STATISTIK-FORUM.de

[ma-rie]

Hallo zusammen,
ich habe ein spezifisches Problem, dass mich die letzten Tage schon an den Rande der Verzweiflung treibt.

Ich möchte das Fornell/Larcker Kriterium als erfüllt aufzeigen.

- In smartPLS ist dies nach Itemreduktionen gelungen

Möchte aber meine Daten eigentlich mit AMOS auswerten.
Meine Untersuchung: n=435, 9 latente exogene Variablen und 3 latente endogene Variablen 1. Ordnung, ein endogenes MIMIC-Modell 2. Ordnung, mit Methodenfaktor, also ein recht komplexes Modell... Mit dieser Komplexität hat mein Problem aber nichts zu tun.

Möchte eine KFA für mein zentrales Messmodell mit 4 latenten exogenen Variablen machen.
Hierzu muss die Korrelation zwischen den Konstrukten ermittelt werden.
Mein Vorgehen:
- Modell mit 4 Konstrukten, jeweils über 4-5 Indikationen erfasst
- Doppelter Pfeil zwischen allen latenten Konstruktionen (alle auf alle)

Bei dem „alle auf alle“ scheint es zu Übertragungseffekten zu kommen, da die Korrelation wesentlich höher ist, wie wenn nur ein Pfeil pro Konstrukt angelegt ist.

- Es kommt bei alle auf alle zu Korrelation von bis zu .96, was natürlich katastrophal ist
- In smartPLS und in SPSS (Faktoren über Hauptkomponentenanalyse generiert) sind die Korrelation nur bis ca .70

Habe in AMOS schon einiges versucht, verschiedene Restriktionen, verschiedene Schätzverfahren, bei dem „alles auf alles“ Verfahren bleiben die Korrelation derart hoch.
Ziehe ich keine „alles auf alles“ Pfeile, gibt mir AMOS, soweit ich das erkennen kann, keine Korrelationen an.

Wo ist das Problem und wie gehe ich am besten damit um?

Vielen Dank und Grüße
ma-rie

[Holgonaut]

Hallo Marie

Ich möchte das Fornell/Larcker Kriterium als erfüllt aufzeigen.

Warum? Um einem Standard zufolgen? Oder aus inhaltlichen Gründen? F/L ist für die Sinnhaftigkeit der Ergebnisse eines Modells m.E. irrelevant und ein Quali-Kriterium für die items. Aber
dies berührt wie gesagt deren Nutzung im Modell nicht. Hauptsache sie laden auf den Faktoren auf denen sie laden sollen.

In smartPLS ist dies nach Itemreduktionen gelungen

PLS modelliert keine latente Variablen, sondern Summenindizes. Daher ist das nicht vergleichbar mit SEM.

Meine Untersuchung: n=435, 9 latente exogene Variablen und 3 latente endogene Variablen 1. Ordnung, ein endogenes MIMIC-Modell 2. Ordnung, mit Methodenfaktor, also ein recht komplexes Modell... Mit dieser Komplexität hat mein Problem aber nichts zu tun.

Auch wenn das nichts mit Deinem Problem zu tun hat. Solche Methodenfaktoren wie sie Podsakoff et al. vorschlagen, sind nicht so richtig sinnvoll (siehe Richardson et al., 2009). Ausgenommen du hast verschiedene Messquellen.

Zum Rest: Wie fittet denn das CFA (nicht KFA) - Modell? Nur wenn es korrekt spezifiziert ist, sind die Parameterschätzungen sinnvoll zu interpretieren. Und mit "fit" ist ein n.s. chi-Quadrat-Wert gemeint

Sind es wirklich Korrelationen, die .96 sind? Oder nicht eher die unstandardisierten Koeffizienten - also Kovarianzen?

Und wenn in einer PCA /PLS was anderes rauskommt: Wie o.g. Beide Verfahren modellieren Summenindizes (d.h. der "Faktor" ist die gewichtete Summe der items).

Bei dem „alle auf alle“ scheint es zu Übertragungseffekten zu kommen, da die Korrelation wesentlich höher ist, wie wenn nur ein Pfeil pro Konstrukt angelegt ist.

Was sind "Übertragungseffekte"? Und wenn die latenten Variablen korrelieren und du manche Korrelationen nicht schätzen lässt, ist das Modell fehlspezifiziert und nciht interpretierbar (s.o.)

Grüße
Holger

Richardson, H. A., Simmering, M. J., & Sturman, M. C. (2009). A tale of three perspectives: Examining post hoc statistical techniques for detection and correction of common method variance. Organizational Research Methods, 12(4), 762-800.

[ma-rie]

Hallo Holgonaut,

Ich möchte das Fornell/Larcker Kriterium als erfüllt aufzeigen.

Warum? Um einem Standard zufolgen? Oder aus inhaltlichen Gründen? F/L ist für die Sinnhaftigkeit der Ergebnisse eines Modells m.E. irrelevant und ein Quali-Kriterium für die items. Aber
dies berührt wie gesagt deren Nutzung im Modell nicht. Hauptsache sie laden auf den Faktoren auf denen sie laden sollen.

Da das Entwickeln des Instruments ein zentraler Teil meiner Arbeit ist, ist der Nachweis von Diskriminanzvalidität von besonderer Bedeutung.

In smartPLS ist dies nach Itemreduktionen gelungen

PLS modelliert keine latente Variablen, sondern Summenindizes. Daher ist das nicht vergleichbar mit SEM.

In smartPLS, kann zwischen reflektiven und formativen Konstrukten zur Bildung des Indizes unterschieden werden. Weißt du worin sich dann die Verfahren unterschieden. Vielleicht Hauptkomponeten- vs. Hauptachsenanalyse?

Auch wenn das nichts mit Deinem Problem zu tun hat. Solche Methodenfaktoren wie sie Podsakoff et al. vorschlagen, sind nicht so richtig sinnvoll (siehe Richardson et al., 2009). Ausgenommen du hast verschiedene Messquellen.

Vielen Dank für den Hinweis und die Quelle.

Zum Rest: Wie fittet denn das CFA (nicht KFA) - Modell? Nur wenn es korrekt spezifiziert ist, sind die Parameterschätzungen sinnvoll zu interpretieren. Und mit "fit" ist ein n.s. chi-Quadrat-Wert gemeint

Chi-square ist sign; CMIN/DF 2,269; GFI .932; AGFI .904; CFI .959; RMSEA .054. Das sollte doch eigentlich gut genug sein, oder?

Sind es wirklich Korrelationen, die .96 sind? Oder nicht eher die unstandardisierten Koeffizienten - also Kovarianzen?

Und wenn in einer PCA /PLS was anderes rauskommt: Wie o.g. Beide Verfahren modellieren Summenindizes (d.h. der "Faktor" ist die gewichtete Summe der items).

Ja, es sind sicher Korrelationen. Mich erstaunt eben, dass der Unterschied so groß ist. Da muss es doch ein spezifisches Problem geben.

Bei dem „alle auf alle“ scheint es zu Übertragungseffekten zu kommen, da die Korrelation wesentlich höher ist, wie wenn nur ein Pfeil pro Konstrukt angelegt ist.

Was sind "Übertragungseffekte"? Und wenn die latenten Variablen korrelieren und du manche Korrelationen nicht schätzen lässt, ist das Modell fehlspezifiziert und nciht interpretierbar (s.o.)

Ich meine mit Übertragungseffekt, dass es eben nicht nur die "reine" Korrelation von zwei Variablen berechnet wird, sondern die Korrelation von zwei Variablen unter dem Einfluss der weiteren Variablen. Wenn beispielsweise, eine Kovarianz auf 0 restringiert wird, zeigt sich wieder ein ganz anderes Bild. Gibt es sonst noch eine Möglichkeit die Korrelationen in Amos zu erschließen?
Müssen auch im letztendlichen Modell immer alle exogenen Variablen miteinander kovariiert werden? Denn, wenn ich das mache, verschwinden meine Effekte, bei gutem fit, total.

Vielen lieben Dank für deine Hilfe
Grüße
ma-rie

[Holgonaut]

Hi Marie,

Da das Entwickeln des Instruments ein zentraler Teil meiner Arbeit ist, ist der Nachweis von Diskriminanzvalidität von besonderer Bedeutung.

Ohne diese Diskussion vertiefen zu wollen. Diskriminante Validität bedeutet, dass die Restriktion, dass ein items NICHT auf einem anderen Faktor lädt,
fittet. M.E. fußen diese F/L-Kriterien auf einer zweifelhaften und nicht-realitätsbezogenen Konzeption von latenten Variablen. Aber es scheint in deinem
Feld ein Standard zu sein. Nun denn.

In smartPLS, kann zwischen reflektiven und formativen Konstrukten zur Bildung des Indizes unterschieden werden.

Auch "reflektive" Konstrukte sind in PLS nicht dasselbe wie in SEM. Näheres siehe
Scholderer, J., & Balderjahn, I. (2006). Was unterscheidet harte und weiche Strukturgleichungsmodelle nun wirklich? Marketing, 28(1), 57-70.

Chi-square ist sign; CMIN/DF 2,269; GFI .932; AGFI .904; CFI .959; RMSEA .054. Das sollte doch eigentlich gut genug sein, oder?

a) Der chi-quadrat-Wert sagt dir, dass irgendwas mit dem Modell nicht stimmt - d.h. dass es Diskrepanzen zwischen dem Modell und den Daten gibt, die systematisch und nicht
durch Stichprobenfehler erklärbar sind. Dem solltest du auf den Grund gehen - durch paralleles Anschauen
a1: Kovarianzmatrix und Korrelationsmatrix. Items, die einen Faktor messen sollten ein eingängiges cluster-Verhalten (=Korrelationen) haben. Genauso sollten die items
mit anderen items ähnlich korrelieren
a2: Item-Wortlaute: Messen die items wirklich das EXAKT gleiche Konzept, oder ist es nur dasselbe Thema/die domain etc.
a3: Die standardisierten Residuen (Stand. Differenz zwischen modellimpliziten Korrelationen und empirischen).

Vielleicht gibt es einen Hinweis
b) das CMIN/DF-ratio ist wissenschaftlicher Unfug. Es macht schlicht keinen Sinn, den Chi-Quadrat-Wert durch die Freiheitsgrade zu teilen

c) Die Fitindizes GFI und AGFI nimmt man nicht mehr
d) CFI/RMSEA bewegen sich im gemäß der Standards akzeptablen Bereich. Aber: siehe Punkt "a". Fitindizes bekommen oft einen misfit nicht mit.

Ich meine mit Übertragungseffekt, dass es eben nicht nur die "reine" Korrelation von zwei Variablen berechnet wird, sondern die Korrelation von zwei Variablen unter dem Einfluss der weiteren Variablen

Immer noch unklar. Wenn du Doppelpfeile zwischen den latenten Variablen einfügst, sind das ganz normale unkonditionale Kovarianzen. Diese standardisiert sind dann eben zero-order Korrelationen. Wenn die so hoch sind, könnte es sein, dass es gar nicht so viele latente Variablen sind, wie du annimmst. Schau dir aber mal die Varianzen aller Variablen an (latente Varianzen und Fehlervarianzen der Items). Sind die alle >0?
Vielleicht liegt ein ID-Problem vor. Füg doch mal ein Pfaddiagramm an sowie eine Liste mit den item-Formulierungen.

Du kannst mir auch gern mal eine Kovarianzmatrix der Indikatoren schicken, dann probier ich selbst mal.

Müssen auch im letztendlichen Modell immer alle exogenen Variablen miteinander kovariiert werden? Denn, wenn ich das mache, verschwinden meine Effekte, bei gutem fit, total.

Was ist das "letztendliche Modell"? Gewöhnlich korrelieren exogene Variablen als Grundeinstellung. Guter Fit und Effekte sind nicht dasselbe. Wenn Deine Variablen keine Effekte haben, ist das kein Widerspruch zu einem fittenden Modell.

Gruß
Holger