STATISTIK-FORUM.de

[Steffi*]

Hallo zusammen,
ich möchte gerne eine Moderatoranalyse in mplus durchführen. Dabei ist die Moderatorvariable Z dichotom. Hier bietet sich also ein Gruppenvergleich an. Ich bin mir allerdings unsicher, wie man hier vorgehen muss. Folgendes Vorgehen habe ich diesbezüglich gelesen: Einteilung in Gruppen anhand der dichotomen Variable Z. Zweiter Schritt: SEM wird für jede Gruppe separat schätzen. Dritter Schritt: Pfadkoeffizienten mittels T-Test auf signifikante Unterschiede überprüfen. Ist das so korrekt?

Danke und viele Grüße!

[Holgonaut]

Hi Steffi,

fast

Der Aufbau von Gruppenvergleichen zum Test von Moderatoreffekten läuft nach einer bestimmten Sequenz, innerhalb derer das Modell suzessive restriktiver wird, in dem man "Gleichheitsrestriktionen" (equality constraints) setzt und schaut, ob das Modell sich dadurch signifikant verschlechtert. Wenn es sich verschlechtert, kann man über die Modifikationsindizes rausbekommen, an welchem/welchen Parametern das lag und diese spezifisch von den Restriktionen befreien. Diese Parameter sind sign. unterschiedlich.

Die Schritte heißen
a) configural invariance (Test des baseline Modells ohne jedwelche Restriktionen) --> Test der generellen Struktur über beide Gruppen
b) metric invariance: Restriktion der Faktorladungen --> Test auf gleiche Messeigenschaften
c) structural invariance: Restriktion der latenten Effekte --> Test auf gleiche/ungleiche Effekte

Je nach Forschungsziel kann man noch andere Parameter gleichsetzen, z.B. Varianzen, wenn man standardisierte Effekte vergleichen will.

Der zentrale Begriff heißt measurement invariance (oder equivalence). Hier ein paar zentrale paper:

Steenkamp, J.-B. E. M., & Baumgartner, H. (1998). Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research, 25, 78-90.

Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4-69.

Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4-69.

Baumgartner, H., & Steenkamp, J.-B. E. M. (1998). Multi-group latent variable models for varying numbers of items and factors with cross-national and longitudinal applications. Marketing Letters, 9(1), 21-35.

Hayduk, L. A. (2016). Improving measurement-invariance assessments: Correcting entrenched testing deficiencies. BMC Medical Research Methodology, 16(1), 130-130. doi:10.1186/s12874-016-0230-3

Steinmetz, H., Schmidt, P., Tina-Booh, A., Wieczorek, S., & Schwartz, S. H. (2009). Testing measurement invariance using multigroup cfa: Differences between educational groups in human values measurement. Quality and Quantity, 43(4), 599-616. doi:10.1007/s11135-007-9143-x

Grüße
Holger

[strukturmarionette]

Hi,

Moderatoranalyse in mplus

bucher-mehr-f33/strukturgleichungsmodelle-mit-mplus-neues-lehrbuch-t904.html

Gruß
S.

[Steffi*]

Hallo zusammen,

herzlichen Dank für die ausführliche Antwort und die Literaturhinweise. Das hat mir schon sehr viel weitergeholfen. Jetzt hätte ich noch eine vielleicht eher einfältige Frage. Ich habe in meinem Modell ein Single-Item mit einem metrischen Antwortniveau. Das bereitet mir spätestens bei der Testung der metrische Messinvarianz Schwierigkeiten, weil ich herbei ja die Faktorvarianz dieses Items in der zweiten Gruppe nicht frei schätzen lassen kann. Wie gehe ich damit um?

Danke und viele Grüße!
Steffi

[Holgonaut]

Hi Steffi,

normalerweise wird bei einer single-indicator-Variable die Ladung auf 1 gesetzt (ich nehme an, dass weißt du sowieso). Bei nur einem Item musst du das daher in beiden Gruppen machen. Dies bedeutet, dass du die Invarianz der Ladung
annehmen musst aber nicht testen kannst. Aber: Du kannst die Invarianz anderer Verbindungen mit der betreffenden latenten Variablen als Evidenz für die Equivalenz nehmen. Wenn z.B. die Variable exogen ist, ist m.E. nach die Invarianz der Kovarianz dieser Variable mit anderen Variablen ein Beleg für die Equivalenz.

Grüße
Holger

[Steffi*]

Hallo zusammen,

ich fürchte, ich benötige noch ein letztes Mal eure Hilfe. Denn bei der Prüfung der Messinvarianz mit mplus mache ich wohl irgendetwas falsch und ich weiß nicht, was das sein könnte. Sowohl das Modell zur metrischen als auch das zur skalaren Messinvarianz können normal berechnet werden. Bei dem Befehlsblock für die konfigurale Messinvarianz scheine ich allerdings einen Fehler gemacht zu haben, da ich dabei immer folgende Warnmeldung bekomme:

THE MODEL ESTIMATION TERMINATED NORMALLY

THE STANDARD ERRORS OF THE MODEL PARAMETER ESTIMATES MAY NOT BE
TRUSTWORTHY FOR SOME PARAMETERS DUE TO A NON-POSITIVE DEFINITE
FIRST-ORDER DERIVATIVE PRODUCT MATRIX. THIS MAY BE DUE TO THE STARTING
VALUES BUT MAY ALSO BE AN INDICATION OF MODEL NONIDENTIFICATION. THE
CONDITION NUMBER IS -0.444D-11. PROBLEM INVOLVING THE FOLLOWING PARAMETER:
Parameter 112, Group MASTER: NEURO WITH NEU

THIS IS MOST LIKELY DUE TO HAVING MORE PARAMETERS THAN THE SAMPLE SIZE
IN ONE OF THE GROUPS.

Den Befehlsblock habe ich wie Folgt definiert:

ANALYSIS: ESTIMATOR IS MLR;

model:
AC by C1* C2 C3;
AC@1;
OCB by OCB_KR* OCB_INF OCB_ZUFR;
OCB@1;
SW by SW1* SW2 SW3;
SW@1;
HBV by HBV1* HBV2;
HBV@1;
Irr by I1* I2 I3;
Irr@1;
NEU by N1* N2 N3;
NEU@1;
SKF by SKF1* SKF2 SKF3;
SKF@1;
BEG by BEG1* BEG2 BEG3;
BEG@1;
NEURO by NEU1* NEU2 NEU3;
NEURO@1;

model Bachelor:

AC by C1 C2 C3;
OCB by OCB_KR OCB_INF OCB_ZUFR;
SW by SW1 SW2 SW3;
HBV by HBV1 HBV2;
Irr by I1 I2 I3;
NEU by N1 N2 N3;
SKF by SKF1 SKF2 SKF3;
BEG by BEG1 BEG2 BEG3;
NEURO by NEU1 NEU2 NEU3;

[C1 C2 C3];
[OCB_KR OCB_INF OCB_ZUFR];
[SW1 SW2 SW3];
[HBV1 HBV2];
[I1 I2 I3];
[N1 N2 N3];
[SKF1 SKF2 SKF3];
[BEG1 BEG2 BEG3];
[NEU1 NEU2 NEU3];

[AC - NEURO@0];

output: sampstat standardized stdyx;

An der Stichprobengröße kann es nicht liegen. Kann mir jemand einen Tipp geben, wo ich noch einmal genau schauen soll, um die Warnmeldung zu beheben?

Danke und viele Grüße!