SGM Glossar
A B C D E F G H I J K L M N O P Q R S T U V W >>zurück

Einordung

Definitionen sind bekanntlich weder richtig noch falsch, sondern bestenfalls zweckmäßige Konventionen. Im vorliegenden Glossar sind deshalb in knapper Form die zentralen Begriffsinhalte grundlegender Fachbegriffe festgeschrieben, die dem Verständnis der Professur für Marketing und Innovation an der Universität Trier entsprechen. Ziel ist dabei, den Lesern einerseits eine Orientierungshilfe zu geben und gleichzeitig kritische Reflexionen zu evtl. abweichenden Begriffsverständnissen anzuregen.
Für Hinweise auf etwaige Fehler oder noch nicht im Glossar enthaltene grundlegende Begriffe sind Ihnen die Autoren jederzeit dankbar.

Übersicht

Absolute Fitmaße
Blindfolding-Prozedur
Bootstrapping-Methode
Deskriptive Gütekriterien
Deskriptive und inkrementelle Fitmaße zum Modellvergleich
Diskriminanzvalidität
Empirische Bestätigung und Schlussfolgerung auf Validität
Evaluation von Teilstrukturen
Formative Messmodelle
Fundamentaltheorem der Faktorenanalyse
Fundamentaltheorem der Pfadanalyse
Goodness-of-Fit-Maße
Grundidee des Modellvergleichs mit Hilfe der MGKA
Güteprüfung reflektiver Messmodelle
Heywood Cases
Identitätsrestriktionen
Inhaltsvalidität (content validity)
Invarianz der Konstrukt-Konstanten (skalare Invarianz der Konstrukte)
Kausalhypothesen
Kausalität von Variablenbeziehungen
Kernfrage zur Identifikation reflektiver bzw. formativer Messvariable
Konfigurale Invarianz (schwacher Grad faktorieller Invarianz)
Konstruktvalidität (construct validity)
Konstrukte höherer Ordnung
Konvergenzvalidität
Konzept multipler Items
Konzeptualisierung hypothetischer Konstrukte
Korrelation und Kausalität
Korrelation und Kovarianz bei standardisierten Variablen
Kovarianzanalytischer Ansatz der Strukturgleichungsanalyse
Kriteriumsvalidität (criterion validity)
Latente Variable im Rahmen der Strukturgleichungsanalyse
Lösbarkeit eines SGM (notwendige Bedingung)
Manifeste versus latente Variable
Messfehler-Invarianz (strikte faktorielle Invarianz)
Metrische Invarianz (mittlerer Grad faktorieller Invarianz)
Messmodelle für latente Variable
Modellsparsamkeit (parsimony)
Modification-Index (M.I.)
Modifikation der Modellstruktur
Multi-Group-Analysis (MGA)
Multiple Indicators, Multiple Causes (MIMIC-) Modelle
Nomologische Validität
Operationalisierung
Partielle Messinvarianz
Ratingskalen
Reflektive Messmodelle
Reliabilität
Second-Order-Faktorenanalyse (SFA)
Scheinkorrelation und Drittvariableneffekt
Skalare Invarianz der Indikatoren (starke Form faktorieller Invarianz)
Skalierung
Spezifikation der Messmodelle
Strukturgleichungsanalyse (SGA)
Strukturgleichungsmodelle (SGM)

Strukturgleichungsmodellierung
Universelle Strukturgleichungsmodelle (USM)
Validität
Variablenbezeichnungen in einem Strukturgleichungsmodell
Varianzanalytischer Ansatz der Strukturgleichungsanalyse
Vergleich zwischen Default Model und Independence Model
Vollständige Messäquivalenz (Messinvarianz)
Wissenschaftliche Hypothesen

Glossar

Absolute Fitmaße
Absolute Fitmaße setzen den Chi-Quadrat-Wert oder den Differenzwert aus empirischer und modelltheoretischer Varianz-Kovarianzmatrix in Relation zur Komplexität eines Modells, die durch die Zahl der Freiheitsgrade, die Anzahl der Modellparameter, die Zahl an manifesten Variablen und/ oder die Stichprobengröße ausgedrückt wird. 

Blindfolding-Prozedur
Im Rahmen der Blindfolding-Prozedur wird während der Parameterschätzung systematisch ein Teil der Urdatenmatrix als fehlend angenommen und anschließend mit den berechneten Parameterwerten die als fehlend angenommenen Rohdaten wieder prognostiziert.

Bootstrapping-Methode
Beim Bootstrapping werden aus einem empirischen Datensatz wiederholt Stichproben (b=1, 2,…, B) einer festgelegten Größe (n*) mit Zurücklegen gezogen und mit deren Hilfe Teststatistiken berechnet.

Deskriptive Gütekriterien
Deskriptive Gütekriterien beantworten die Frage, ob eine bestehende Differenz zwischen der empirischen und der modelltheoretischen Varianz-Kovarianzmatrix vernachlässigt werden kann. Aufgrund von Simulations- und Vergleichsstudien werden Cutoff-Werte (Faustregeln) angegeben, deren Über- bzw. Unterschreiten auf einen „guten“ Modell-Fit hinweist. Da diese Maße keine statistischen Tests darstellen, sind sie unabhängig vom Stichprobenumfang und relativ robust gegenüber Verletzungen der Multinormalverteilungsannahme.

Deskriptive und inkrementelle Fitmaße zum Modellvergleich
Der Modell-Fit von unterschiedlichen Modellvarianten im Rahmen der Multi-Group-Analysis kann dann als gleich bezeichnet werden, wenn die Differenzen der betrachteten deskriptiven oder inkrementellen Fitmaße zwischen den Modellvarianten nicht zu groß sind (z. B. höchstens 0,01 betragen).

Diskriminanzvalidität
Diskriminanzvalidität als Teilaspekt der Konstruktvalidität liegt vor, wenn sich die Messungen verschiedener Konstrukte unterscheiden.

Empirische Bestätigung und Schlussfolgerung auf Validität
Die Validität hypothetischer Konstrukte kann nicht bewiesen, sondern nur anhand der Gütekriterien geschlussfolgert werden. Dieser „Schluss“ wird bei praktischen Anwendungen dann als gerechtfertigt angesehen, wenn neben der Reliabilität der Messungen auch der Nachweis von Inhalts- und Konstruktvalidität erbracht ist. Während die sorgfältige Konzeptualisierung der Konstrukte den Schluss auf Inhaltsvalidität erlaubt, wird Konstruktvalidität vor allem im Sinne von Diskriminanzvalidität interpretiert und mit Hilfe der Konfirmatorischen Faktorenanalyse geprüft.

Evaluation von Teilstrukturen
Die Evaluation von Teilstrukturen betrifft die Reliabilitäts- und Validitätsprüfung der Messmodelle. Bei „schlecht“ erhobenen Messvariablen werden auch die Konstrukte nur ungenau bzw. nicht reliabel gemessen, was sich wiederum auf die Schätzung der Modellparameter im Strukturmodell und somit den Gesamtfit eines Modells auswirkt.

Formative Messmodelle
Bei formativen Messmodellen wird ein hypothetisches Konstrukt als Folge der auf der Beobachtungsebene wirksamen Messindikatoren verstanden. Hypothetische Konstrukte stellen damit eine Linearkombination der Messvariablen dar, was dem regressionsanalytischen Denkansatz entspricht.

Fundamentaltheorem der Faktorenanalyse
Der Wert einer Ausgangsvariablen lässt sich als Linearkombination hypothetischer Faktoren beschreiben, und die Korrelationsmatrix (R) kann insgesamt durch die Faktorladungen (A) und die Korrelationen zwischen den Faktoren reproduziert werden.

Fundamentaltheorem der Pfadanalyse
Die Korrelationen zwischen einer Kriteriumsvariablen (abhängigen Variablen) und einer Prädiktorvariablen (unabhängigen Variablen) kann additiv in einen direkten kausalen Effekt, einen indirekten kausalen Effekt und einen korrelativen Effekt zerlegt werden. Die indirekten kausalen Effekte lassen sich durch Multiplikation der entsprechenden Pfadkoeffizienten berechnen.

Goodness-of-Fit-Maße
Goodness-of-Fit-Maße setzen den für ein Modell ermittelten Minimalwert der Diskrepanzfunktion in Relation zu dem Minimalwert der Diskrepanzfunktion, der sich ergibt, wenn die modelltheoretische Kovarianzmatrix auf Null gesetzt wird.

Grundidee des Modellvergleichs mit Hilfe der MGKA
Über alle betrachteten Gruppen werden zwei Modellvarianten geschätzt: Zunächst wird das sog. „unrestringierte Modell“ (AMOS: Unconstrained Model) für alle Gruppen geschätzt. In diesem Modell werden alle freien Modellparameter entsprechend dem formulierten Kausalmodell unabhängig für die Gruppen getrennt geschätzt. Anschließend wird das „vollständig restringierte Modell“ (AMOS: Measurement Resi-duals Model) geschätzt, bei dem alle Modellparameter zwischen den Gruppen gleich gesetzt (restringiert) sind. Erbringen beide Modellvarianten den gleichen Gesamtfit, so liegen keinerlei gruppenspezifische Unterschiede vor

Güteprüfung reflektiver Messmodelle
Reflektive Messmodelle sollten zunächst mit Hilfe der Gütekriterien der ersten Generation im Rahmen eines Pretests auf Verlässlichkeit geprüft und ggf. bereinigt werden. Mit Hilfe der konfirmatorischen Faktorenanalyse sollten dann unter Verwendung der Gütekriterien der zweiten Generation die endgültigen Messmodelle auch auf Basis der Daten der Hauptuntersuchung festgelegt werden.

Heywood Cases
Heywood Cases stellen unplausible Parameterschätzungen etwa in Form negativer Varianzen oder Kommunalitäten größer als 1 dar. Sie sind häufig das Ergebnis der Nichterfüllung von Voraussetzungen der gewählten Schätzmethodik, kleiner Stichproben oder „schlechter“ Startwerte bei der Schätzung.

Identitätsrestriktionen
Die Gleichsetzung von Modellparametern zwischen Gruppen wird als Identitätsrestriktion bezeichnet. Dabei werden die korrespondierenden Modellparameter der betrachteten Gruppen derart restringiert, dass für sie in jeder Gruppe derselbe Schätzwert ermittelt wird. Prinzipiell können Identitätsrestriktionen für jeden zu schätzenden Modellparameter festgelegt werden.

Inhaltsvalidität (content validity)

Inhaltsvalidität liegt vor, wenn die erhobenen Indikatoren eines Konstruktes den inhaltlich-semantischen Bereich des Konstruktes repräsentieren und die gemessenen Items alle definierten Bedeutungsinhalte eines Konstruktes abbilden.

Invarianz der Konstrukt-Konstanten (skalare Invarianz der Konstrukte)
Invarianz der Konstrukt-Konstanten liegt vor, wenn metrische und skalare Invarianz gegeben sind und auch die Konstanten der latenten Konstrukte im Strukturmodell (Structural Intercepts) sowie die Pfadbeziehungen (Structural Weights) übereinstimmen.

Kausalhypothesen
Kausalhypothesen formulieren Abhängigkeiten zwischen Variablen und deuten diese als Ursache-Wirkungszusammenhang. Der Schluss von einer statistisch nachgewiesenen Abhängigkeit auf eine kausale Ursache ist aber nur aufgrund sorgfältiger theoretischer und/oder eingehend sachlogischer Fundierungen zulässig.

Kausalität von Variablenbeziehungen
Eine Variable X ist dann eine kausale Ursache der Variablen Y, wenn eine Veränderung von Y durch eine Veränderung von X hervorgerufen wird und alle anderen Variablen, die nicht kausal von Y abhängen, konstant gehalten werden.

Kernfrage zur Identifikation reflektiver bzw. formativer Messvariable
„Bewirkt die Veränderung in der Ausprägung einer Messvariablen eine Veränderung in der Ausprägung der latenten Variablen (= formativ) oder bewirkt die Veränderung in der Ausprägung der latenten Variablen eine Veränderung in der Ausprägung der Messvariablen (= reflektiv)?“

Konfigurale Invarianz (schwacher Grad faktorieller Invarianz)
Konfigurale Invarianz liegt vor, wenn die Struktur (S) der Faktorladungsmatrizen (Measurement Weights) in allen g Gruppen identisch ist. Konfigurale Invarianz ist die notwendige Bedingung für Gruppenvergleiche, ansonsten dürfen keine Vergleiche durchgeführt werden.

Konstruktvalidität (construct validity)
Konstruktvalidität liegt vor, wenn die Messung eines Konstruktes nicht durch andere Konstrukte oder systematische Fehler verfälscht ist. Sie ist gegeben, wenn konvergente, diskriminante und nomologische Validität bestätigt werden können.

Konstrukte höherer Ordnung
Konstrukte höherer Ordnung liegen dann vor, wenn hypothetische Konstrukte nicht direkt über reflektive oder formative Messmodelle mit manifesten Variablen gemessen werden, sondern die Dimensionen oder Folgewirkungen der Konstrukte auf ein oder mehreren vor- bzw. nachgelagerten Ebenen ebenfalls latente Variable darstellen. Auf der jeweils letzten Ebene müssen die Konstrukte erster Ordnung über geeignete Messmodelle operationalisiert sein.

Konvergenzvalidität
Konvergenzvalidität als Teilaspekt der Konstruktvalidität liegt vor, wenn die Messungen eines Konstruktes mit zwei maximal unterschiedlichen Methoden übereinstimmen.

Konzept multipler Items
Das Konzept multipler Items misst ein hypothetisches Konstrukt durch die Abfrage mehrerer reflektiver Indikatoren bei einer Person, um auf diese Weise mögliche Verzerrungen einzelner Indikatorvariablen bei der Abbildung eines Konstruktes auszugleichen.

Konzeptualisierung hypothetischer Konstrukte
Die Konzeptualisierung eines hypothetischen Konstruktes (latente Variable) beinhaltet die möglichst konkrete Beschreibung eines Konstruktes und seiner Eigenschaften und mündet in der abschließenden Konstruktdefinition.

Korrelation und Kausalität
Der Nachweis einer statistischen Korrelation zwischen zwei Variablen ist kein Beweis für Kausalität! Korrelationen dürfen ohne weitere Informationen, insbesondere ohne Prüfung durch Sachlogik, nicht kausal interpretiert werden.

Korrelation und Kovarianz bei standardisierten Variablen
Bei standardisierten Variablen entspricht die Varianz-Kovarianz-Matrix (S) der Korrelationsmatrix (R). Standardisierte Variable sind so normiert, dass ihr Mittelwert immer Null und ihre Varianz immer 1 beträgt.

Kovarianzanalytischer Ansatz der Strukturgleichungsanalyse
Auf dem Fundamentaltheorem der Faktorenanalyse basierender ganzheitlicher Ansatz, bei dem alle Parameter eines Strukturgleichungsmodells auf Basis der Informationen aus der empirischen Varianz-Kovarianzmatrix bzw. Korrelationsmatrix simultan geschätzt werden.

Kriteriumsvalidität (criterion validity)
Kriteriumsvalidität liegt vor, wenn zwischen der Messung eines Konstruktes und einem validen Außenkriterium eine hohe Übereinstimmung besteht.

Latente Variable im Rahmen der Strukturgleichungsanalyse
Latente Variable werden im kovarianzanalytischen Ansatz als hypothetische Größen im Sinne der Faktorenanalyse modelliert, während der varianzanalytische Ansatz für die latenten Variablen konkrete Konstruktwerte als Linearkombination aus den erhobenen Daten errechnet.

Lösbarkeit eines SGM (notwendige Bedingung)
Ein Strukturgleichungssystem ist nur lösbar, wenn die Zahl der Freiheitsgrade größer oder gleich Null ist. Bei praktischen Anwendungen sollte die Zahl der Freiheitsgrade (degrees of freedom; d.f.) mindestens der Zahl der zu schätzenden Parameter entsprechen.

Manifeste versus latente Variable
Manifeste Variable sind auf der empirischen Ebene direkt beobachtbar, und ihre Ausprägungen können mit Hilfe geeigneter Messinstrumente direkt erfasst werden.
Latente Variable (auch hypothetische Konstrukte oder theoretische Variable genannt) sind dadurch gekennzeichnet, dass sie sich der direkten Beobachtbarkeit auf der empirischen Ebene entziehen. Es bedarf deshalb geeigneter Messmodelle, um die Ausprägungen einer latenten Variablen in der Wirklichkeit erfassen zu können.

Messfehler-Invarianz (strikte faktorielle Invarianz)
Messfehler-Invarianz liegt vor, wenn zusätzlich zu den ersten drei Stufen der Invarianz (d. h. konfiguraler, metrischer und skalarer Invarianz) auch die Fehlervariablen der Messmodelle über die Gruppen identisch sind. Sind zusätzlich noch die beiden Bedingungen der Faktorkovarianz- und der Faktorvarianz-Invarianz erfüllt, so liegt vollständige faktorielle Invarianz vor und die Messmodelle der betrachteten Gruppen sind identisch und gleich reliabel.

Metrische Invarianz (mittlerer Grad faktorieller Invarianz)
Metrische Invarianz liegt vor, wenn die Höhe der Faktorladungen (Measurement Weights) in allen G Gruppen identisch ist. Liegen konfigurale und metrische Invarianz vor, so können die Beziehungen der Konstrukte im Strukturmodell zwischen den Gruppen verglichen werden.

Messmodelle für latente Variable
Messmodelle enthalten Anweisungen, wie einer latenten Variable bzw. einem hypothetischen Konstrukt ein beobachtbarer Sachverhalt zugewiesen (= Operationalisierung) und durch Zahlen erfasst (= Messung) werden kann. Das Ergebnis der Messung wird in einer Messvariablen abgebildet, die empirisch direkt beobachtbar ist und somit eine manifeste Variable darstellt.

Modellsparsamkeit (parsimony)
Modellsparsamkeit liegt vor, wenn mit nur wenigen Modellparametern ein guter Modell-Fit erzielt werden kann. Die Komplexität eines Modells wird dabei über die Anzahl der Freiheits-grade bzw. die Anzahl der Modellparameter erfasst.

Modification-Index (M.I.)
Der Modification-Index schätzt für jeden als fest oder restringiert spezifizierten Parameter, um wie viel der Chi-Quadrat-Wert sinken würde, wenn dieser Parameter freigesetzt wird. Dabei wird unterstellt, dass alle übrigen Parameter ihre bisher geschätzten Werte beibehalten.

Modifikation der Modellstruktur
In dieser Prüfsituation möchte der Anwender sein i. d. R. nur „schlecht“ geschätztes Modell möglichst gut an die erhobenen Daten anpassen und sucht entsprechend nach Verbesserungsmöglichkeiten. Mit der Modifikation eines Modells aufgrund empirischer Daten wird allerdings der originär konfirmatorische Weg der Kausalanalyse verlassen und die Kausalanalyse wird zu einem explorativen Instrument.

Multi-Group-Analysis (MGA)
Die Multi-Group-Analysis (MGA) ermöglicht die simultane Schätzung eines Kausalmodells über mehrere Gruppen hinweg. Entspricht das betrachtete Kausalmodell einem konfirmatorischen Faktorenmodell, so wird von Mehrgruppen-Faktorenanalyse (MGFA) gesprochen, während die Betrachtung eines vollständigen Kausalmodells (Strukturmodell mit zugehörigen Messmodellen) als Mehrgruppen-Kausalanalyse (MGKA) bezeichnet wird.

Multiple Indicators, Multiple Causes (MIMIC-) Modelle
Ein MIMIC-Modell verwendet gleichzeitig reflektive (Multiple Indicators) und formative Indikatoren (Multiple Causes) zur Messung einer latenten Variablen (hypothetisches Konstrukt). Es besteht immer aus einem konfirmatorischen Faktorenmodell und aus einer Strukturgleichung.

Nomologische Validität
Nomologische Validität als Teilaspekt der Konstruktvalidität liegt vor, wenn die Zusammenhänge zwischen zwei oder mehreren Konstrukten (Kausalhypothesen) aus theoretischer Sicht im Rahmen eines sog. nomologischen Netzwerkes theoretisch fundiert werden können.

Operationalisierung
Operationalisierung bezeichnet die Summe der Anweisungen (Operationen), mit deren Hilfe ein hypothetisches Konstrukt (theoretischer Begriff) über beobachtbare Sachverhalte (Indikatoren) erfasst und gemessen werden soll (Messvorschrift).

Partielle Messinvarianz
Partielle Messinvarianz liegt vor, wenn auf einer Invarianz-Stufe einzelne Identitätsrestriktionen aufgehoben werden, so dass sich der Modell-Fit verbessert, die dadurch entstehende „Verletzung“ der theoretisch unterstellten Identitäten aus Sicht der Anwendungspraxis aber noch als „akzeptabel“ gelten.

Ratingskalen
Ratingskalen sind Skalen mit mehreren Abstufungen, mit deren Hilfe ein Proband die Ausprägung eines Merkmals subjektiv einordnet. Dabei werden i. d. R. markierte Abschnitte eines Merkmalskontinuums vorgegeben.

Reflektive Messmodelle
Bei reflektiven Messmodellen stellen die hypothetischen Konstrukte die Ursache der auf der Beobachtungsebene zu erhebenden Messindikatoren dar. Entsprechend müssen die Messindikatoren beobachtbare „Folgen“ oder „Konsequenzen“ der Wirksamkeit eines Konstruktes auf der Beobachtungsebene widerspiegeln.

Reliabilität
Reliabilität bezeichnet das Ausmaß, mit dem wiederholte Messungen eines Sachverhaltes mit einem Messinstrument auch die gleichen Ergebnisse liefern. Vollkommen reliable (zuverlässige oder genaue) Messungen liegen vor, wenn keine Zufallsfehler auftreten, während systematische Fehler gegeben sein können.

Second-Order-Faktorenanalyse (SFA)
Die Second-Order-Faktorenanalyse unterstellt eine Faktorenstruktur zweiter Ordnung, bei der das latente Konstrukt zweiter Ordnung ursächlich für die Kovariation der latenten Konstrukte erster Ordnung ist (reflektives Modell). Die unterstellte Faktorenstruktur wird mit Hilfe der konfirmatorische Faktorenanalyse geprüft.

Scheinkorrelation und Drittvariableneffekt
Eine Scheinkorrelation liegt vor, wenn sich die bivariate Korrelation zwischen zwei Variablen x1 und x2 durch die Wirksamkeit einer dritten Variablen z verändert (sog. Drittvariableneffekt).

Skalare Invarianz der Indikatoren (starke Form faktorieller Invarianz)
Skalare Invarianz der Indikatoren liegt vor, wenn neben der Höhe der Faktorladungen (metrische Invarianz) zusätzlich auch die Konstanten (Measurement Intercepts) der Indikatoren der Messmodelle übereinstimmen. Liegen konfigurale, metrische und skalare Invarianz vor, so können nicht nur die Beziehungsstrukturen, sondern auch die (geschätzten) Mittelwerte der Konstrukte zwischen den Gruppen verglichen werden.

Skalierung
Skalierung bezeichnet allgemein die Konstruktion einer Messvorschrift mit deren Hilfe qualitative Eigenschaften (Dimensionen) von Sachverhalten quantitativ durch die Zuordnung von Zahlen erfasst werden können. Das Ergebnis eines Skalierungsverfahrens wird als Skala bezeichnet.

Spezifikation der Messmodelle
Die Spezifikation eines Messmodells betrifft die Entscheidung zwischen „formativen oder reflektiven“ Messmodellen. Ihr ist eine herausragende Bedeutung beizumessen, da sie wesentliche Konsequenzen für die Formulierung und Auswahl der Items sowie die anzuwendende Prüfmethodik besitzt.

Strukturgleichungsanalyse (SGA)
Die Strukturgleichungsanalyse umfasst statistische Verfahren zur Untersuchung komplexer Beziehungsstrukturen zwischen manifesten und/oder latenten Variablen und ermöglicht die quantitative Abschätzung der Wirkungszusammenhänge. Ziel der SGA ist es, die a-priori formulierten Wirkungszusammenhänge in einem linearen Gleichungssystem abzubilden und die Modellparameter so zu schätzen, dass die zu den Variablen erhobenen Ausgangsdaten möglichst gut reproduziert werden.

Strukturgleichungsmodelle (SGM)
Strukturgleichungsmodelle bilden a-priori formulierte und theoretisch und/oder sachlogisch begründete komplexe Zusammenhänge zwischen Variablen in einem linearen Gleichungssystem ab und dienen der Schätzung der Wirkungskoeffizienten zwischen den betrachteten Variablen sowie der Abschätzung von Messfehlern.

Strukturgleichungsmodellierung
Die Strukturgleichungsmodellierung umfasst den gesamten Prozess von der theoretischen und/oder sachlogischen Formulierung eines Strukturmodells und seiner Messmodelle bis hin zur Beurteilung der empirisch mittels Strukturgleichungsanalyse gewonnenen Ergebnisse.

Universelle Strukturgleichungsmodelle (USM)
USM ist ein Methodenverbund, der eine entdeckende Modellierung von Strukturgleichungsmodellen ermöglicht. Mit dieser quasi konfirmatorischen Methodik können neue Pfade, unbekannte Nichtlinearitäten und Interaktions-/Moderationseffekte in Strukturgleichungsmodellen exploriert und beschrieben werden.

Validität
Validität bezeichnet das Ausmaß, mit dem ein Messinstrument auch das misst, was es messen sollte. Validität kennzeichnet damit die Gültigkeit bzw. konzeptionelle Richtigkeit eines Messinstrumentes. Vollkommen valide Messungen sind durch die Abwesenheit von Zufallsfehlern und systematischen Fehlern gekennzeichnet.

Variablenbezeichnungen in einem Strukturgleichungsmodell
Endogene Variable sind immer Kriteriumsvariable, die in einem Strukturmodell über den Einfluss anderer Größen erklärt werden.
Exogene Variable sind immer Prädiktorvariable, die in einem Strukturmodell „von außen“ vorgegeben sind und der Erklärung der endogenen Variablen dienen. Sie werden durch das Modell nicht erklärt.
Intervenierende Variable sind gleichzeitig Prädiktorvariable und unabhängige Variable in einem Strukturmodell, die einer anderen Prädiktorvariablen „vorgelagert“ sind.

Varianzanalytischer Ansatz der Strukturgleichungsanalyse
Auf der Kleinst-Quadrate-Schätzung basierender zweistufiger Ansatz, bei dem im ersten Schritt fallbezogen konkrete Schätzwerte für die latenten Variablen (socres; construct values) aus den empirischen Messdaten ermittelt werden, die dann im zweiten Schritt zur Schätzung der Parameter des Strukturmodells verwendet werden.

Vergleich zwischen Default Model und Independence Model
Vergleichskriterien zwischen Default Model und Independence Model spiegeln den Prozentsatz wider, mit dem das Default Model das Independence Model (Basismodell) hinsichtlich des Chi-Quadrat-Wertes bzw. des Minimalwertes der Diskrepanzfunktion übertrifft. Unterscheidet sich das Default Model nur wenig vom Basismodell, so weisen diese Maße einen Wert von nahe Null auf. Demgegenüber zeigt ein Wert von nahe 1 eine „deutliche Verbesserung“ gegenüber dem Basismodell an. Ein gutes Modell wird dabei i. d. R. dann angenommen, wenn der Indexwert der entsprechenden Maße größer als 0,9 ist.

Vollständige Messäquivalenz (Messinvarianz)
Vollständige Messäquivalenz bzw. Messinvarianz eines Messmodells liegt vor, wenn die Anwendung des Messmodells einer latenten Variablen in unterschiedlichen Stichproben bei gleichen Erhebungswerten der Indikatorvariablen auch die gleichen Messwerte für die latente Variable (Konstrukt- bzw. Faktorwerte und Konstruktmittelwert) erbringt.

Wissenschaftliche Hypothesen
Wissenschaftliche Hypothesen beinhalten allgemeine Aussagen über die Relation zwischen zwei oder mehreren Variablen. Die dabei formulierten Vermutungen über die Beziehung zwischen den Variablen gelten unter bestimmten, nicht raum-zeitlich gebundenen Bedingungen, die formuliert sein müssen und einen an der Wirklichkeit empirisch nachprüfbaren Gehalt aufweisen müssen.