Strukturgleichungsmodell: Anleitung mit Beispiel

Strukturgleichungsmodell verständlich erklärt

Das Strukturgleichungsmodell gilt als Königsklasse der multivariaten Statistik. Diese Anleitung mit Beispiel zeigt dir den Aufbau (latente gegenüber manifesten Variablen), passende Software (Mplus, lavaan in R, SmartPLS) und typische Einsatzgebiete. Wer ein Strukturgleichungsmodell verstehen möchte, startet mit der Logik des Pfaddiagramms. Vom ersten Diagramm bis zum fertig gerechneten Modell begleitet dich der Text: In der Masterarbeit ist das Strukturgleichungsmodell oft die Methode der Wahl.

Was ein Strukturgleichungsmodell ist

Ein Strukturgleichungsmodell koppelt Mess- und Strukturmodell in einem gemeinsamen Rahmen. Diese Anleitung mit Beispiel macht deutlich, wie latente Variablen, ihre Indikatoren und die Pfade ineinandergreifen. Geprüft werden dabei ganze Theorien statt einzelner Hypothesen. Wer die Methodik sauber aufsetzt und quantitative Forschung betreibt, erhält so ein Werkzeug für komplexe Modelle.

Variablen und Pfade

Im Strukturgleichungsmodell stehen manifeste Indikatoren neben latenten Variablen. Die Pfade zwischen den latenten Variablen bilden die eigentliche Theorie ab. Sinnvoll ist es, das Modell zunächst als Diagramm zu skizzieren und es erst danach zu schätzen. Reine Korrelations-Auswertungen stoßen bei komplexen Konstrukten rasch an ihre Grenzen.

Software: Mplus, lavaan, AMOS

Rechnen lässt sich ein Strukturgleichungsmodell in Mplus, in R mit lavaan oder in AMOS. Diese Anleitung mit Beispiel führt typischen lavaan-Code vor. Für gängige Standardanalysen bietet sich als Alternative JASP an. Lineare Vorstudien lassen sich gut mit Regressionsanalysen und Inferenzstatistik abdecken.

lavaan-Beispiel: Modell und Daten

Das folgende Minimalbeispiel nutzt den in lavaan enthaltenen Datensatz HolzingerSwineford1939. Es definiert zwei latente Variablen, verbindet sie durch einen gerichteten Pfad und schätzt das Modell anschließend mit sem().

library(lavaan)

data("HolzingerSwineford1939")
beispieldaten <- HolzingerSwineford1939

modell <- '
  visuell =~ x1 + x2 + x3
  sprachlich =~ x4 + x5 + x6
  sprachlich ~ visuell
'

fit <- sem(modell, data = beispieldaten)
summary(fit, fit.measures = TRUE, standardized = TRUE)

Die Ausgabe liefert Parameterschätzungen und Fit-Indizes. Ob der gerichtete Pfad fachlich sinnvoll ist, muss aus der Theorie folgen. Das Rechenergebnis allein belegt keine Kausalität.

Fit-Indizes

Beurteilt wird ein Strukturgleichungsmodell anhand von Fit-Indizes: CFI, TLI, RMSEA und SRMR. Als Daumenregeln gelten: CFI/TLI über 0,95, RMSEA unter 0,06, SRMR unter 0,08. Sinnvoll ist es, sämtliche Indizes zu berichten und sich nicht allein auf den Chi-Quadrat-Test zu stützen. Effektstärken nach Cohens d und Eta gehören in die Diskussion, und auch Mediation und Moderation lassen sich einbinden.

Stichprobe und Bericht

Strukturgleichungsmodelle setzen große Stichproben voraus. Als Faustregel gelten zehn Fälle je Parameter. Schon vor der Erhebung lohnt sich eine Power-Schätzung, etwa ergänzend mit G*Power. In den Bericht gehören Modell, Schätzer, Fit, Pfade und Effekte. Vor der Abgabe empfehlen sich ein Lektorat, eine Plagiatsprüfung und ein KI-Check.