Einführung in Strukturgleichungsmodelle erklärt

Eine Einführung in Strukturgleichungsmodelle beginnt selten mit einer Formel, sondern mit einer typischen Forschungsfrage: Wirkt Stress auf die Lebensqualität direkt oder vor allem über Schlafqualität und Depressivität? Solche Fragen lassen sich mit mehreren einzelnen Regressionen nur unvollständig beantworten. Strukturgleichungsmodelle, kurz SEM, verbinden Messmodelle und Hypothesentests in einem gemeinsamen Modell. Das spart nicht automatisch Arbeit, schafft aber eine deutlich präzisere Grundlage für komplexe empirische Aussagen.

Für Abschlussarbeiten, Dissertationen und Publikationen sind SEM besonders wertvoll, wenn theoretische Konstrukte nicht unmittelbar beobachtbar sind, mehrere Wirkungswege geprüft werden sollen oder Messfehler eine relevante Rolle spielen. Die Methode verlangt jedoch saubere Theorie, passende Daten und eine nachvollziehbare Berichterstattung. Ein statistisch auffälliger Kennwert allein macht ein Modell nicht überzeugend.

Was Strukturgleichungsmodelle leisten

Ein Strukturgleichungsmodell besteht im Kern aus zwei Ebenen. Das Messmodell beschreibt, wie beobachtete Indikatoren - etwa Antworten auf Fragebogenitems - ein latentes Konstrukt abbilden. Das Strukturmodell beschreibt anschließend die vermuteten Beziehungen zwischen diesen Konstrukten.

Nehmen wir eine medizinische Studie: Die latente Variable „Therapieadhärenz“ wird über mehrere Items erhoben. Gleichzeitig soll untersucht werden, ob Gesundheitskompetenz die Adhärenz verbessert und ob dieser Zusammenhang teilweise durch Selbstwirksamkeit vermittelt wird. SEM kann die Qualität der Messung von Adhärenz und Selbstwirksamkeit prüfen und die direkten sowie indirekten Pfade zwischen den Konstrukten gleichzeitig schätzen.

Genau darin liegt der entscheidende Vorteil gegenüber einer Kette getrennter Analysen. Messunsicherheit wird nicht ignoriert, sondern modelliert. Zudem können mehrere abhängige Variablen, Korrelationen und Mediationspfade in einem konsistenten theoretischen Rahmen geschätzt werden. Das Ergebnis ist kein dekoratives Pfaddiagramm, sondern ein prüfbares Abbild der zugrunde liegenden Annahmen.

Einführung in Strukturgleichungsmodelle: Die Bausteine

Latente und manifeste Variablen

Manifeste Variablen sind direkt beobachtbare Werte, zum Beispiel Alter, Blutdruck oder einzelne Skalenitems. Latente Variablen sind theoretische Konstrukte wie Angst, Kundenzufriedenheit oder soziale Unterstützung. Sie werden nicht direkt gemessen, sondern aus mehreren Indikatoren erschlossen.

Die Pfeile von der latenten Variable zu ihren Indikatoren stehen bei reflektiven Messmodellen für die Annahme, dass das Konstrukt die Itemantworten verursacht. Das ist bei klassischen psychologischen Skalen häufig plausibel. Nicht jedes Konstrukt ist jedoch reflektiv. Bei formativen Konstrukten bilden einzelne Komponenten das Konstrukt erst, etwa ein sozioökonomischer Index aus Einkommen, Bildung und Beruf. Diese Unterscheidung ist theoretisch und methodisch zentral - sie lässt sich nicht nachträglich allein anhand guter Fit-Werte entscheiden.

Konfirmatorische Faktorenanalyse als Messmodell

Die konfirmatorische Faktorenanalyse, kurz CFA, prüft, ob die vorab definierte Faktorenstruktur zu den Daten passt. Anders als bei einer explorativen Faktorenanalyse wird nicht gefragt, welche Struktur zufällig in den Daten auftaucht. Es wird geprüft, ob die theoretisch begründete Zuordnung der Items zu Faktoren haltbar ist.

Dabei spielen Faktorladungen, Messfehler und Korrelationen zwischen Faktoren eine Rolle. Niedrige Ladungen können auf ungeeignete oder missverständliche Items hindeuten. Ein Item nur deshalb zu entfernen, weil dadurch die Modellgüte steigt, ist allerdings riskant. Jede Änderung braucht eine fachliche Begründung und sollte transparent dokumentiert werden.

Strukturmodell, direkte und indirekte Effekte

Nach einem überzeugenden Messmodell folgt das Strukturmodell. Hier werden Hypothesen zu Zusammenhängen zwischen latenten oder manifesten Variablen formuliert. Ein direkter Effekt beschreibt beispielsweise den Zusammenhang zwischen Arbeitsbelastung und Erschöpfung. Ein indirekter Effekt liegt vor, wenn Arbeitsbelastung zunächst den Schlaf beeinträchtigt und Schlafmangel wiederum Erschöpfung erhöht.

Für Mediationsanalysen ist das besonders hilfreich. Indirekte Effekte sind häufig nicht normalverteilt. Deshalb werden Konfidenzintervalle in der Praxis oft per Bootstrapping bestimmt. Entscheidend bleibt: Auch ein signifikanter indirekter Effekt beweist keine Kausalität. Ohne geeignetes Design, zeitliche Reihenfolge und plausible Kontrolle relevanter Störvariablen bleibt die Interpretation vorsichtig.

Von der Hypothese zum schätzbaren Modell

Ein gutes SEM entsteht vor der Software. Formulieren Sie zunächst, welche Konstrukte existieren, wie sie gemessen werden und welche Pfade die Theorie verlangt. Ein Pfaddiagramm zwingt zu Klarheit: Welche Variable ist Prädiktor, welche Mediator, welche Zielvariable? Welche Zusammenhänge sind bewusst ausgeschlossen?

Danach folgt die Datenprüfung. Fehlende Werte, Ausreißer, unplausible Kodierungen, Verteilungen und die Qualität einzelner Items müssen vor der Modellschätzung geprüft werden. Besonders bei Fragebogendaten beeinflussen umgepolte Items, Decken- oder Bodeneffekte und geringe Varianz die Ergebnisse erheblich.

Auch die Stichprobengröße sollte nicht über eine pauschale Regel wie „zehn Fälle pro Parameter“ entschieden werden. Benötigt werden genügend Informationen für die Komplexität des Modells, die erwarteten Effektstärken, die Anzahl der Indikatoren, die Verteilung der Daten und das gewünschte Präzisionsniveau. Ein kleines, sehr komplexes Modell kann instabil sein, selbst wenn eine grobe Faustregel scheinbar erfüllt ist. Für anspruchsvolle Arbeiten ist eine a-priori-Power- oder Simulationsbetrachtung die bessere Grundlage.

Welcher SEM-Ansatz passt zur Forschungsfrage?

Bei kovarianzbasierten Strukturgleichungsmodellen, häufig mit Programmen wie R und lavaan, Mplus, AMOS oder Stata umgesetzt, steht die Prüfung eines theoretisch spezifizierten Modells im Vordergrund. Dieser Ansatz eignet sich besonders, wenn eine etablierte Skala validiert, ein theoretisches Wirkungsmodell geprüft oder die Passung eines Gesamtmodells bewertet werden soll.

Partial Least Squares SEM, kurz PLS-SEM, wird häufiger eingesetzt, wenn die Prognose im Fokus steht, Modelle sehr komplex sind oder formative Konstrukte modelliert werden. PLS-SEM ist nicht schlicht die Lösung für jede kleine Stichprobe oder nicht normalverteilte Daten. Die Wahl muss aus Forschungsziel, Messmodell und theoretischem Anspruch folgen. Wer eine konfirmatorische Theorieprüfung plant, sollte nicht allein wegen vermeintlich leichterer Anforderungen den Ansatz wechseln.

Modellgüte richtig beurteilen

Bei kovarianzbasierten SEM wird oft berichtet, wie gut das Gesamtmodell die beobachtete Kovarianzstruktur reproduziert. Häufig genannte Kennwerte sind Chi-Quadrat, CFI, TLI, RMSEA und SRMR. Orientierungswerte wie CFI und TLI nahe oder über .95 sowie RMSEA und SRMR unter .06 beziehungsweise .08 können hilfreich sein. Sie sind jedoch keine universellen Bestehensgrenzen.

Die Kennwerte reagieren auf Stichprobengröße, Modellkomplexität, Verteilungen und den Grad realistischer Vereinfachung. Ein Modell mit akzeptablem Fit kann theoretisch unsinnig sein. Umgekehrt kann ein theoretisch gutes Modell bei großen Stichproben wegen kleiner Abweichungen kritische Kennwerte zeigen. Deshalb gehört zur Bewertung immer das Zusammenspiel aus Theorie, Parameterschätzungen, Konfidenzintervallen, Residuen und Modellvergleich.

Modifikationsindizes können auf missspezifizierte Stellen hinweisen, etwa korrelierte Fehler zweier sehr ähnlich formulierter Items. Sie sind ein Diagnoseinstrument, keine Einladung zum datengetriebenen Nachbessern. Wird das Modell wiederholt so verändert, bis die Kennwerte günstig aussehen, steigt das Risiko einer Lösung, die nur in genau dieser Stichprobe funktioniert.

Ergebnisse wissenschaftlich berichten

Ein belastbarer Ergebnisteil zeigt nicht nur ein Pfaddiagramm. Er beschreibt die Stichprobe, die Datenaufbereitung, den Schätzer, den Umgang mit fehlenden Werten und die Begründung des Messmodells. Berichtet werden die zentralen Fit-Indizes, standardisierte und unstandardisierte Pfadkoeffizienten, Standardfehler, Konfidenzintervalle sowie die erklärte Varianz der Zielvariablen.

Bei Mediationen sollten direkte, indirekte und Gesamteffekte getrennt ausgewiesen werden. Bei Gruppenvergleichen ist Messinvarianz zu prüfen, bevor Mittelwerte oder Pfade zwischen beispielsweise Geschlechtern, Studienzentren oder Ländergruppen verglichen werden. Ohne zumindest vergleichbare Messstruktur können Gruppenunterschiede irreführend sein.

Für die praktische Umsetzung eignen sich insbesondere R mit lavaan, Mplus, AMOS, Stata oder je nach Forschungsdesign auch andere spezialisierte Umgebungen. Die Software ist dabei nicht der methodische Plan. Ein korrekt geklicktes oder programmiertes Modell kann eine unklare Hypothese nicht retten.

Wenn Ihr Modell mehrere latente Konstrukte, Mediationen oder Gruppenvergleiche umfasst, lohnt sich eine frühe methodische Einschätzung. Easy Statistik unterstützt Forschungsprojekte individuell - von der Modellplanung über die Auswertung bis zur verständlichen Ergebnisdarstellung. Nutzen Sie das Kontaktformular für eine diskrete Ersteinschätzung. So bleibt Ihre Analyse nicht bei einem ansprechenden Diagramm stehen, sondern wird zu einer fachlich tragfähigen Argumentation.