STATISTIK-FORUM.de

[psycha82]

Hallo!
Toll, ein neues, sauberes Forum! Aber, oh schreck, all das bisher gesammelte Wissen ist weg. Aber gut, dann wollen wir mal wieder loslegen.

Ich habe ein ziemlich komplexes Strukturgleichungsmodell. Um nicht den Überlick zu verlieren, gehe ich wie in Schumacker & Lomax (2004) vor und überprüfe erst einmal mein Messmodell, sprich den Modellfit für jede einzelne latente Variable.
Nun ist es ja so, dass bei drei Inidikator das Modell just-identified ist und keine Fits berechnet werden können. Jetzt bin ich bislang so vorgegangen, dass ich die Fehlervarianzen jeweils gleich gesetzt habe, also z.B. e1 und e3 = e2. Damit hat das Modell einen Freiheitsgrad und es kann berechnet werden. Jetzt lese ich aber gerade in früheren Notizen von mir, dass man auch die Faktorladungen gleich setzen könnte.

Kann mir jemand sagen, welche dieser Methoden die "bessere" ist? Bzw. von welchen Kriterien hängt diese Entscheidung ab und womit habt ihr die besseren Erfahrungen gemacht?

Danke für eure Antwort!

[Michael]

Hallo,

Fehlervarianzen oder Faktorenladungen setzt man nur gleich, wenn man überprüfen will, ob ein paralleles oder (essentiell) tau-äquivalentes Messmodell vorliegt. Wenn Du aber prinzipiell ein kongenerisches Messmodell annimmst, bei dem sich prinzipiell Fehlervarianzen/Faktorladungen unterscheiden dürfen, dann solltest Du die Fehlervarianzen/Faktorladungen nicht gleichsetzen, da der Test zu restriktiv für Dein Modell wäre.

Wenn bei einem kongenerischen Modell nur 3 Items für eine LV vorliegen, lässt sich das Messmodell mittels CFA einfach nicht testen. Punkt. Die Güte des Messmodell musst Du dann anhand anderer Kriterien bestimmen, wie beispielsweise der Höhe der Faktorladungen, der Reliabilität o.ä.

LG,
Michael

[Holgonaut]

Hi,

da du ja - wie du sagst - ein komplexeres Modell hast, vermute ich, dass du die Messmodelle einzeln testest. Das kann mal ok sein, um den Überblick zu behalten (allerdings besteht die Gefahr des "capitilzation on chance"). Aber letztlich müssen sie doch zusammengetestet werden, also solltest du das gleich tun. Nicht unbedingt mit allen anderen, aber mit den ähnlichen, um auch diskriminante Aspekte zu testen. Es kann durchaus sein, dass einzeln alles wunderbar klappt, aber wenn du die betreffende Variable in einen größeren Kontext einordnest, alles in sich zusammenfällt.

Gruß
Holger
P.S. Als Notlösung reicht es, nur ein einziges item einer anderen latenten Variable einzufügen. Das gibt dir die Freiheitsgrade und impliziert einige Restriktionen, die das Modell, wenn es korrekt ist, durchhalten muss

[psycha82]

Vielen Dank schon mal für eure Antworten.

Ja Holger, du hast recht. Ich habe die einzelnen Messmodelle für jede Variable einzeln überprüft, um einfach mal klarheit zu bekommen, ob da alles in Ordnung ist. Sobald ich mein Gesamtmodell berechne, habe ich ja auf das ganze Modell gesehen genügend Freiheitsgrade.

Aber ich dachte immer, dass man nicht nur die globale, sondern auch die lokale Identifizierbarkeit eines Modell im Blick haben muss. Vor allem, wenn die Fit Indices noch nicht so toll sind.

Wenn ich euch aber richtig verstehe, dann ratet ihr mir, dass ich in meinem Gesamtmodell meine Restriktionen wieder rausnehme. Wohl wissentlich, dass das Modell dann lokal nicht identifiziert ist, ja?

Danke und beste Grüße!

[psycha82]

Ahh - falls es euch interessiert:
Ich habe gerade das Modell nochmal gerechnet und alle Restriktionen rausgenommen und der Modellfit verbessert sich dadurch sogar leicht.

It's magic - zumindest für mich.
Aber gut, mir soll's recht sein.

Grüßle