STATISTIK-FORUM.de

[auxilium]

Hallo zusammen,

Ich habe hier ein Messmodell für zwei latenten Variablen, welches für eine Pfadanalyse verwendet werden soll.

Mit Hilfe der Hauptkomponentenanalyse sollen gemäß dem Modell mehrere Variablen auf insgesamt zwei Komponenten reduziert werden.

Laut Modell sollten so 4 Variablen auf einen Faktor reduziert werden können und 3 Variablen auf den anderen.

Nun habe ich eine entsprechende Faktorenanalyse mit SPSS durchgeführt und feststellen müssen, dass 6 Variablen auf einen Faktor und 1 Variable auf den anderen Faktor verteilt werden.

Ich bin der Sache nachgegangen und konnte feststellen, dass a) diese eine Variable sehr, sehr schwach mit den übrigen Variablen korelliert, und auch das KMO-Kriterium bei dieser Variable auf 0,1 geschätzt wird. Also sich daher absolut nicht für die Faktorenanalyse eignet.

Meine Frage ist nun: Kann/Soll man diese Variable entfernen, oder ist das Modell dann verfälscht? Eigentlich ja nicht, da bei reflexiven Messmodellen, das Hinzufügen und Entfernen von Messvariablen ja eigentlich nicht so schlimm sein sollte.

Wenn ich das jedenfalls mache, werden die übrigen Variablen dann auch richtig auf zwei Faktoren verteilt. Allerdings fehlt mir nun eine Variable und das ursprüngliche Modell kann ich dann so ja nicht mehr ganz anwenden. (Eine Faktorladung für diese eine Variable existiert dann ja nicht mehr)

[Verena]

Solange du das Modell dann inhaltlich noch aufrecht erhalten kannst, kannst du die eine Störvariable natürlich ausschließen. Das musst du also entscheiden...

[Verena]

Wenn du mit latenten Variablen agierst, wird das Ganze übrigens ein Strukturgleichungsmodell

[auxilium]

Genau, dann ist es insgesamt ein Strukturgleichunsmodell.

Dazu hätte ich jetzt eine weitere Frage:

Also ich habe jetzt dieses Strukturgleichungsmodell zum einem mit Faktorenanalyse berechnet, um die Messmodelle zu spezifizieren.
Und dann eine Regressionsrechnung (war in dem Fall auch nur eine) angewandt, um das Strukturmodell zu schätzen.

Meine Frage ist nun:

Wie kann man jetzt so die gesamte Güte von diesem Strukturgleichungsmodell mit SPSS bestimmen?

Ich habe ja mehrmals sowohl beim Messmodell, als auch beim Strukturmodell, einfach Sachen angenommen, wodurch das ja nicht so korrekt sein kann.
Aber ist es in SPSS möglich dass dies irgendwie ausgedrückt wird? Oder kann ich das selber genau berechnen? Vorstellen könnte ich mir dass das Modell nicht so gut ist, aber wie zeigt man das?

[Holgonaut]

Hi Leute,

Mit Hilfe der Hauptkomponentenanalyse sollen gemäß dem Modell mehrere Variablen auf insgesamt zwei Komponenten reduziert werden.

Laut Modell sollten so 4 Variablen auf einen Faktor reduziert werden können und 3 Variablen auf den anderen.

Diese Sätze weisen auf ein fundamentales Verständnisproblem hin. Die Idee/Vorgehensweise, "Items auf Komponenten zu reduzieren" ist eine positivistische
Denkweise, die mit SEM mit latenten Variablen inkompatibel ist. Ein SEM /CFA postuliert eine Kausalstruktur - also wie und warum items so beantwortet wurden,
und warum dadurch bestimmte items korrelieren und andere nicht. Das heißt, items werden nicht auf Faktoren reduziert - stattdessen sind die Faktoren latente Größen,
von denen man annimmt, dass sie existieren aber nicht direkt beobachtbar sind. Mach dich mit diesem Denken vertraut, sonst wird das nix mit der CFA

Nun habe ich eine entsprechende Faktorenanalyse mit SPSS durchgeführt und feststellen müssen, dass 6 Variablen auf einen Faktor und 1 Variable auf den anderen Faktor verteilt werden.

Hast du eine theoretische Vorstellung, welche items welche Faktoren messen sollen? Wenn ja, lass diesen explorativen Kram und mach eine CFA - entweder mit Amos oder R (Paket lavaan: www.lavaan.org).

Ich bin der Sache nachgegangen und konnte feststellen, dass a) diese eine Variable sehr, sehr schwach mit den übrigen Variablen korelliert, und auch das KMO-Kriterium bei dieser Variable auf 0,1 geschätzt wird. Also sich daher absolut nicht für die Faktorenanalyse eignet.

Ok, diese Variable misst wahrscheinlich nicht dasselbe, wie die anderen items. Schau dir die items mal an: Erkennst du einen systematischen deskiminanten Aspekt in diesem item? Vielleicht ist es ein gutes item, dass eine wichtige latente Variable misst - daher vorsicht beim Rauswerfen.

Schau dir mal im threat faktorenanalyse-f13/wann-gilt-eine-faktorenanalyse-als-gescheitert-t46.html meinen letzten Beitrag an- der etwas Hintergrund zu all dem bietet.

Wenn ich das jedenfalls mache, werden die übrigen Variablen dann auch richtig auf zwei Faktoren verteilt. Allerdings fehlt mir nun eine Variable und das ursprüngliche Modell kann ich dann so ja nicht mehr ganz anwenden. (Eine Faktorladung für diese eine Variable existiert dann ja nicht mehr)

Das versteh ich nicht.

Also ich habe jetzt dieses Strukturgleichungsmodell zum einem mit Faktorenanalyse berechnet, um die Messmodelle zu spezifizieren.
Und dann eine Regressionsrechnung (war in dem Fall auch nur eine) angewandt, um das Strukturmodell zu schätzen.

Besser wäre es, auch das Regressionsmodell im SEM-framework zu testen. Das hat den Vorteil, dass Deine UVs messfehlerbefreit sind und du einen Modellfit bekommst - vorausgesetzt,
dass Regressionsmodell enthält auch ein paar Restriktionen (z.B. auf 0 fixierte Effekte).

Gruß
Holger