STATISTIK-FORUM.de

[kristinwlt]

Hallo alle,
meine Betreuerin hat mir gesagt, dass ich mein Pfadmodell "einfacher" machen soll, sprich nicht signifikante Pfade rausnehmen etc. Meine erste Frage ist jetzt: macht man das überhaupt bei einer Pfadanalyse? Bei einer konfirmatorischen Faktorenanalyse macht es natürlich Sinn, aber ich habe noch nirgendwo gesehen dass jemand das bei einer simplen Pfadanalyse gemacht hat. Zweite Frage: Meine Modification Indices sagen mir, dass ich gewisse Fehlerterme korrelieren lassen sollte, damit der Fit besser wird. Ich habe bis jetzt immer gedacht, dass man das nur machen kann wenn die Fehlerterme auf die gleiche latente Variable laden, sprich dass diese Regelung gar nicht für Pfadmodelle gilt. Ist das anders? Darf ich das machen?
Vielen Dank für eure Hilfe!

[Holgonaut]

Hi,

mit Deiner Frage bringst du dich natürlich jetzt selbst in eine Konfliktsituation zwischen Pragmatismus (Regeln von Betreuern folgen) und Korrektheit

Wenn man (egal ob in der Faktorenanalyse oder in einem Struktur-/pfadmodell nicht-sign. Pfade eliminiert, pimpt man künstlich post-hoc den Fit des Modells, weil man die Freiheitsgrade erhöht (und man ja schon post-hoc weiß, dass die rausgenommenen Effekte nichts zur Erklärung der Kovarianzen beitrugen).

Wegen der Fehlerterm-Kovarianzen: Hier muss man unterscheiden, welche und warum: Fehlertermkovarianzen sind a-priorio sinnvoll für Beziehungen zwischen Variablen im "hinteren Teil des Modell" (z.B. bei A-->B--> C die Kovarianz zwischen eB und eC), weil dies den EInfluss potentieller confounder adressiert und einen bias (und misfit) vermeidet/verringert. Ebenso wenn man mehrere AVn hat, könnte eine Option sein, deren Fehlerterme korrelieren zu lassen - wenn nicht, machst du implizit die Aussage, dass du glaubst, dass alle gemeinsamen Ursachen der AVn im Modell sind. Gleichermaßen sagst du, dass alle spezifischen Ursachen der AVn (die nicht im Modell sind), unkorreliert sind. Ich finde das unrealistisch, daher nehm ich sie rein.

Fehlertermkovarianzen zwischen Indikatoren in einer konfirmatorischen Faktorenanalyse sind ne heikle Sache, weil die eben die zentrale Restriktion in solchen Modellen ("lokale stochastische Unabhängigkeit": Das heißt, zwei Indikatoren korrelieren dann nicht mehr, wenn man deren gemeinsame Ursache - den Faktor - statistisch kontrolliert). Ein Fehlerkorrelation weicht diese Restriktion auf (d.h. sie korrelieren auch dann noch) - man beraubt sich also der Fähigkeit die Sinnhaftigkeit des Fakors und der postulierten Faktorenstruktur zu testen (und ggfls. zurückzuweisen). Wenn man aber den Indikatoren quasi ansieht, dass sie irgendwas Spezielles gemeinsam haben, was nichts mit dem Faktor zu tun hat), muss die Kovarianz natürlich rein. Allerdings lässt das im Unklar, was dieses "Gemeinsame" ist und ob es nicht vielleicht eine separate latente Variable/Faktor ist.

Noch übler sind post-hoc-Kovarianzen. Diese passieren meist bei misfit und die Modifikationsindizes geben hier einfach an, welches Ventil man öffnen kann, damit der "Druck" (den der misfit metaphorisch ausdrückt) entweichen kann. Das Einfügen der Fehlerkovarianz kann dabei tatsächlich korrekt sein (d.h. das Modell ansich ist korrekt, aber man hat halt dieses "Gemeinsame" übersehen) - es kann aber auch sein, dass die Struktur ansich völlig fehlspezifiziert ist (was sich ebenso- wegen des Scheiterns der lokalen Unabhängigkeits-Annahme in den Fehlertermkovarianzen niederschlägt. Im schlimmsten Fall hat der Faktor überhaupt keine Bedeutung. Ironischerweise kann man solche Probleme meist im Vorfeld schon identifizieren, wenn man sich die items einfach mal genau anschaut. Die üblichen "Skalen" bestehen meist aus sehr hterogenen Items, die eben nicht einem einzigen zugrundeliegenden Faktor folgen. Das sieht man oft mit bloßem Auge.

Grüße
Holger