STATISTIK-FORUM.de

[Holgonaut]

Hi,

ähnlich zu Dördrechters Modell ist mir nicht klar, wie deine formativen Variablen identifiziert sind. Auch korrelieren ihre Fehlerterme nicht, was - wie ich schon sagte, impliziert,
dass diese Variablen nicht mehr korrelieren, wenn du alle Indikatoren/Prädiktoren auspartialisieren würdest...

Das die Indikatoren/Prädiktoren Fehler haben, ist falsch (oder ist es was AMOS-Technisches?), weil sie exogen sind. Dass alle korrelieren ist ok.

Faktorenanalyse: Ja, richtig, Hauptfaktorenanalyse. Rotierte Komponentenmatrix als Grundlage meines neuen Modells.
Mit den neuen Samples sind die "Reliabilitätswerte" auch weiter angestiegen. Wer hätte das gedacht?

Du meinst HauptKOMPONENTENanalyse? Wie hast du die Reliabilität bestimmt? Das geht bei formativen Maßen nur über re-test (Cronbach's alpha verlangt reflektive Messungen mit gleichen Ladungen).

Grüße
Holger

[Sghrn]

Hallo, da bin ich wieder

Das Modell ist natürlich wieder noch ein "Lernmodell" um die relevanten Aspekte aufzuspüren.
Ich bin jetzt wieder bei der "Standardlektüre" von Weiber/Mühlhaus (2010), um das Prinzip ausreichend zu verstehen.
Folgendes ist mir da z.b. aufgefallen:

Die Autoren schreiben, dass man statt der Referenzvariable (Ladung 1) auch einfach die Varianz der latenten Variable auf 1 setzen kann. Liegt das an meinem Modell oder ist das tatsächlich der Intercept? Zumindest wird dieses Vorgehen von den Beiden befürwortet.

Zu meinem Zeugs:

Ja, ich meine die Hauptkomponentenanalyse. Gehört ja zur Prüfung der Eindimensionalität.
Da hab ich bereits einige Test durchgeführt, die angegeben werden. Cronbach-Alpha ist auch "bestanden", nachdem ein item gelöscht wurde, was aber offensichtlich nicht so relevant ist.

Zu den Tests-Re-Tests.. Das velangt soweit ich weiß Messungen in verschiedenen Zeitabständen oder nicht?
Falls dem so ist, könnte ich höchstens die frühen Umfragen mit den späteren Vergleichen..

Mühlhaus und Weiber folgend, habe ich die folgenden Tests in Angriff genommen:

Kollinearitätstest: VIF undRegressionskoeffizient nicht signifikant. Ich glaube das ist auch in diesem Sinne von den Autoren so gemeint. Sollte das zutreffen können (bisher) alle Variablen im Boot bleiben. Die VIF Werte sind alle etwa bei 1. Die Signifikanz des RK ist ebenfalls hinreichend.

Des Weiteren gibt es ja den Korrelationskoeffizienten. Da gibt es immerhin ein paar Signifikanzen, allerdings ist die Frage, ob die ausreichen um Items zu entfernen. Zum Teil müsste das ja auch normal sein? Sollen Korrelationen innerhalb eines Faktors nicht sogar erwünscht sein?
Ausserdem: Ist es beim formativen Modell nun so, dass man eigentlich sein Standardkonzept aufrecht erhalten "muss" oder kann man von den Ergebnissen "eines Besseren belehrt werden"? In diesem Fall wären ja auch konzeptuell außerfaktorisch Korrelationen möglich.

Für mich wäre die Reihenfolge eigentlich Datenerhebung -> Faktorenanalyse -> Kollinearitäts-, Reliabilitäts-, Validitätsprüfung -> weiter / oder wieder Faktorenanalyse -> ...

Und was ist eigentlich mit meiner Variable auf der anderen Seite, die Dauer der Tätigkeit? Inwiefern sollte die denn geprüft werden? Wäre die dann das Prädiktum im eigentlichen Sinne? Dort müsste doch Korrelation wieder "erwünscht" sein oder nicht? Und inwiefern sollte man die Items Gruppenweise prüfen?

Achja, noch was: Kann man automatisch mehrere abhängige Variablen nacheinander durch die Regressionsanalyse laufen lassen? Die müssen doch allesamt geprüft werden?

Naja, morgen gehts weiter.. (u.a. Validitätsprüfung)

[Holgonaut]

Moin,

Ich bin jetzt wieder bei der "Standardlektüre" von Weiber/Mühlhaus (2010), um das Prinzip ausreichend zu verstehen.

Nach all dem, was unten noch kommt, weiß ich nicht mehr, ob ich das Buch weiter empfehlen kann....

Die Autoren schreiben, dass man statt der Referenzvariable (Ladung 1) auch einfach die Varianz der latenten Variable auf 1 setzen kann

Ja, das "kann" man, sollte es aber nicht:
http://www.ncbi.nlm.nih.gov/pubmed/11570231

Außerdem bekommen so alle latenten Variablen die selbe Varianz, was unsinnig ist.

Ja, ich meine die Hauptkomponentenanalyse. Gehört ja zur Prüfung der Eindimensionalität.

Erst mal *prüfen* exploratorische Verfahren gar nichts. Dazu sind sie völlig unsinnig, wenn man ein theoretisches Modell vor Augen hat. Die Hauptkomponentenmethode zudem hat nichts mit Eindimensionalität zu tun. Sie ist ein Summenscore der Items. D.h. hier besteht das Ziel, items aufgrund ihrer Korrelation zu Summenscores zusammenzufassen. Du prüfst Eindimensionalität mit einer CFA - die wiederum reflektive Indikatoren voraussetzt. Und schließlich halte ich persönlich den Begriff der Eindimensionalität für sehr ungünstig. Items sind nie eindimensional, weil sie von einer Masse von Einflüssen beeinflusst werden. Letztlich geht es immer darum, ob mehrere Items (im Falle eines reflektiven Modells) eine gemeinsame Ursache haben.

Und wie ich schon sagte: Cronbach's alpha macht nur Sinn, wenn du es über ein Set von items berechnest, die einen Faktor reflektieren/messen und die gleiche Ladung haben. Wo hast du das?

Mühlhaus und Weiber folgend, habe ich die folgenden Tests in Angriff genommen:

Alles was nun kommt, habe ich schlecht verstanden, halte es aber für unnötig

Kollinearitätstest: Zwischen was? Wie hast du das getestet? Und was schlagen die Autoren vor, wenn man Kollinearität hat? Ich tippe mal: Das Modell verändern - und damit misspezifizieren. Kollinearität führt immerhin noch zu unverzerrten Schätzern (d.h. im Schnitt sind sie richtig), wenn auch Geringer Effizienz. Bei Veränderungen des Modells bekommst du effiziente Schätzer, die nicht mal im Schnitt korrekt sind....

Was hat das mit den Korrelationen auf sich? Nichts in dem Satz versteh ich.

Für mich wäre die Reihenfolge eigentlich Datenerhebung -> Faktorenanalyse -> Kollinearitäts-, Reliabilitäts-, Validitätsprüfung -> weiter / oder wieder Faktorenanalyse -> ...

Für mich ist es
a) Konstruktspezifikation (welche latenten Dimensionen hat das Konstrukt)
b) Entwicklung von 2-3 items für jede für das Modell notwendige Dimension --> Spezifikation des Modells --> Test --> Abduktive (theoretisch geleitete) Respezifikation des Modells aufgrund der Parameterschätzungen (sinnvoll), Fit und lokaler Misspezifikationen.

Vorherige Faktorenanalyse, Kollinearitätsanalyse und Reliabilitätsanalyse sind nunnötig. Faktorenanalyse (EFA/PCA) ist unnötig, weil ICH die Struktur vorgebe - kein Algorithmus, Kollinearitätsanalyse: ok, ich seh die Korrelationen der Prädiktoren - kann aber im Extremfall eh nichts machen außer das N zu erhöhen, außer es ist ein Hinweis, dass das Modell ein Problem hat. Und schließlich - ok, berechne ich zwar Alpha (oder besser compositie reliability - aber für das Modell nötig ist es nicht, weil Messfehler modelliert werden.

Grüße
Holger

[Sghrn]

Danke für deine schnelle Antwort. Gelten deine Aussagen ausschließlich für ein formatives Modell?
Alles in allem sieht es ja so aus, als wäre eine Schätzung formativer Konstrukte erster Ordnung schwierig. Das einzige was (realistischerweise) in Frage kommt ist ja letztlich das MIMIC-Modell (ausser man arbeitet mit PLS). Muss da in jeder latenten Variable ein reflektiver Indikator vorhanden sein? In dem Modell bei Dördrechter ist es ja zumindest nicht so.. (Stattdessen einmal ein formatives, dann ein reflektives Konstrukt.)
Es sieht für mich so aus, als wäre mein erstes Modell insgesamt noch am Besten geeignet, d.h. erste Ordnung reflektiv, zweite Ordnung formativ, falls das verständlich ist..

Nochmal zur besagten Literatur: Es ist natürlich immer ziemlich ärgerlich, wenn das meiste, was man gelernt hat am nächsten Tag wieder unbrauchbar wird. Aber wie gesagt frage ich mich, ob das auch für reflektive Modelle gilt. Allgemein ist doch anzunehmen, dass man prüfen sollte, ob andere sinnvolle Konstrukte besser geeignet wären, oder nicht? Dann könnte man doch immernoch eine neue, veränderte Konstrukte in Angriff nehmen.
(Ein theoretisch relativ gut ausgearbeitetes Konstrukt/Modell habe ich ja schon vorher gehabt..)

Zur "Prüfung der Eindimensionalität" speziell: Das wurde im Text so formuliert, aber ich nehme an, damit ist lediglich gemeint, dass es, obwohl es nicht angenommen wird, weitere Dimensionen geben könnte. Das wäre natürlich in meinem Fall falsch ausgedrückt, weil ohnehin von mehreren Dimensionen ausgegangen wird. (..um die Autoren teilweise in Schutz zu nehmen )

Entwicklung von 2-3 items für jede für das Modell notwendige Dimension --> Spezifikation des Modells --> Test --> Abduktive (theoretisch geleitete) Respezifikation des Modells aufgrund der Parameterschätzungen (sinnvoll), Fit und lokaler Misspezifikationen.

Mich interessieren derzeit übrigens "Test", "Parameterschätzungen", "Fit" und "lokale Misspezifikationen" am meisten. ^^

Noch eine weitere Frage: Wieso müssen eigentlich die Kovarianzen aller latenten Variablen (überhaupt aller Variablen?) positiv sein?

Greets

[Holgonaut]

Hi,

alles was ich schrieb, bezog sich auf reflektive Messmodelle.

Alles in allem sieht es ja so aus, als wäre eine Schätzung formativer Konstrukte erster Ordnung schwierig. Das einzige was (realistischerweise) in Frage kommt ist ja letztlich das MIMIC-Modell (ausser man arbeitet mit PLS). Muss da in jeder latenten Variable ein reflektiver Indikator vorhanden sein?

Ja, das ist sehr schwierig. Und das mit dem reflektiven Indikator hatte ich vorher schon mal beschrieben. Allgemein brauchst du mind. 2 abhängige Variablen der formativen Variable - egal ob sie Indikatoren oder andere latente Variablen sind.

Noch eine weitere Frage: Wieso müssen eigentlich die Kovarianzen aller latenten Variablen (überhaupt aller Variablen?) positiv sein?

Nö, warum.....Kovarianzen können auch negativ sein.

Gruß
Holger

[Sghrn]

Nö, warum.....Kovarianzen können auch negativ sein.

Hatte da irgendwas von nem Paradoxon gelesen. Irgendwie soll das unmöglich sein, aber ich guck nochmal nach..
Achja, ausserdem hab ich schonmal diese Nachricht erhalten "The following covariance matrix is not positive definite". Steht zwar nirgends, aber hört sich nach nem Fehler an. ^^

Alles was ich schrieb, bezog sich auf reflektive Messmodelle.

Hm, durch die "Anweisungen" haben sich die Werte bei fast allen Modelllen verbessert.
Vor allem die "Weiterentwicklung" von Faktoren/Modellen ist doch, so wie es gelernt hab, eine der Leistungen, die man bei SGM erbringen kann.

Wie dem auch sei. Das "komplett" formative Modell hat ja vorzeigbare Werte, ist aber nicht identifiziert/bar, was wohl dann auch Hand in Hand geht.
Ein reflektiv/formatives(/reflektives) Modelll schafft derzeit - umgebaut - immerhin ein Chi von 71 und die Ergebnisse sind plausibel. Ausserdem scheint das Modell bereits viele Gütekriterien zu erfüllen (RMSEA, Hoelter..

Morgen klopp ich die neuen Samples dazu (wird hoffentlich noch gut was zusammenkommen), dann wollen wir mal sehen, ob es am Modell, an der Stichprobe, an beidem oder an irgendeiner anderen Sache liegt.

Aber wie gesagt, mich würde doch noch mal interessieren, wie du ein solches Modell optimieren würdest. Inzwischen halte ich es für naheliegend, die primären Konstrukte ("links und rechts") reflektiv und das sekundäre formativ einzustellen. Allerdings wäre das Konstrukt zweiter Ordnung ja in jedem Fall formativ, je nachdem, von welcher Seite man es betrachtet, oder nicht? ^^

Und ja, ich will natürlich so gut wie alles selber machen. Als nächstes werde ich mich auf die Suche nach Fitting-Lösungen (Den Begriff gibt es vermutlich auch nicht) begeben, die aus den Tests/Parameterschätzungen von Amos hervorgehen. Allerdings gehen die teilweise eben in Richtung Modellumbau. Wie kann ich SPSS da überhaupt noch einbeziehen?

[Sghrn]

Hab jetzt - mit nem gewissen Teil an unvollständigen Daten - ca. 170 Stichproben. Das Modell - sorry für die Farben - ist jetzt das aktuelle. Es erfüllt bereits zahlreiche Gütekriterien und entspricht sogar einigermaßen meinem Originalmodell. Insofern wäre wohl die Konstrukt- und Inhaltsvalidität gegeben. Chi ist natürlich noch immer zu hoch, allerdings kann auch an den unvollständigen Stichproben liegen. Ist eh die Frage wie relevant das ist, wenn die anderen erfüllt sind.
Um diese Werte zu bekommen hab ich vor allem auf den KMO geachtet, und die schwächsten Variablen aussortiert. (Ja, auch mit explorativer Faktorenanalyse. Ist doch toll, wenn die mir mein Model bestätigt?)

Achja, was stimmt an dem Modell nicht? (Abgesehen von der möglicherweise unverhältnismäßigen Gewichtung einiger Ladungen)

[Holgonaut]

Hi,

ich hätte halt mit der Spezifikation der exogenen latenten Variablen, die ich immer noch als formativ einschätzen würde , meine Probleme.

Allerdings sind die Ladungen schon extrem hoch, was zeigt, dass die Leute da immer sehr homogen antworten...

Ebenso würd ich den Chi-Quadrat-Test immer noch als Priorität erachten. Ist der signifikant, weist das auf eine Fehlspezifikation (irgendwo) hin.
Leider bietet Amos in so einem Fall keine wirkliche Hilfe. Andere Programme geben einem die standardisierten Residuen aus - d.h. die Differenz der empirischen Kovarianzen
und dem modell-impliziten. Die weisen oft zumindest auf die Variablen hin, die durch das Modell nicht korrekt modelliert werden.

Achja, ausserdem hab ich schonmal diese Nachricht erhalten "The following covariance matrix is not positive definite". Steht zwar nirgends, aber hört sich nach nem Fehler an. ^^

Je nachdem, welche Kovarianz matrix nicht positiv definit ist, weist das auf ein fundamentales Problem hin. Schau mal hier: http://www2.gsu.edu/~mkteer/npdmatri.html

Grüße
Holger

[Sghrn]

Hallo

Ich antworte jetzt mal eben ganz kurzfristig.
Und zwar hab ich in einer Arbeit gelesen, dass man den Quotienten aus Chi² und den Freiheitsgeraden heranziehen soll. Der darf dann nicht den Sollwert von 3 überschreiten. Das wäre bei mir ja gegeben..
Mir ist auch aufgefallen, dass die Mehrheitl der amosgestützten Studien sich nicht direkt auf Chi² beruft, sondern eben auf die Zahlreichen anderne Gütekriterien. Einer der Gründe ist eben wohl, dass Chi² aus verschiedenen, teilweise weniger relevanten Ursachen hochgedrückt werden kann.

ich hätte halt mit der Spezifikation der exogenen latenten Variablen, die ich immer noch als formativ einschätzen würde , meine Probleme.

Meinst du damit, dass die Variable bei mir formativ ist oder sein soll?
Geht man vom Konstrukt aus, dann ist sie ja reflektiv, und ich denke das wäre im kausalen Zusammenhang schon angemessen.

[Holgonaut]

Hi,

der Quotient, den du ansprichst, genau wie die anderen "Gütekriterien" wendet man aus einem einzigen Grund an: Weil das Modell Probleme hat und die Leute es zurecht rücken wollen.

Strenggenommen macht der Chi-Quadrat-Test - wie jeder andere Test - Annahmen (wie multi-normalverteilung), die meist verletzt sind - und ja, das verzerrt ihn nach oben. Allerdings halte ich es
für eine Flucht, das als Erklärung für nicht-fittende Modelle zu nehmen (weil viele Modelle einfach fitten, wenn man das ernst nimmt und nach den ursachen forscht). Wenn man die Ursachen nciht findet,
bleibt es halt dabei, dass sie unbekannt bleiben und es mehrere Gründe gibt - Misspezifikation, Verletzung der Annahmen etc.

Aber es als Routine zu etablieren, solche Ausweichstrategien zu fahren, halte ich für schädlich. Viele nicht-fittende Modelle (mit guten Gütekriterien/Fitindizes) sind grottenfalsch und das sieht man, wenn man etwas Erfahrung hat, auch. Aber anstatt das als Lernmöglichkeit zu sehen, wird sich weggeduckt....

Der Quotient aus Chi-Quadrat / df macht inhaltlich überhaupt keinen Sinn. Wenn du in den papern eine Begründung liest, dann poste sie mal. Und warum gerade 3 ein Wert sein soll, an dem Weg-Ducken ok sein soll, ist mir ein Rätsel....

Meinst du damit, dass die Variable bei mir formativ ist oder sein soll?

Mir fällt halt auf, dass die Indikatoren konzeptionell alle doch sehr verschieden sind. Checke Dein Verständnis von der latenten Variable, ob sie als *zugrundeliegende gemeinsame Ursache* der Indikatoren realisisch ist. Wenn ja, dann ok.

Grüße
Holger