STATISTIK-FORUM.de

[Holgonaut]

Hi,

Es wäre ein nicht sehr hilfreiches Tutorial, wenn es damit endet, dass diejenige wissenschafts-ethisch fragwürdiges verhalten zeigt

Besser: tu was du kannst und Berichte es

Grüße
Holger

[Sghrn]

Na, dann passt es ja gut, dass mir noch'n paar Dinge auf-/eingefallen sind.

a) Hin und wieder fiel auf, dass statt eines Pfades einfach Kovarianzpfeile verwendet werden, um Zusammenhänge zu erklären (z.B. Dagmar Abfalter). Vor- und Nachteile? Bei mir werden da zumindest keine unlogischen Ergebnisse ausgespuckt..

b) Vermutlich ist dir dieser Beitrag bzw. der Inhalt bekannt.

-Seh ich das richtig, dass man "Zweier-Items" per Kovarianzpfeil mit Ladung Null verbinden sollte (..als eine Möglichkeit)? Auf mein Model hätte das zumindest wohl keine Auswirkungen..

-Und bei Single-Items sollte die Residuenladung auf 1-SMC des Items fixiert werden, oder? (The quantity one minus the reliability times the indicator's variance).
Da meine endogen latente Variable (auf jeden Fall die rechte) ja auch nur ein Item besitzt: Gilt dort dasselbe? Tippe mal auf ja ^^
Mir ist insgesamt aufgefallen, dass mein Modell dort extrem sensibel auf kleinere Änderungen reagiert. (Auch wenn mein Modell nicht perfekt ist, als Kartenhaus würde ich es nichtmehr bezeichnen. )

Und insgesamt: Ich spiel gerade mit den GLS als Alternative. Sicher, für die meisten nicht erste Wahl, spuckt aber bissl bessere Fit-Werte aus

c) Noch eine Unklarheit zum p-Wert: Offenbar gibt es zwei Parteien, was die Auslegung des p-Werts bei Amos betrifft. Während, und so hab ich es gelernt, die eine Seite sagt, weniger ist besser, da die Nullhypothese damit widerlegt wird, sagt die andere Seite, es müsse mehr sein, damit das Model non-signifikant ist. (Siehe unter Measurement of Model Fit)

[Holgonaut]

Hi,

a) Eine Kovarianz *erklärt* keine Beziehung - sie ist eine simple Beziehung (ohne dass hypothetisiert wird, welche Variable welche andere beeinflusst). Meist ist es statistisch äquivalent. Wichtig ist nur, dass - wenn Kovarianzen geschätzt werden - sie *entweder* zwischen exogenen Variablen oder zwischen *den Fehlertermen* der endogenen geschätzt werden - NICHT zwischen den endogenen Variablen (weil die nicht geschätzt werden, sondern eine simple Folge der anderen Parameter sind) und nicht zwischen einer exogenen und einer endogenen oder mit dem Fehlerterm der endogenen Variablen. Amos ermöglicht mit seiner Pfeilzeichnerei immer wieder die absurdesten Dinge

b) Was soll daran bekannt sein. Sieh es mir nach, aber ich möchte / kann nicht ganze Texte lesen. Wie ich schon sagte: wenn du eine single - Indikatore-Variable hast, muss die Ladung auf 1 und der Fehler auf einen theoretisch sinnvollen Wert gesetzt werden. Ein toller Artikel ist

Hayduk, L. A., & Littvay, L. (2012). Should researchers use single indicators, best indicators, or multiple indicators. BMC Medical Research Methodology, 12(159), 1-17.
http://www.biomedcentral.com/content/pd ... 12-159.pdf

Und nochwas: Latente Variablen werden nicht "konstruiert". Solche Formulierungen legen das fragwürdige wissenschaftsphilosophische Verständnis des Autors offen (vgl. das erste posting dieses threads).

Das mit den "zweier-items" hab ich nicht verstanden. Ein Kovarianzpfeil ist keine Ladung. Und warum 0. Null ist eine Fixierung und impliziert, dass keine direkte Verbindung zwischen beiden Variablen existiert.

Und bei Single-Items sollte die Residuenladung auf 1-SMC des Items fixiert werden, oder? (The quantity one minus the reliability times the indicator's variance).

Das wird häufig so geschrieben, aber: "Reliabilität" (d.h. Zufallsmessfehler) und der Messfehler in einem SEM sind nicht dasselbe, da letzterer auch systematische Fehlerquellen beinhaltet. Die Konsequenzen unterschiedlicher Fixierungen sind im o.g. Artikel diskutiert. Daneben fragt man sich natürlich, wo her man die Reliabilität hat...Alpha kanns ja nich sein, weil man dann mehrere Indikatoren haben muss, die man verwenden könnte. Bleibt retest, was sicher eine gute idee ist.

c) Noch eine Unklarheit zum p-Wert: Offenbar gibt es zwei Parteien, was die Auslegung des p-Werts bei Amos betrifft. Während, und so hab ich es gelernt, die eine Seite sagt, weniger ist besser, da die Nullhypothese damit widerlegt wird, sagt die andere Seite, es müsse mehr sein, damit das Model non-signifikant ist. (Siehe unter Measurement of Model Fit)

Ja, es gibt zwei Parteien: die eine hat ein Grundverständnis für Inferenzstatistik, die andere nicht. Der p-Wert ist die Auftretenswahrscheinlichkeit einer Diskrepanz der beiden Kovarianzmatrizen (empirische und modellimplizite) in der Stichprobenverteilung unter der H0 "beide Matrizen sind in der Pop. gleich). Ein niedriger p-Wert zeigt, dass die H0 nicht korrekt sein - d.h. die Diskrepanz ist größer als durch den Stichprobenfehler erwartbar/begründbar.

D.h. im Gegensatz zur Signifikanztestung bei Parametern, will man hier die H0 beibehalten, weil eine Zurückweisung Evidenz gegen das Modell bedeutet. Der Analogieschluss ist für viel zu verführerisch, als dass sie sich ihm entziehen könnten

Grüße
Holger

[Sghrn]

Ich dachte durch zunehmende Beschäftigung mit dem Thema würden die Ungereimtheiten langsam abnehmen.. naja, soweit bin ich dann wohl noch nicht

Die ganze Zeit lese ich z.B., der Fornell-Larcker-Test verlangt, dass DEV größer sein sollte als jede quadrierte Korrelation zwischen allen Faktoren. Allerdings hat mein Excel-Tool mir da nie Fehler angezeigt, bis ich gemerkt hab, dass in Wirklichkeit offenbar die root-square, also Quadratwurzel von DEV verlangt wird.. (Habs nochmal nachgerechnet, stimmt wohl..)
Es wundert mich jedoch sehr, dass in 90% meiner Quellen von einem normalen DEV ausgegangen wird, so auch in meiner "Standardlektüre". Aber vielleicht irre ich mich ja.

Der Analogieschluss ist für viel zu verführerisch, als dass sie sich ihm entziehen könnten

Meinste damit jetzt sowas wie Herdentrieb bzw. mangelndes Auffassungsvermögen? ^^


[EDIT]

Wichtig ist nur, dass - wenn Kovarianzen geschätzt werden - sie *entweder* zwischen exogenen Variablen oder zwischen *den Fehlertermen* der endogenen geschätzt werden - NICHT zwischen den endogenen Variablen (weil die nicht geschätzt werden, sondern eine simple Folge der anderen Parameter sind) und nicht zwischen einer exogenen und einer endogenen oder mit dem Fehlerterm der endogenen Variablen.

Einen "Doppelpfeil" zwischen endogener und exogener Variable kann man in Amos20 übrigens nicht ziehen. Zumindest nicht, wenn eine Errorvariable vorhanden ist.

Dieses Modell müsste aber im Grunde möglich sein, nicht?

abfalter.PNG (45.38 KiB) 5053-mal betrachtet

[Holgonaut]

Hi,

das mit dem DEV weiß ich nicht im Detail. Mir erschließt sich nur die gesamte Logik nicht.

Wegen des p-Werts: Weniger Herdentrieb sondern mangelndes tieferes Wissen um die Implikationen des p-Werts allgemein plus fehlerhafte Generalisierung

Das Amos diese Kovarianz zwischen endogener und exogener Variable nicht zeichnet ist beruhigend. Dein Modell ist eine ganz normale CFA - geht also .

Vielmehr hätte ich wieder an den einzelnen latenten Variablen Kritik - z.B. Org klima als eine zentrale Ursachen von et lohn, klima, karr(iere) und Mitarbeiterzufriedenheit? Sieht mir wieder eher als ein Summenkonzept aus Die ewige Leiher, ich weiß

Grüße
Holger

[Sghrn]

Freut mich, dass du dich nochmal gemeldet hast. [Eigentlich kenn ich den Satz eher von Frauen (tz.. wie unangemessen)]

Fornell Larcker Test: Ja, mir ist inzwischen aufgefallen, dass natürlich beides geht. Entweder man quadriert die Korrelationen der Faktoren oder man zieht die Wurzel aus der DEV. Zeitmangel + Übermut

Zu den Kovarianzen: Eigentlich dürfte man im obigen Fall aber auch nicht mehr von einer endogenen Variable sprechen oder? Letztlich handelt es sich ja nur noch um eine exogene, quasi gleichgestellte Variable. Die Autorin dieses Modells macht das zumindest ohne jeden Zweifel.

[edit] Was mir noch bei meinem Modell aufgefallen ist: Zu den Kovarianzen zwischen den Faktoren werden bis auf eine Ausnahme(?) keine Signifikanzniveaus angezeigt. Stattdessen wird unter Standard Error nur dieses "par_irgendeine zahl" angezeigt. Bei der Ausnahme werden hingegen S.E., C.R. P und Label angegeben. Warum es diese eine Ausnahme gibt, kann ich mir nicht wirklich erklären, da es sich um beliebige Faktoren mit "strukturell" gleichen Grundeigenschaften handelt. Für mich kommen da eigentlich nur zwei Gründe in frage: 1) Entweder die Daten reichen nicht aus 2) Das Modell lässt hier grundsätzlich keine Signifikanzniveaus zu. Irgendwelche Erfahrungen?

[edit2] Okay, im Großen und Ganzen steh ich vor folgendem Dilemma: Entweder nur Korrelationen zwischen exogenen und "endogener" Variable + ein besserer/akzeptabler Fit oder richtige Regressionspfade zwischen exogener und endogener Variable, dafür aber ein, wie ich finde, ungenügender fit.
Es ist schon erstaunlich. Sobald ich auf EInzelpfeil umstelle, kommen lediglich die Regressionsgewichte von exo->endo bei den "standardized regression weights" hinzu. Alle anderen Ladungen bleiben gleich. Wenn ich das jetzt mit dem "Validity Master" aus dem "Stats Tool Pack" berechne, werden alle Werte schlechter (wichtig: AVE, CR]. Es "liegt" also eindeutig an der endogenen Variable. Jetzt frag ich mich, ob man die bei den KFA-Tests irgendwie ausbooten kann? ^^ (Wäre schon ne ziemliche Verlegenheitslösung deshalb auf Kausalität (im Lehrbuchsinne) zu verzichten.) Weiter: Wenn ich die oben genannten Regressiongewichte, d.h. den endogenen Faktor, entferne kommen wieder die alten Fit-Werte. Interessant nebenbei am "Validity Master" ist die Tatsache, dass mir bei der Berechnung des zweiten, d.h. des Pfadmodells überhaupt keine Daten für die endogene Variable ausgespuckt wird. Lediglich die verschlechterten Werte der exogenen Faktoren liegen vor. Wenn ich alle Faktoren lediglich korrelieren lasse, sind alle dabei - was auch logisch ist, da es ja faktisch gar keine endogene mehr gibt. Achja, Signifikanzniveaus bekomme ich mit dem Pfadmodell auch..

Kann es vielleicht sein, dass man exogene und endogene Variable ohnehin separat testet? Ich les mich da gerade erst ein..

[Sghrn]

Wollte nochmal ein paar Dinge in meinem Kriegstagebuch festhalten, für die Nachwelt:

1. Latente Variablen mit einem Indikator werden per se vom AVE und CR Test ausgeschlossen. Mag plausibel klingen, was aber nicht immer eine wissenschaftliche Größte ist. ^^
2. Der von mir verwendete Validity Master ist nach Aussage des Autors James Gaskin nicht für 2-level SGM geeignet.
3. Bei einer manuellen Berechnung von AVE und CR bin ich letztlich auf exakt die Werte gekommen, die mir der Vadilidity Master bei meinem "Korrelations-Modell" bzw meinem "eigentlichen Pfadmodell" ohne endogene Variable gekommen. Freut mich. Pfadmodell ist wieder im Spiel, lol. Ist aber immer eine sehr gute Idee, wenn man die Dinge mal per Hand macht. Man vermeidet derartige Possen und lernt zum Teil auch grundsätzliche Dinge.

Im Großen und Ganzen kann ich also das Pfadmodell benutzen, nur dass ich es jetzt auch weiß. Frage mich nur, wieso die Frau Abfalter Korrelationspfeile verwendet, wenn sie doch eigentlich (zumindest stehts so in ihrer Einleitung) Kausalitäten berechnen will. Naja, werd sie nicht fragen. ^^

[blunznpoldl]

Ich hätte auch mal ein paar grundsätzliche Fragen:

Ich möchte auch gerne ein Strukturgleichungsmodell rechnen, in dem es um die kausalen Zusammenhänge zwischen internalisiertem Stigma, Hoffnung, Depression sowie Positiv- und Negativsymptomatik bei Schizophrenierkrankten geht. Ich habe allerdings folgende Probleme: Bei meinen 3 Messzeitpunkten schrumpft meine Stichprobe von anfangs 278 auf 86 und schließlich auf 74. Als Voraussetzung f. die Berrechnung eines SGM sollten die Daten ein multivariable NV. aufweisen. Jetzt sind viele der Daten schon univariat betrachtet nicht normal verteilt. Wenn man sich so durchliest, stößt man auf das central limit theorem, dass davon ausgeht, dass man ab einem N von 30 von einer Normalverteilung ausgehen kann. Kann ich daher bei meinen Daten davon ausgehen und mir die Datenexploration sparen. Wie werde ich allerdings meiner schwinden Stichprobengröße Herr? Sollte ich mit allen Werten rechnen und die missing values Funktion im AMOS nutzen, oder soll ich ausschließlich mit den 68 Personen rechnen, die alle 3 Messzeitpunkt mitgemacht haben. Aber da wäre dann ja eine ordentlich bias drin,wenn ich alle weglassen würde.

Danke für die Hilfe

ein ratloses blunznpoldl

[Holgonaut]

Hi blunznpoldl,

das mit der Verteilung kannst du knicken, diese Annahme ist immer verletzt. Abgesehen davon hast du das mit dem central limit theorem falsch verstanden. Das beschreibt die Stichprobenverteilung eines Parameters - und die ist ab einem
N=30 *pro Stichprobe* der eine Milliarde möglichen normalverteilt. Beim SEM (nicht SGM!! Das ist eine absolut unübliche zu vermeidende Abkürzung ) geht es um die multi-Normalverteilung der Modellvariablen.

Allerdings kann man das durch geeignete Korrekturen (Satorra-Bentler-Korrekur, Yuan-Bentler-Korrektur, Bollen-Stine-Bootstrap) beheben. Erwäge mal den Umstieg auf lavaan (www.lavaan.org).

Was die missing data anbelangt, könntest du FIML benutzen. Allerdings ist der Verlust an Fällen bei dir ja schon dramatisch. Checke erst mal, bei welchen Variablen das besonders krass ist und ob du diese überhaupt brauchst.
Die Leute stopfen meist zuviel unnötige Indikatoren in Modelle.

Grüße
Holger

[blunznpoldl]

Danke für die rasche Antwort. Ich werde deine Tipps mal befolgen, aber ich bin mir sicher, dass weitere Fragen auftauchen werden.

Lieben Gruß
blunzi