STATISTIK-FORUM.de

[makautz@hotmail.com]

Hi zusammen,
baue gerade ein neues Modell mit vielen reflektiven unabhängigen Variablen,
sowie einer formativen abhängigen Variable.

Habe eine Anleitung für beide Fälle als einzelnes (reflektiv vs formativ), aber nicht für den Fall,
dass beides gemischt vorkommt.

Kann ich die formative Variable einfach in die normale Faktorenanalyse, die ich für reflektive Variablen nutzen würde reinpacken,
oder sollte ich 2 Analysen bauen und reflektiv und formativ von einander getrennt betrachten?

Viele Grüße
Markus

[Holgonaut]

Hi Markus,

nicht die Variablen sind reflektiv oder formativ, sondern die Beziehungen zwischen Indikatoren und latenten Variablen.

Es sei daneben angemerkt, dass es bei den "formativen Konstrukten" zwei Unterarten gibt, die in der Literatur immer vermischt wurden:
a) die "Indikatoren" sind TEIL des Konstrukts (und das ganze nichts weiteres als ein Summenindex). In dem Fall existiert der Index nicht unabhängig von den "Indikatoren", diese sind auch gar keine Indiaktoren, sondern konstitutieren das Ganze ja. Und die Beziehung ist nicht kausal

b) die "indikatoren" sind Ursache einer latenten Variablen. In dem Fall sind "Indikatoren" und die latente Variable konzeptionell/ontologisch unabhängig / distinkt, die Beziehung kausal - aber auch hier sind die Indikatoren keine Indikatoren sondern Ursachen (bzw. reflektive Indikatoren der latenten Ursachen) der entsprechenden latenten Variablen.

Solche Strukturen solltest du in einer komplexeren SEM-Struktur modellieren, die Dein Verständnis ausdrückt. Und immer gut ist es, wenn die latente Variable in Fall "b" auch noch reflektive Indikatoren hat, die die Identifikation und Bedeutung sicherstellen.

Grüße
Holger

[makautz@hotmail.com]

Hi & Danke Holger,

kleine Frage noch. Wenn ich 2 verschiedene abhängige Variablen habe, alle anderen Variablen aber für beide abhängigen Variablen identisch sind, muss ich dann 2 eigenständige Faktoranalysen machen, oder kann ich beide abhängigen Variablen in die ein und dieselbe Faktoranalyse packen?

Viele Grüße
Markus

[Holgonaut]

Hi,

ich hab die Frage nicht verstanden.

Aber generell: Soweit ich mich erinnere, willst du doch ein SEM machen, oder? Dann mach es doch einfach. Wozu Faktorenanalysen?

Grüße
Holger

[makautz@hotmail.com]

Hi,

ja, ich arbeite momentan an einigen SEM Analysen.

Meine methodische Vorgabe lautet jedes Mal ähnlich:
Prüfe anhand von einer Faktoranalyse in SPSS ob die Umfrage-Items >=0,7 laden. Ist die Ladung <0.4, eliminiere den Faktor.
Ist ein Item mehreren Faktoren zugeordnet, lösche das Item, sodass man saubere Faktoren hat.
Anschließend benutze diese Faktoren in einem SEM in SmartPLS.

Ich denk mir das nicht selber aus, ist einfach eine Vorgabe.

Akut untersuchen wir identische Einflussfaktoren (also überall Dinge wie "Vertrauen", "Risikowahrnehmung", etc..) auf 2 unterschiedliche abhängige Variablen.
In meinem Beispiel:
-"die Absicht, Informationen von Dienst XY zu nutzen" (erste abhängige Variable)
-"die Absicht, Informationen FÜR Dienst XY freizugeben" (zweite abhängige Variable)

Für beide abhängigen Variablen plane ich jeweils ein eigenständiges SEM um eben zu schauen, was diese Absicht fördert.

Die Frage war, ob ich 2 verschiedene Faktorenanalysen machen muss, wenn ich 2 verschiedene abhängige Variablen habe, oder ob ich beide unterschiedlichen abhängigen Variablen in dieselbe Faktorenanalyse rein tun kann.

Viele Grüße
Markus

[Holgonaut]

Hi Markus,

uiuiui, das find ich aber - da muss ich ehrlich sein - alles sehr übel.

Erstens nehme ich an, dass du keine wirklichen Faktorenanalysen, sondern Hauptkomponentenanalysen (PCA) machst.
Da geht es schlicht darum, einen Summenscore zu bilden und items dazu zu nehmen, die ähnliche Informationen enthalten.
Daher auch die Idee, items mit geringer Ladung zu eliminieren. Das ist fatal, weil auch solche items wichtig / nützlich sei können.
Eine geringe Ladung heißt lediglich, dass sie nicht gut zu der Komponente (nicht "Faktor", wenn es eine PCA ist) passt.

Zweitens: PLS ist kein SEM! Ein SEM testet kausale Strukturen und deren inhärente Restriktionen. Außerdem unterliegt einer Variable
in einem SEM eine ontologisch-realistische Auffassung (d.h. die Variable repräsentiert ein empirisches Phänomen, dass in der Natur vorkommt
und ihre geschätzten Effekte reflektieren kausale Effekte dieses Phänomens).

Variablen in einem PLS-modell sind (s.o.) Summenscores - d.h. man bastelt aus Daten Summenwerte und schätzt ihre Beziehungen. Dabei ist unklar,
wie die Verknüpfung zur Realität ist.

Zu Deiner Frage: Natürlich brauchst du keine verschiedenen Faktorenanalysen zu rechnen.

Wie gesagt, vorzuziehen wären die Modellierung eines richtigen Messmodells mit der Konzeptualisierung von latenten Variablen. Damit ein SEM (mit beiden
AVn). Gerade wenn du sagst "...was diese Absicht fördert" implizierst du ja eigentlich, dass du eine realistisch orientierte Vorstellung hast. Dann sollte die
Methode auch zu dieser Vorstellung passen.

Grüße
Holger

[makautz@hotmail.com]

Hi Holger,

danke für deine ausführliche Anwort.
Ich bastel zunächst ein Modell, mache dann eine HauptACHSEN-Faktoranalyse mit oblimin -1 Rotation und anschließend PLS. Passt das so?

[Holgonaut]

Hi,

ja. Wenn du jetzt ein SEM machst anstatt PLS....das wäre ein Träumchen

Grüße
Holger

[Charly]

Hallo Holger (und andere),

mir scheint du kennst dich sehr genau aus mit der Faktorenanalyse. Ich habe daher die Hoffnung, dass du dich auch mit anderen Bewertungsverfahren auskennst.
Wenn ich eine Vielzahl formativer single items habe (z.B. Selbstständigkeit im Job, Erfolg im Job, Kundenorientierung im Job,etc.), die ich rein inhaltlich einer Kategorie (Jobaspekte) zuordnen kann, wie kann ich dann auch statistisch testen, ob diese items zu dieser Kategorie gehören?
Die items sind auf einer Likert Skala gemessen und ich will quasi ein Konstrukt "Jobaspekte" bilden, welches ich dann mittels einer Regression auf ein weiteres (reflektiv gemessenes) Konstrukt abbilden möchte.

Ich würde mich sehr über eine Antwort freuen!
Liebe Grüße
Charly

[Holgonaut]

Hi Charly,

was du tust, ist einen simplen Index bilden. Damit generierst/erfindest du auch diesen Index. Dies führt wiederum dazu, dass es keine Wahrheit gibt und somit auch keine testbaren Implikationen.
Schau dir mal diesen Artikel an:

Edwards, J. R. (2001). Multidimensional constructs in organizational behavior research: Towards an integrative and analytical framework. Organizational Research Methods, 4(2), 144–192.

Solche Indizes haben Vor- und Nachteile. Der Vorteil ist natürlich, dass man die Anzahl der Variablen in einem Modell reduziert und das ganze u.U. überhaupt erst handhabbar macht (was sowohl das Rechnen, aber auch Verschriftlichen anbelangt). Der große Nachteil ist, dass man halt auch Äpfel und Birnen mit völlig unterschiedlichen Beziehungen zur Zielvariablen zusammenmischt. Der Effekt, den man dann findet, ist folglich auch ein Mischmasch aus den Komponenten.

In Deiner Nachricht an mich schreibst du noch:

"Auf den Punkt gebracht ist mein Problem die Beurteilung der Reliabilität
und Validität von formativen items. Im reflektiven Kontext ist es ja klar,
Cronbachs Alpha und Faktoranalyse. Was gibt es vergleichbares für formative items?"

Ja, das ist schwierig. Als Reliabilität böte sich die re-test-Reliabilität mit einer Teilstichprobe an. Validität müsste man für die einzelnen Komponenten zeigen. Du hast halt du unglückliche Situation, dass du einen riesigen Kraut-und-Rüben-Fragebogen hast und jetzt vor dem Haufen von items stehst....

Grüße
Holger