STATISTIK-FORUM.de

[Martin87]

.

[Holgonaut]

Hi Martin,

du hast ein langes posting geschrieben, daher würde ich erst mal etwas abstrakter antworten:

a) ein großes Modell ist immer extrem ambitioniert, überkomplex, und impliziert soviele Annahmen, dass ein Scheitern im Sinne eines Misfits entweder vorprogrammiert ist, oder dies vermieden und reduziert wird, in dem man das Modell mit Effekten zupflastert. Dies führt daher dann dazu, dass es eine riesige Anzahl von alternativen oder äquivalenten Modellen gibt, die genauso fitten.

Daher überleg mal, ob es nicht sinnvoller ist, sich zu fokussieren und lieber Überlegungen anzustellen, welche Kontrollvariablen reinmüssen und wie man die kausale Unterstützung steigert. Ganz nach Demokrit's ("ich würde lieber ein kausales Gesetz entdecken, als König von Persien zu sein").

b) Ich weiß, wir Psychologen (ich nehme an du bist einer) bekommen den "Konstrukt-Jargon" quasi mit der akademischen Muttermilch reingetrichtert, aber im Moment, in dem man den Daten mit einem Kausalmodell zu Leibe rückt, muss man präziser werden, was genau diese Konstrukte empirisch bedeuten. Wenn du also ein "Konstrukt" namens Extraversion hast, das durch 3 Facetten gekennzeichnet ist, musst du klären/entscheiden, was dies in der Realität bedeutet: Ist Extraversion eine eigenständige, singulare, existierende Dimension (so wie der g-Factor)? Oder ist es ein Aggregat/umbrella-Term, das einfach nur ein label für die 3 Facetten ist (die für sich dann 3 eigenständige existierende Entitäten sind). Kausale Effekte gehen von Entitäten aus, nicht von "Konstrukten". Überlege dir also PRÄZISE, was genau warum und wie welche Effekte haben soll. Ich dab diesem Thema ein ganzes Buchkapitel gewidmet (falls du mir etwas Werbung erlaubst; ich bekomme sowieso keinen Cent: "LIneare Strukturgleichmodelle: Eine Einführung mit R").

c) Ein SEM mit latenten Variablen ist im Prinzip immer von Vorteil, weil du Messfehler korrigierst und damit einen der Gründe für die Endogenität von Strukturgleichungen verringerst. Allerdings muss es halt auch Sinn machen (was es mit den meisten Skalen, allen voran die Big 5 nicht macht, da diese sehr heterogen sind). Dann fitten die Messmodelle schon mal nicht. Wenn du das probierst, dann wähle in Anlehnung an Punkt "b" genau diejenigen Indikatoren aus, die EXAKT die Entität reflektieren, für die du dir den entsprechenden kausalen Prozess vorstellst. Wenn das Messmodell verhunzt ist, kann man das ganze SEM vergessen, weil man dann keine "testing power" mehr für den Kern des Modells mehr hat, um den es eigentlich geht.

Hoffe, das gibt dir etwas Orientierung.

Grüße
Holger

[Martin87]

.

[Holgonaut]

Hi Martin

Wie kann ich denn feststellen, ob etwas eine eigenständige Entität ist, also gibt es dafür objektive Kriterien bzw. wie genau kann ich Facetten und übergeordnete Konstruktbezeichnungen und Entitäten unterscheiden ?

Erst mal hast DU eine Vorstellung davon bzw. deine Vorstellung reflektiert die in der Literatur.
a) Wenn du also annimmst, dass Extraversion eine eigene existierende Variable ist, dann ist diese Vorstellung direkt mit der Vorstellung ihrer potentiellen Wirkungsweise verbunden (bzw. eher sogar andersherum). Wenn du nun mehrere Indikatoren hast und du machst eine CFA, dann musst du vorher überlegen, ob es sinnvoll ist, dass die Indikatoren austauschbare Reflektionen dieser einen Variable sind.

Was das Thema "Facetten" anbelangt, gibt es 3 Möglichkeiten
b) Das Konstrukt Extraversion ist ein simples Aggregat der Facetten, bzw. ein umbrella term oder Index
c) Das Konstrukt enthält beides, das heißt Extraversion als eigenständige Variable als auch die Facetten. Die Verbindung beider ist dann entweder eine
c1) Second-order-Faktorstruktur (d.h. Extraversion unterliegt kausal den Facetten; siehe Beziehung zwischen g-Faktor und Sub-Intelligenzen)
c2) einer "formativen Struktur" - d.h. Extraversion ist determiniert durch die Facetten. Ich finde den Begriff "formativ" nicht so richtig prickelnd, weil vieles in der Literatur bei einer formativen Struktur eher Version "b" im Sinn hat und andere die Version c2).

Wichtig bei den "c's": Extraversion ist eine eigenständig, für sich allein extistierende eindimensionale Variable. Selbst Psychologen, die damit aufgewachsen sind, glauben immer, dass Extraversion damit multidimensional ist (was ein Verständnis nach Version "b" impliziert). Der g-Faktor ist eine singuläre Entität und eben nicht die Gesamtsumme der Sub-Intelligenzen. Aber ich weiß, dass mir für diese Haltung Psychos gerne an die Gurgel gehen würden

Was neben dem theoretischen Verständnis an Kriterien existiert:
a) Der Test des Ein-Faktormodels, Fit und substantielle Ladungen
b) Es gibt hier keinen Test, weil Extraversion nur ein label ist, dass keine Existenz unabhängig von den Facetten hat
c1). Test der Second-order-Faktorstruktur, substantielle Primär-Ladungen; außerdem Validitätsnachweise, dass der second-order-Faktor eine Bedeutung hat. Reine CFAs mit Second-order-Faktor(SOF)-Modellen werden von einigen Autoren sehr kritisch sind, weil der SOF einfach nur die Kovarianz der Facetten ist - d.h. es kann auch irgendwas Gemeinsames sein bis hin zu common method varianz. Wichtig: Um ein SOF wirklich zu testen, braucht man min. 4 Primärfaktoren. Das bläht das Modell dermaßen auf, dass das in meinen Augen immer von Nachteil ist. Ich würde immer versuchen, Version "a" zu modellieren - allein desshalb, weil ich in der Regel recht präzise Vorstellungen habe.
c2) Schwierig, weil du Effekte von den Facetten auf eine latente Variable hast, die selbst keine Indikatoren hat. Die Masse an Literatur über formative Modelle dreht sich um diese Schwierigkeiten (d.h. der Identifikation und Schätzung). Man braucht mehrere Outcomes der "formativen Variable". Meiner Ansicht bringt auch das nix, weil man eigentlich deren Fehlerterme korrelieren lassen müsste um der Tatsache Rechnung zu tragen, dass es mehrere - im Modell nicht vorhandene gemeinsame Ursachen der Outcomes geben dürfte. Damit ist die ID hinüber Es gibt Autoren (z.B. Howell, Breivik & Wilcox), die argumentieren, dass - wenn man eh der Meinung ist, dass die latente Variable eine eigenständige Entität ist, man auch reflektive Indikatoren entwickeln können muss. Damit wird aus dem Faktormodell ein normales SEM mit UVn (Facetten) einem latenten Mediator mit eigenen Indikatoren und Effekten auf Outcomes. Find ich super

Bei mir geht es konkret um die IV Perfektionismus und die AV Burnout.

Ok. Jetzt musst du Dein Verständnis von Perfektionismus (bzw. die verschiedenen Auffassungen in der Literatur) bemühen, um die bezgl. der oben genannten Versionen zu entscheiden.

Nach dem was du über die beiden Facetten schreibst, würde ich annehmen, dass es entweder b oder c1 ist. Bei b ist dann die Frage, welches der beiden Facetten einen Effekt auf Deine weiteren Outcomes hat und bei c1 wäre fraglich, ob deren gemeinsame Ursache (genereller Perfektionismus) einen Effekt hat. Das hängt halt alles von den Outcomes ab.

Das mit den Typen ist problematisch. Man kann nicht einfach Typen manuell einteilen (bzw. natürlihc kann man das), aber das Typen-Konzept ist eher eine Frage nach der Korrekheit (d.h. auch für Typen nimmt man an, dass sie tatsächlich empirisch abgrenzbar sind). Kannst ja mal nach latent class oder latent profile - Analyse googeln.

Was burnout anbelangt: hier kommt jetzt Deine kausale theorie (s.o.) zum Tragen. Das sind 3 unterschiedliche Facetten nach dem b-Modell (meiner Auffassung nach): Worauf haben die perf.-Facetten Effekte? Alle auf alle? Spezifische? Du siehst, dass sind schwierige Fragen. Du hast ja bereits angefangen, dir Gedanken zu machen. Das ist dann das, was in den Hypothesen -Entwicklungs-Teil kommt.

Gibt es denn hier ein klares Kriterium für Heterogenität ?
Heterogenität bedeutet, dass die Skalen untereinander nicht wirklich stark korreliert sind ?

Heterogenität ist erstmal eine Frage der Plausibilität: Macht es Sinn, dass z.B. 4 völlig unterschiedliche item-Formulierungen tatsächlich ein und die selbe Ursache haben (von der man annimmt, dass sie die Version a oben reflektiert? Wenn ja: Testen und den Test ernst nehmen. Und selbst wenn der Test fittet, heißt das nicht, dass der Faktor dann das ist, was man glaubt, was er ist (siehe die Kritik am SOF-Modell). D.h. Ladungen als Validierungskoeffizienten heranziehen und auch sowas wie nomologische Beziehungen zu anderen Kriterien heranziehen. Ich ziehe es vor, wenige, glasklare Indikatoren auszuwählen, weil ich davor am ehesten meine Hände ins Feuer legen könnte (was die Annahme der kausal-Struktur anbelangt). Außerdem fittet das Modell und die Ladungen sind auch anständig. Praxis in der Skalenentwicklung ist aber, sehr heterogene Itemformulierungen zu generieren - unter dem Argument, Redundanz zu vermeiden. Ergebnis: Faktorenstruktur fraglich; Modell fittet nicht, Ladungen moderat (damit unkar, was der Faktor bedeutet). Dann wir das Teil publiziert und determiniert die Literatur über Jahrzehnte...

Grüße
Holger

[Martin87]

.

[Holgonaut]

Hi Martin,

ich kann dir leider keinen Rat geben, weil ich die Literatur nicht kenne und wie stark/prominent bestimmte Auffassungen sind. Die Faktorenanalyse mit den 6 Faktoren legt nahe, dass PC und PS selbst wohl eher Aggregate dieser 6 Faktoren sind und die 6 Faktoren die relevanten, spezifischen Faktoren. Es kann natürlich sein, dass PC und PS wiederum second-order-Faktoren sind. Das zu beurteilen, erlaubt ein Blick auf die Korrelationen der 6 Faktoren. Wenn sie einigermaßen homogene cluster bilden, dann spricht das für einen Faktor.

Ich hätte persönlich schon die Tendenz, das paper so aufzubauen (Phrasen in der Intro)
a) "Die Literatur geht von 2 Faktoren aus"
b) "Aber Studie xy legt nahe, dass es Facetten gibt, die für outcomes diskriminant kausal relevant sind"
c) "Meine Studie zeigt das (oder eben nicht) und entwicklelt/tested spezifische Effekte von einigen oder allen 6 Faktoren)

Alternative ist, dass du ein Pfadmodell mit den PS/PC-Aggregaten aus den Verfahren machst. Hängt immer davon ab, welche Story man im Papier eigentlich erzählen will. Aggregate/Index-Variablen abstrahieren halt über die spezifischen Effekte - so wie z.B. eine Meta-Analyse über Experimente mit spezifischen, von einander abweichenden treatments über diese spezifischen treatments abstrahiert. Ich meine, bei Cook/Campbell diesbzgl. mal die Unterscheidungen von molekular vs. molalen Effekten gelesen zu haben.

Gruß
Holger