Aufbau des Buches
Strukturgleichungsmodelle (SGM) basieren immer auf einem a-priori theoretisch und/oder sachlogisch abgeleiteten Hypothesensystem. Dieses wird durch ein SGM „lediglich“ in eine formale Struktur gebracht und dann mit Hilfe statistischer Methoden einer empirischen Prüfung unterzogen. Die Wahrscheinlichkeit, mit einem SGM ein gegebenes Hypothesensystem auch empirisch „bestätigen“ zu können bzw. nicht zu widerlegen, wird deshalb in erheblichem Ausmaß durch die Sorgfalt und die Fundierung bestimmt, mit der ein Hypothesensystem aus theoretischer und/oder sachlogischer Sicht begründet wurde. Daher sind auch für die Beurteilung der Ergebnisse der Strukturgleichungsanalyse (SGA) nicht allein statistische Kriterien entscheidend, sondern Theorie und Sachlogik sind von herausragender Bedeutung.
 
Der gesamte Prozess von der Formulierung eines Hypothesensystems (Strukturmodell) bis hin zur Beurteilung der empirisch mittels den Methoden der SGA gewonnenen Ergebnisse sowie die dabei bestehenden Wechselwirkungen zwischen theoretischen Überlegungen und statistischen Methoden wird in diesem Buch als Strukturgleichungsmodellierung bezeichnet.

 

Das Buch ist in drei Teile mit folgenden Inhalten untergliedert:

  • Teil I: Grundlagen
  • Teil II: Kausalanalyse (kovarianzanalytischer Ansatz)
  • Teil III: Verfahrensvarianten und Erweiterungen


Teil I: Grundlagen
Aufgrund der herausragenden Bedeutung von Theorie und Sachlogik werden in Teil I des Buches zunächst die Charakteristika wissenschaftlicher Hypothesen vorgestellt und die allgemeine Vorgehensweise zu deren empirischer Prüfung erläutert. Da in diesem Buch ausschließlich Kausalhypothesen betrachtet werden, wird weiterhin der Begriff der Kausalität diskutiert sowie die Möglichkeiten zur Messung von Kausalität aufgezeigt. Da weiterhin im Rahmen von SGM unterschiedliche Methoden zur Anwendung kommen können, werden auch diese zunächst in ihren Grundzügen aufgezeigt und gegeneinander abgegrenzt.
Im Einzelnen werden dabei die Pfadanalyse (SGM mit manifesten Variablen) und die Kausalanalyse (SGM mit latenten Variablen) in Form des kovarianzanalytischen Ansatzes (sog. LISREL-Ansatz) sowie des varianzanalytischen Ansatzes (sog. PLS-Ansatz) behandelt. Weiterhin liefert dieser Teil auch einen ausführlichen Vergleich der beiden kausalanalytischen Ansätze (LISREL versus PLS).

Teil II: Kausalanalyse
Zur Analyse von SGM mit latenten Variablen (sog. Kausalanalyse) wird in Teil II des Buches ein allgemeiner Modellbildungs- und Prüfungsprozess entworfen, der auf die Entscheidungsprobleme eines Anwenders konzentriert ist, der mit Hilfe eines SGM ein Hypothesensystem prüfen möchte. Entsprechend wird den aus theoretischer bzw. sachlogischer Sicht zu treffenden Entscheidungen, wie z. B. der Modellbildung und der Konstrukt-Operationalisierung, ein ebenso hoher Stellenwert beigemessen wie methodischen Aspekten.
Methodisch werden hier die konfirmatorische Faktorenanalyse zur Prüfung reflektiver Messmodelle von latenten Variablen (hypothetischen Konstrukten) und die Prüfung von Hypothesensystemen mit Hilfe des kovarianzanalytischen Ansatzes unter Verwendung des Softwareprogamms AMOS an Hand eines umfassenden Fallbeispiels erläutert.

Teil III: Verfahrensvarianten und Erweiterungen
Während in Teil II nur reflektive Messmodelle untersucht werden, werden in Teil III zunächst die Besonderheiten formativer Messmodelle aufgezeigt und deren Behandlung mit AMOS anhand der sog. MIMIC-Modelle erläutert. Weiterhin wird eine Second-Order-Faktorenanalyse (SFA) mit AMOS durchgeführt.
Mit der Mehrgruppen-Kausalanalyse (MGKA) werden die Betrachtungen auf die vergleichende Analyse von Kausalmodellen in mehreren Gruppen (Stichproben) ausgeweitet.
Zur Verdeutlichung der Unterschiede zwischen dem LISREL-Ansatz und dem PLS-Ansatz der Kausalanalyse wird weiterhin das Fallbeispiel aus Teil II auch mit Hilfe des Programmpakets SmartPLS analysiert und die Ergebnisse beider Schätzverfahren verglichen.
Mit dem Ansatz der universellen Strukturgleichungsmodelle (USM) wird unter Verwendung des Programms NEUSREL gezeigt, wie auch nicht lineare Beziehungen in einem Strukturmodell durch eine Kombination des PLS-Ansatzes mit neuronalen Netzen geschätzt werden können.