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

 

 

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.