimmen:<br />
Es wird davon ausgegangen, dass sich der Messwert X aus dem wahren Wert T und<br />
einem Fehlerwert E zusammensetzt (Axiom I der Klassischen Testtheorie):<br />
X = T + E .<br />
Die Reliabilität definiert sich allgemein als der Anteil der wahren Varianz des wahren<br />
Wertes T (sT²) an der gemessenen oder beobachteten Varianz (sX²), die sich wie-<br />
derum nach dem Axiom I der Klassischen Testtheorie aufspalten lässt in die Varianz<br />
des wahren Wertes T (sT²) und der Varianz des Fehlerwertes E (sE²). Die allgemeine<br />
Formel lautet:<br />
Formel 11: Gleichung zur Berechnung der Reliabilität<br />
Rel<br />
2<br />
T<br />
2<br />
x<br />
2<br />
T<br />
2<br />
T<br />
s s<br />
= = .<br />
s s + s<br />
Je genauer der wahre Wert T (sT²) einer Variablen gemessen wurde, desto geringer<br />
ist der Fehleranteil E (sE²) und desto höher ist die Reliabilität. Die Reliabilität ist per-<br />
fekt, wenn der wahre Wert T dem gemessenen/beobachteten Wert X entspricht.<br />
Dann wäre der Fehleranteil E gleich „Null“. Daraus ergibt sich X = T + 0 .<br />
An dieser Stelle wird auch der Zusammenhang zur Objektivität ersichtlich. Die Ob-<br />
jektivität beschreibt das Ausmaß an Unabhängigkeit der Testergebnisse vom Test-<br />
anwender (Bortz/Döring, 2002). Sind die Testergebnisse wenig objektiv, steigt der<br />
Anteil der Fehlervarianz (sE²) und die Reliabilität sinkt.<br />
Die Reliabilität hat einen Wertebereich von 0 bis 1. Je näher die Werte an 1 liegen,<br />
desto zuverlässiger sind die Messungen. Auf die verschiedenen Methoden zur Be-<br />
rechnung der Reliabilität (Retest-, Paralleltest-, Testhalbierungs-Reliabilität und inter-<br />
2<br />
E
39<br />
ne Konsistenz) soll hier nicht weiter eingegangen werden (vgl. hierzu z.B. Carmi-<br />
nes/Zeller, 1979).<br />
Die Reliabilitätsbestimmung in der Kausalanalyse lässt sich analog betrachten. In der<br />
Beurteilung der Schätzergebnisse (Kap. 3.6) werden in Schritt 3 und Schritt 4 jeweils<br />
die Güte (Genauigkeit) des Messmodells und die Güte des Kausalmodells geprüft. Im<br />
vierten Schritt wurde die quadrierte multiple Korrelation angegeben mit unten ste-<br />
hender Gleichung*. Diese Gleichung entspricht einer anderen Schreibweise der Reli-<br />
abilität, die man durch entsprechende Umformungen erhält:<br />
Formel 12: Quadrierte multiple Korrelation und Reliabilität<br />
R<br />
^<br />
2 2<br />
2 var ζ1<br />
sT<br />
sE<br />
( η 1)<br />
= 1−<br />
* Rel = 1−<br />
^<br />
2 2<br />
s<br />
var η<br />
x s X<br />
1<br />
= .<br />
Reliabilität ist eine quadrierte Korrelation von Testwert und wahrem Wert<br />
2<br />
( XT)<br />
Rel = ρ .<br />
Es wird daher gemessen, wie viel Prozent Varianz der Testwert und der wahre Wert<br />
gemeinsam haben. Werden in der Kausalanalyse Werte größer als 1 angezeigt, ist<br />
das ein Hinweis auf Fehlspezifikationen im Modell (Backhaus et al., 2003).<br />
Das Konzept der Reliabilität lässt sich bereits darin erahnen, dass die beobachtete<br />
Variable in zwei Komponenten aufgespaltet wird: in einen Anteil, der auf die Beein-<br />
flussung durch die latente Variable (wahre Wert) zurückzuführen ist, und in einen<br />
Anteil, der auf Messfehler zurückzuführen ist (vgl. z.B. Abb. 2). Allerdings ist zu be-<br />
achten, dass eine hohe Reliabilität kein Garant für eine hohe Validität ist.<br />
4.2. Validität<br />
Die Validität gibt an, wie gut gemessen wurde, was gemessen werden sollte<br />
(Bortz/Döring, 2002). Die American Psychological Assocation (APA) unterschied<br />
1974 „Inhaltsvalidität“, „Kriteriumsvalidität“ und „Konstruktvalidität“ (American Psy-<br />
chological Association, 1974). Da in der Kausalanalyse latente Konstrukte untersucht<br />
werden, wird in der Literatur zur Kausalanalyse die Konstruktvalidität als maßgeblich<br />
diskutiert (Wrona, 1999), wobei beachtet werden sollte, dass es sich bei den Validi-<br />
tätsformen (Inhaltsvalidität, Kriteriumsvalidität, Konstruktvalidität) nicht um verschie-<br />
dene Validitätsarten handelt, die je nach Datenlage genutzt werden können, sondern<br />
um unterschiedliche Schlussfolgerungen aufgrund der Datenlage (Messick, 1980).
40<br />
<strong>Ein</strong> Test gilt als konstruktvalide, wenn Hypothesen aus einem zu messenden Ziel-<br />
konstrukt abgeleitet und diese dann an den Testwerten bestätigt werden. <strong>Ein</strong> Hinweis<br />
auf Konstruktvalidität liegt vor, wenn bereits die empirischen Werte so fallen, wie es<br />
in den theoretisch abgeleiten Hypothesen postuliert wurde (vgl. auch Cron-<br />
bach/Meehl, 1955). Hildebrandt (1998) beschreibt Konstruktvalidität als das Ausmaß<br />
der Übereinstimmung von hypothetischen Konstrukt und seiner Messoperationalisie-<br />
rung. Je mehr Hypothesen als gültig angenommen werden können, desto glaubhafter<br />
ist die Konstruktvalidierung (Bortz/Döring, 2002).<br />
<strong>Ein</strong>e quantitative Möglichkeit, Konstruktvalidität zu prüfen, bietet sich mithilfe von<br />
Konvergenzkriterien, die mit dem Merkmal hoch korrelieren, und Diskriminanzkrite-<br />
rien, die mit dem zu messenden Merkmal möglichst niedrig korrelieren sollten<br />
(Campbell/Fiske, 1959). Die Validität kann Korrelationskoeffizienten zwischen 0 und<br />
1 annehmen, wobei höhere Werte eine höhere Validität bedeuten. Bei der Diskussion<br />
und Interpretation der verschiedenen Validitäten ist zu beachten, dass die Kriteri-<br />
umsvalidität durch den Reliabilitätsindex begrenzt ist (Bortz/Döring, 2002, S. 200 f.).<br />
<strong>Ein</strong>e qualitative Möglichkeit der Bestimmung von Konstruktvalidität besteht in der lo-<br />
gisch-inhaltlichen Analyse der Test-Items (Bortz/Döring, 2002, S. 200 f.).<br />
In der Kausalanalyse wird auf das Konzept der Validität in zweifacher Weise Bezug<br />
genommen. Im ersten Schritt der Beurteilung der Schätzergebnisse (Kap. 3.6) wird<br />
das gesamte Modell auf unlogische und theoretisch unplausible Werte untersucht.<br />
Dieser Schritt entspricht einer logisch-inhaltlichen Analyse der Test-Items. Der zweite<br />
Schritt (Kap. 3.6) prüft die Anpassungsgüte des Modells an die empirischen Daten<br />
(bzw. die Daten an das Modell). Das Modell wird aufgrund von Hypothesen spezifi-<br />
ziert. Passen Modell und empirische Daten, d.h. liegt ein Fit vor, ist das ein Hinweis<br />
auf Konstruktvalidität. Mit der Möglichkeit des Nachweises von Konstruktvalidität in<br />
der Kausalanalyse und den sich daraus ergebenen Problemen beschäftigen sich Hil-<br />
debrandt und Temme (2006).<br />
5. Kritische Würdigung<br />
Die Kausalanalyse sollte nicht unkritisch betrachtet bleiben. Homburg und Baumgart-<br />
ner (1995) heben neben der Möglichkeit, mit der Kausalanalyse komplexe Abhängig-<br />
keitsstrukturen zu erfassen, hervor, dass ein Vorteil der Methode in der <strong>Ein</strong>beziehung
41<br />
von Messfehlern liegt, da die meisten anderen statistischen Methoden von der fehler-<br />
freien Messung der Variablen ausgehen (bzw. die Reliabilität nicht geprüft oder zu-<br />
mindest nicht angegeben wird). Ebenso führt die <strong>Ein</strong>beziehung mehrerer Indikatorva-<br />
riablen zu einer Bereinigung des Messprozesses von möglichen Verzerrungen<br />
(Messfehlern) des einzelnen Indikators. Hier sprechen Homburg und Baumgartner<br />
(1995) ein weiteres Axiom der Klassischen Testtheorie an: Messfehler mitteln sich<br />
aus.<br />
Als Nachteil sehen Homburg und Baumgartner (1995) das Identifikationsproblem:<br />
Kausalmodelle gelten als identifizierbar, wenn sie genügend Informationen enthalten,<br />
um die Parameter schätzen zu können. Das Problem besteht jedoch darin, dass bis-<br />
her „kein notwendiges und zugleich hinreichendes Kriterium“ (Hom-<br />
burg/Baumgartner, 1995, S. 1093) gefunden wurde, das in der Lage wäre, anzuge-<br />
ben, ob ein Modell identifizierbar ist. Die angewandten Kriterien, die zur Verfügung<br />
stehen, haben unterschiedliche Aussagekraft.<br />
Aus dem Vorteil, komplexe Strukturen zu erfassen, ergibt sich auch der Nachteil von<br />
Fehlanwendungen (Homburg/Baumgartner, 1995). Es kann bei identifiziertem Modell<br />
und guter Anpassung an die empirischen Daten nicht ausgeschlossen werden, dass<br />
nicht noch andere Modelle denkbar wären, die sich an den gleichen Datensatz an-<br />
passen ließen (Stelzl, 1986).<br />
Die Problematik besteht darin, dass mithilfe von Korrelationen auf Kausalitäten ge-<br />
schlossen werden soll, was im wissenschaftstheoretischen Sinn nicht möglich ist und<br />
nur aufgrund von a priori theoretischen Ableitungen „entschärft“ wird (vgl. dazu Bortz,<br />
2005). Mit statistischen Verfahren lassen sich lediglich Beziehungen aufdecken, je-<br />
doch keine Kausalitäten. <strong>Ein</strong> Beispiel soll dies verdeutlichen (Bortz, 2005, S. 472):<br />
Gegeben sind drei Indikatorvariablen (X1, X2 und X3). Diese Variablen sind unterein-<br />
ander wechselseitig korreliert.<br />
Bei der Korrelation von z.B. r 3 sind bereits vier denkbare Kausalmodelle möglich:<br />
x1x<br />
X1 könnte die Ursache für X2 sein. X1 X2<br />
X2 könnte aber auch die Ursache für X1 sein. X2 X1<br />
X1 und X2 könnten sich gegenseitig verursachen,<br />
so dass eine Wechselbeziehung vorliegt. X1 X2
X1 und X2 könnten auch auf eine<br />
weitere, hier nicht erfasste Variable<br />
zurückzuführen sein. Dann wäre<br />
diese Korrelation eine „Scheinkor-<br />
relation“ (Bortz, 2005, S. 444)<br />
42<br />
Bei drei Variablen lassen sich weitere über diese vier Kausalmodelle hinausgehende<br />
Kausalmodelle entwickeln.<br />
<strong>Ein</strong> weiteres Problem stellt sich bei der Frage, ab wann ein Modell als falsifiziert oder<br />
bestätigt angesehen werden kann. Hier stellt Bortz (2005) ein Beispiel an Hand der<br />
Maximum-Likelihood-Methode vor, nach der das Modell als falsifiziert gilt, wenn die<br />
Wahrscheinlichkeit des theoretischen Modells angesichts der erhobenen Daten „nicht<br />
genügend“ groß ist (Bortz, 2005, S. 473 f, vgl. auch S. 499 f.). Homburg und Pflesser<br />
(2000) schlagen in Anlehnung an Homburg und Baumgartner (1995, zit. nach Hom-<br />
burg/Pflesser, 2000) Minimalanforderungen (vgl. Kap. 3.6) als „Basisgerüst zur Beur-<br />
teilung der Anpassungsgüte“ (Homburg/Pflesser, 2000, S. 650) vor, die jedoch von<br />
verschiedenen Parametern abhängen, wie Komplexität und Stichprobenumfang, und<br />
daher nicht uneingeschränkt für jeden Fall übernommen werden können. Beide Bei-<br />
spiele sollen zeigen, dass ein Signifikanztest im Sinne der „üblichen“ Vorgehenswei-<br />
se, also die Aufstellung einer Prüfhypothese und einer Gegenhypothesen als<br />
Wunschhypothese mit einer festgelegten Irrtumswahrscheinlichkeit fehlt, weil Prüf-<br />
hypothese und Wunschhypothese in der Kausalanalyse identisch sind.<br />
Insgesamt stellt die Kausalanalyse bei der Beachtung wesentlicher Voraussetzungen<br />
eine durchaus nützliche Methode dar, um Beziehungen zwischen latenten Variablen<br />
aufzuzeigen. Der Anspruch zur Überprüfung von Kausalitäten mithilfe von Korrelatio-<br />
nen bleibt dabei kritisch zu beurteilen. Die Interpretation der gefundenen Beziehun-<br />
gen sollte nur im Hinblick auf theoretisch abgeleitete Hypothesen erfolgen. Darin liegt<br />
aber gleichzeitig die Gefahr der Nichtbeachtung möglicher alternativer Erklärungsan-<br />
sätze.<br />
X 3<br />
X 1<br />
X 2
43<br />
6. Kommentierte Literaturhinweise<br />
In dem Sonderband der DBW 6/06 zur Kausalanalyse fasst Diller (2006) einige Prob-<br />
leme bei der Handhabung von <strong>Strukturgleichungsmodelle</strong>n in der betriebswirtschaftli-<br />
chen Forschung zusammen. Neben Problemen wie die Neuentwicklung von Kon-<br />
strukten „ohne theoretische Sinnhaftigkeit“ (S. 612), deren praktische Bedeutsamkeit<br />
in Frage zu stellen ist, weist Diller auch auf Probleme bei der Umsetzung in der Pra-<br />
xis hin, die nach effizienten Lösungskonzepten strebt (S. 612). Eberl (2006) beschäf-<br />
tigt sich im gleichen Band mit der Frage nach den Konsequenzen der Verwendung<br />
reflektiver und formativer Messmodelle im Hinblick auf Operationalisierung der Kon-<br />
strukte und der Anwendung verschiedener Verfahren wie PLS (reflektive und formati-<br />
ve Modelle höherer Ordnung thematisieren Giere, Wirtz, Schilke (2006); Messmodel-<br />
le höherer Ordnung und die Frage nach deren Notwendigkeit in der betriebswirt-<br />
schaftlichen Forschung thematisieren Albers und Götz (2006), beide im gleichen<br />
Band.).<br />
Sobel (1990) setzt sich kritisch mit der Anwendung von <strong>Strukturgleichungsmodelle</strong>n<br />
auseinander. Stelzl (1986) formuliert Regeln für das Aufstellen von Kausalmodellen.<br />
Über die Auseinandersetzung mit einer korrekten Anwendung hinaus gibt Breckler<br />
(1990) auch Hinweise für die Interpretation. Für diese und weitere Literaturhinweise<br />
siehe auch Bortz (2005, S. 481). Im Umgang mit dem Programm AMOS kann auf<br />
Byrne (2001) zurückgegriffen werden, die neben einer kurzen <strong>Ein</strong>führung in die Kon-<br />
zepte der Kausalanalyse verschiedene Anwendungen und Fragestellungen aufgreift.
Literatur<br />
44<br />
Albers, Sönke/ Götz, Oliver (2006): Messmodelle mit Konstrukten zweiter Ordnung in<br />
der betriebswirtschaftlichen Forschung, in: Die Betriebswirtschaft, 66. Jg., 6,<br />
S. 669-677.<br />
Amelang, Manfred/ Schmidt-Atzert, Lothar (2006): Psychologische Diagnostik und<br />
Intervention Berlin: Springer.<br />
Amelang, Manfred/ Zielinski, Werner (2002): Psychologische Diagnostik und Inter-<br />
vention Berlin: Springer.<br />
American Psychological Association (1974): Standards for educational and psycho-<br />
logical tests, Washington, D.C.: American Psychological Association.<br />
Backhaus, Klaus/ Erichson, Bernd/ Plinke, Wulf/ Weiber, Rolf (1994): Multivariate<br />
Analysemethoden. <strong>Ein</strong>e anwendungsorientierte <strong>Ein</strong>führung, 7. Auflage. Aufl.,<br />
Berlin: Springer.<br />
Backhaus, Klaus/ Erichson, Bernd/ Plinke, Wulf/ Weiber, Rolf (2003): Multivariate<br />
Analysemethoden, 10. Aufl., Berlin, Heidelberg, New York: Springer.<br />
Bollen, Kenneth A./ Lennox, Richard (1991): Conventional wisdom on measurement:<br />
a structural equation persepctive, in: Psychological Bulletin, 110. Jg., 2, S.<br />
305-314.<br />
Borg, Ingwer/ Staufenbiel, Thomas (1989): Theorien und Methoden der Skalierung.<br />
<strong>Ein</strong>e <strong>Ein</strong>führung Bern, Stuttgart, Toronto: Verlag Hans Huber.<br />
Bortz, Jürgen (2005): Statistik für Human- und Sozialwissenschaftler, Heidelberg:<br />
Springer Medizin Verlag.<br />
Bortz, Jürgen/ Döring, Nicola (2002): Forschungsmethoden und Evaluation für Hu-<br />
man- und Sozialwissenschaftler, 3. Aufl., Berlin, Heidelberg, New York: Sprin-<br />
ger.<br />
Bortz, Jürgen/ Döring, Nicola (2006): Forschungsmethoden und Evaluation für Hu-<br />
man- und Sozialwissenschaftler, 4. Aufl., Berlin, Heidelberg, New York:<br />
Springer.<br />
Breckler, Steven J. (1990): Applications of Covariance Structure Modeling in Psy-<br />
chology: Cause for Concern?, in: Psychological Bulletin, 107. Jg., 2, S. 260-<br />
273.<br />
Brühl, Rolf/ Buch, Sabrina (2006): <strong>Ein</strong>heitliche Gütekriterien in der empirischen For-
45<br />
schung? Objektivität, Reliabilität und Validität in der Diskussion, Berlin: ESCP-<br />
EAP Europäische Wirtschaftshochschule Berlin, ESCP-EAP Working Paper<br />
Nr. 20.<br />
Byrne, Barbara (2001): Strucutral Equation Modeling with AMOS; Basic Concepts,<br />
Applications and Programming, Mahwah, NJ: Lawrence Erlbaum.<br />
Campbell, Donald T./ Fiske, Donald W. (1959): Convergent and diskriminant valida-<br />
tion by the multitrait-multimethod matrix, in: Psychological Bulletin, 56. Jg., 2,<br />
S. 81-105.<br />
Carmines, Edward G./ Zeller, Richard A. (1979): Reliability and validity assessment<br />
Berverly Hills, London: Sage Publications.<br />
Christophersen, Timo/ Grape, Christian (2006): Die Erfassung latenter Konstrukte mit<br />
Hilfe formativer und reflektiver Messmodelle, in: Methodik der empirischen<br />
Forschung, hrsg. v. Sönke Albers, Daniel Klapper, Udo Konradt, Achim Wal-<br />
ter, Joachim Wolf, Wiesbaden: Deutscher Universitäts-Verlag, S. 115-132.<br />
Cronbach, Lee J./ Meehl, Paul E. (1955): Construct validity in psychological tests, in:<br />
Psychological Bulletin, 52. Jg., 4, S. 281-302.<br />
Diller, Hermann (2006): Probleme bei der Handhabung von Strukturgleichungsmodel-<br />
len in der betriebswirtschaftlichen Planung, in: Die Betriebswirtschaft, 66. Jg.,<br />
6, S. 611-617.<br />
Eberl, Markus (2006): Formative und reflektive Konstrukte und die Wahl des Struk-<br />
turgleichungsverfahrens, in: Die Betriebswirtschaft, 66. Jg., 6, S. 651-668.<br />
Eckstein, Peter P (2006): Repetitorium Statistik, 6. Aufl., Wiesbaden: Gabler Verlag.<br />
Edwards, Jeffrey R./ Bagozzi, Richard P. (2000): On the nature and direction of rela-<br />
tionships between constructs and measures, in: Psychological Methods, 5.<br />
Jg., 2, S. 155-174.<br />
Eggert, Andreas/ Fassott, Georg (2003): Zur Verwendung formativer und reflektiver<br />
Indikatoren in <strong>Strukturgleichungsmodelle</strong>n. Ergebnisse einer Metaanalyse und<br />
Anwendungsempfehlungen Kaiserslautern: Universität Kaiserslautern, Lehr-<br />
stuhl für Marketing.<br />
Fassott, Georg (2006): Operationalisierung latenter Variablen in Strukturgleichungs-<br />
modellen: <strong>Ein</strong>e Standortbestimmung, in: Zeitschrift für betriebswirtschaftliche<br />
Forschung, 58. Jg., S. 67-88.<br />
Fisseni, Hermann-Josef (1997): Lehrbuch der psychologischen Diagnostik, Göttigen<br />
Hogrefe, Verlag für Psychologie.
46<br />
Fritz, Wolfgang (1992): Marktorientierte Unternehmensführung und Unternehmenser-<br />
folg - Grundlagen und Ergebnisse einer empirischen Untersuchung, Habilitati-<br />
onsschrift an der Fakultät für Betriebswirtschaftslehre der Universität Mann-<br />
heim.<br />
Giere, Jens/ Wirtz, Bernd W. / Schilke, Oliver (2006): Mehrdimensionale Konstrukte.<br />
Konzeptionelle Grundlagen und Möglichkeiten ihrer Analyse mithilfe von Struk-<br />
turgleichungsmodellen, in: Die Betriebswirtschaft, 66. Jg., 6, S. 678-695.<br />
Hildebrandt, Lutz (1998): Kausalanalytische Validierung in der Marketingforschung,<br />
in: Die Kausalanalyse. Instrument der empirischen betriebswirtschaftlichen<br />
Forschung, hrsg. v. Lutz Hildebrandt, Christian Homburg, Stuttgart: Schäffer-<br />
Poeschel, S. 87-110.<br />
Hildebrandt, Lutz/ Temme, Dirk (2006): Probleme der Validierung mit Strukturglei-<br />
chungsmodellen, in: Die Betriebswirtschaft, 66. Jg., 6, S. 618-639.<br />
Homburg, Christian/ Baumgartner, Hans (1995): Die Kausalanalyse als Instrument<br />
der Marketingforschung, in: Zeitschrift für Betriebswirtschaft, 65. Jg., 10, S.<br />
109-1108.<br />
Homburg, Christian/ Baumgartner, Hans (1998): Beurteilung von kausalmodellen.<br />
Bestandsaufnahme und anwendungsempfehlungen, in: Die Kausalanalyse,<br />
hrsg. v. Lutz Hildebrandt, Christian Homburg, Stuttgart, Berlin, Köln: Schäffer-<br />
Poeschel, S. 343-369.<br />
Homburg, Christian/ Hildebrandt, Lutz (1998): Die Kausalanalyse: Bestandsaufnah-<br />
me, Entwicklungsrichtungen, Problemfelder, in: Die Kausalanalyse. Instrument<br />
der betriebswirtschaftlichen Forschung, hrsg. v. Lutz Hildebrandt, Christian<br />
Homburg, Stuttgart: Schäffer-Poeschel, S. 15-43.<br />
Homburg, Christian/ Pflesser, C (2000): <strong>Strukturgleichungsmodelle</strong> mit latenten Vari-<br />
ablen: Kausalanalyse, in: Marktforschung, hrsg. v. A Herrmann, Christian<br />
Homburg, Wiesbaden: Gabler, S. 633-659.<br />
Jarvis, Cheryl Burke/ Mackenzie, Scott B./ Podsakoff, Philip M./ Mick, David Glen/<br />
Bearden, William O. (2003): A Critical Review of Construct Indicators and<br />
Measurement Model Misspecification in Marketing and Consumer Research,<br />
in: Journal of Consumer Research, 30. Jg., 2, S. 199-218.<br />
Jöreskog, Karl G. (1993): Testing Structural Equation Models, in: Testing structural<br />
equation models, hrsg. v. Kenneth A. Bollen, J. Scott Long, Newbury Park,<br />
CA.: Sage Publications Inc., S. 294-316.
47<br />
Kerlinger, Fred N. (1986): Foundations of Behavioral Research, 3. Aufl., New York:<br />
CBS Publishing.<br />
Krauth, Joachim (1995): Testkonstruktion und Testtheorie, Weinheim.<br />
Lienert, Gustav A./ Raatz, Ulrich (1998): Testaufbau und Testanalyse, 6. Aufl., Wein-<br />
heim: Psychologie Verlags Union.<br />
Messick, Samuel (1980): Test Validity and the Ethics of Assessment, in: American<br />
Psychologist, 35. Jg., 11, S. 1012-1027.<br />
Reinecke, Jost (2005): <strong>Strukturgleichungsmodelle</strong> in den Sozialwissenschaften,<br />
München: R. Oldenbourg Verlag.<br />
Rost, Jürgen (2004): Lehrbuch Testtheorie - Testkonstruktion, Bern, Göttingen, To-<br />
ronto, Seattle: Verlag Hans Huber.<br />
Schnell, Rainer/ Hill, Paul B./ Esser, Elke (1995): Methoden der empirischen Sozial-<br />
forschung München: R. Oldenbourg Verlag.<br />
Sobel, Michael (1990): Effect analysis and causation in linear structural equation<br />
models, in: Psychometrika, 55. Jg., 3, S. 495-515.<br />
Stelzl, Ingeborg (1986): Changing a Causal Hypothesis without Changing the Fit:<br />
Some Rules for Generating Equivalent Path Models, in: Multivariate Behav-<br />
ioral Research, 21. Jg., S. 309-331.<br />
Urban, Dieter/ Mayerl, Jochen (2006): Regressionsanalyse: Theorie, Technik und<br />
Anwendung, 2. Aufl., Wiesbaden: Vs Verlag.<br />
Wenniger, G. (2002a). Konstrukt. In: Lexikon der Psychologie [CD], Heidelberg:<br />
Spektrum Akademischer Verlag.<br />
Wenniger, G. (2002b). LISREL. In: Lexikon der Psychologie [CD], Heidelberg: Spekt-<br />
rum Akademischer Verlag.<br />
Wenniger, G. (2002c). Pfadanalyse. In: Lexikon der Psychologie [CD], Heidelberg:<br />
Spektrum Akademischer Verlag.<br />
Wrona, Thomas (1999): Globalisierung und Strategien der vertikalen Integration,<br />
Wiesbaden: Gabler.
Working Paper Series<br />
ESCP-EAP Europäische Wirtschaftshochschule Berlin<br />
ISSN 1619-7658<br />
Bisher sind folgende Beiträge erschienen:<br />
Nr. 1 Jacob, Frank (2002): Kundenintegrations-Kompetenz: Konzeptionalisierung,<br />
Operationalisierung und Erfolgswirkung.<br />
Nr. 2 Schmid, Stefan (2003): Blueprints from the U.S.? Zur Amerikanisierung der<br />
Betriebswirtschafts- und Managementlehre.<br />
Nr. 3 Festing, Marion/Hansmeyer, Marie Christine (2003): Frauen in Führungspositionen<br />
in Banken <strong>–</strong> Ausgewählte Ergebnisse einer empirischen Untersuchung<br />
in Deutschland.<br />
Nr. 4 Pape, Ulrich/Merk, Andreas (2003): Zur Angemessenheit von Optionspreisen<br />
<strong>–</strong> Ergebnisse einer empirischen Überprüfung des Black/Scholes-<br />
Modells.<br />
Nr. 5 Brühl, Rolf (2003): Anmerkungen zur Dimensionsanalyse im betrieblichen<br />
Rechnungswesen.<br />
Nr. 6 Wicke, Lutz/Timm, Gerhard (2004): Beyond Kyoto <strong>–</strong> Preventing Dangerous<br />
Climate Change by Continuing Kyoto or by the GCCS-Approach?<br />
Nr. 7 Pape, Ulrich/Schmidt-Tank, Stephan (2004): Valuing Joint Ventures Using<br />
Real Options.<br />
Nr. 8 Schmid, Stefan/Kretschmer, Katharina (2004): The German Corporate<br />
Governance System and the German “Mitbestimmung” <strong>–</strong> An Overview.<br />
Nr. 9 Brühl, Rolf (2004): Learning and Management Accounting <strong>–</strong> A Behavioral<br />
Perspective.<br />
Nr. 10 Wrona, Thomas (2005): Die Fallstudienanalyse als wissenschaftliche<br />
Forschungsmethode.<br />
Nr. 11 Schmid, Stefan (2005): L’internationalisation et les décisions des dirigeants.<br />
Nr. 12 Schmid, Stefan/Daub, Matthias (2005): Service Offshoring Subsidiaries <strong>–</strong><br />
Towards a Typology.<br />
Nr. 13 Festing, Marion/Richthofen, Carolin von (2005): Die Auswahl von Studierenden<br />
der Internationalen Betriebswirtschaftslehre.<br />
Nr. 14 Schmid, Stefan/Kretschmer, Katharina (2005): How International Are German<br />
Supervisory Boards? <strong>–</strong> An Exploratory Study.
Nr. 15 Brühl, Rolf/Buch, Sabrina (2005): The Construction of Mental Models in<br />
Management Accounting: How to Describe Mental Models of Causal<br />
Inferences (3rd version).<br />
Nr. 16 Schmid, Stefan/Machulik, Mario (2006): What has Perlmutter Really Written?<br />
A Comprehensive Analysis of the EPRG Concept.<br />
Nr. 17 Jacob, Frank/Plötner, Olaf/Zedler, Christien (2006): Competence Commercialization<br />
von Industrieunternehmen: Phänomen, <strong>Ein</strong>ordnung und<br />
Forschungsfragen.<br />
Nr. 18 Schmid, Stefan/Kretschmer, Katharina (2006): Performance Evaluation of<br />
Foreign Subsidiaries <strong>–</strong> A Contingency Framework.<br />
Nr. 19 Festing, Marion/Lassalle, Julius (2006): Determinanten des psychologischen<br />
Vertrags <strong>–</strong> <strong>Ein</strong>e empirische Untersuchung am Beispiel von Alumni der ESCP-<br />
EAP Europäische Wirtschaftshochschule Berlin.<br />
Nr. 20 Brühl, Rolf/Buch, Sabrina (2006): <strong>Ein</strong>heitliche Gütekriterien in der empirischen<br />
Forschung? <strong>–</strong> Objektivität, Reliabilität und Validität in der Diskussion.<br />
Nr. 21 Schmid, Stefan/Daniel, Andrea (2006): Measuring Board Internationalization<br />
<strong>–</strong> Towards a More Holistic Approach.<br />
Nr. 22 Festing, Marion/Eidems, Judith/ Royer, Susanne/Kullak, Frank (2006): When<br />
in Rome Pay as the Romans Pay? <strong>–</strong> Considerations about Transnational<br />
Compensation Strategies and the Case of the German MNE.<br />
Nr. 23 Schmid, Stefan/Daub, Matthias (2007): Embeddedness in International Business<br />
Research <strong>–</strong> The Concept and Its Operationalization.<br />
Nr. 24 Wrona, Thomas/Klingenfeld, Daniel (2007): Current Approaches in Entrepreneurship<br />
Research: Overview and Relevance for Management Research.<br />
Nr. 25 Pape, Ulrich/Schlecker, Matthias (2007): Are Credit Spreads and Interest<br />
Rates co-integrated? Empirical Analysis in the USD Corporate Bond Market.<br />
Nr. 26 Schmid, Stefan (2007): Wie international sind Vorstände und Aufsichtsräte?<br />
Deutsche Corporate-Governance-Gremien auf dem Prüfstand.<br />
Nr. 27 Brown, Kerry/Burgess, John/Festing, Marion/Royer, Susanne/Steffen, Charlotte/Waterhouse,<br />
Jennifer (2007): The Value Adding Web <strong>–</strong> A Multi-level<br />
Framework of Competitive Advantage Realisation in Firm-Clusters.<br />
Nr. 28 Oetting, Martin/Jacob, Frank (2007): Empowered Involvement and Word of<br />
Mouth: an Agenda for Academic Inquiry.<br />
Nr. 29 Buch, Sabrina (2007): <strong>Strukturgleichungsmodelle</strong> <strong>–</strong> <strong>Ein</strong> <strong>einführender</strong> <strong>Überblick</strong>.