Seit der zweiten Auflage des vorliegenden Lehrbuchs hat sich die sozialwissenschaftliche Forschungslandschaft stark gewandelt. Mit der rasant zunehmenden Verfügbarkeit von großen Datenmengen haben Methoden der Künstlichen Intelligenz und des Maschinellen Lernens sowohl in der Forschung als auch in der Praxis stark an Popularität gewonnen. Mit Blick auf den wahrhaften Datentsunami ist es gerade für Nachwuchsforscher wichtig, ein breites Spektrum von Methoden zur Sammlung und Analyse großer Datenmengen zu erlernen, die für das Fachgebiet von Interesse sind. Hierzu gehören beispielsweise Methoden zur Analyse unstrukturierter Audio- oder Bilddaten, die sich häufig nur mit Programmiersprachen wie R oder Python umsetzen lassen.

Entsprechende Methoden haben ohne jeden Zweifel ein großes Potenzial für die sozialwissenschaftliche Forschung. Allerdings wird bei aller Euphorie häufig vergessen, dass die Methoden prädiktiv-explorativer Natur sind. Sie zielen also darauf ab, Beobachtungen vorherzusagen, die nicht Teil der Datenanalyse waren. Anstatt ein vom Forscher auf theoretischen Überlegungen spezifiziertes Modell zu testen, erfolgt der Einschluss von Variablen zumeist auf Grundlage ihrer prädiktiven Relevanz, unabhängig davon, ob sie inhaltlich geeignet sind, die abhängige Variable zu erklären. Das beste prädiktive Modell ist aber in den seltensten Fällen auch das Modell, was die wahren Zusammenhänge adäquat beschreibt. Zudem ist der Einsatz von Methoden der Künstlichen Intelligenz und des Maschinellen Lernens auf beobachtbare Variablen (z.B. Kaufverhalten) beschränkt. Einstellungen, Wahrnehmungen und Intentionen erfordern hingegen die Verwendung validierter Messansätze, die in diesem methodischen Kontext nur schwer realisierbar sind.

Aus diesen Gründen sind Methoden wie die Strukturgleichungsmodellierung auch in Zeiten von Big Data von hoher Relevanz, da sie die umfassende Analyse von komplexen Ursache-Wirkungssystemen ermöglichen. Die Modellerstellung erfolgt hierbei nicht datengetrieben, sondern auf der Basis von Theorien. Die Anwenderinnen und Anwender  [1] können dadurch ein Verständnis entwickeln, unter welchen Bedingungen die Modellbeziehungen zu erwarten sind und in welchen Kontexten das Modell eingesetzt werden kann. Der Forschungsansatz ist dadurch weniger situationsbezogen, sondern zielt darauf ab, generalisierbare Modellbeziehungen abzuleiten.

Nichtsdestotrotz haben die jüngsten methodischen Entwicklungen dazu geführt, dass das Thema Prädiktion stärker in den Fokus der Forschungscommunity gerückt ist. Anstatt zumeist sehr kleinteilige Modelle zu erstellen, die den statistischen Anforderungen eines guten Modellfits gerecht werden, sollen Anwender der Strukturgleichungsmodellierung auch nachweisen, dass ihre Modelle geeignet sind, Beobachtungen vorherzusagen. Um diesen Entwicklungen gerecht zu werden, wurde die dritte Auflage des Lehrbuchs umfassend überarbeitet, wobei vor allem die Kapitel 15 bis 17 neu gefasst wurden:

Kapitel 15 zur Kausalanalyse mit PLS wurde mit Blick auf die neuesten methodischen Entwicklungen neu geschrieben. Es beinhaltet nun auch aktuelle Metriken zur Modellevaluation (z.B. zur Schätzung der prädiktiven Stärke des Modells) und illustriert diese anhand des bekannten Fallbeispiels. Darüber hinaus wurden die Ausführungen zu PLS auch in den übrigen Kapiteln grundlegend überarbeitet. Kapitel 16 wurde neu formuliert und ist nun alternativen Schätzverfahren für Komponentenmodelle gewidmet. Es werden der relativ neue Generalized Structured Component Analysis-Ansatz (GSCA) behandelt, der zuletzt viel Aufmerksamkeit in der Methodenforschung erhalten hat, und die Universelle Strukturgleichungsmodellierung (USM) vorgestellt. Schließlich wurde auch Kapitel 17 überarbeitet und um Überlegungen zu Multilevel-Modellen und Hinweisen zu alternativen Softwarepakten zur Kovarianzstrukturanalyse erweitert.

Darüber hinaus wurde eine Reihe von Aktualisierungen und Erweiterungen vorgenommen, wobei hier insbesondere folgende Punkte genannt seien:

• Das Fallbeispiel und alle weiteren Beispiele wurden mit den neuesten Versionen der unterschiedlichen Softwarepakete gerechnet (IBM SPSS Statistics 27; IBM SPSS AMOS 27 und SmartPLS 3).
• Die Diskussion der Konstrukt-Konzeptualisierung wurde erweitert.
• Die Behandlung von Komponentenmodellen wurde aufgenommen.
• Neue Forschungen zur Bestimmung der Faktorenzahl in der explorativen Faktorenanalyse (Parallelanalyse) werden vorgestellt.
• Die Diskussion um Endogenität wurde erweitert.
• Die Konfirmatorische Komponentenanalyse wird diskutiert.
• Ein Kapitel zur Mehrebenen-Strukturgleichungsanalyse wurde aufgenommen.

Auch die Webseite zum Buch wurde umfassend überarbeitet und wir verweisen an dieser Stelle auf das Angebot der digitalen Lernkarten (Flashcards) in der aktualisierten 3. Auflage. Diese ermöglichen es dem Leser, das Gelernte zu überprüfen und das Wissen aus dem Buch auch zu vertiefen. Käufer des Buchs können hierzu außerdem die Flashcard-App des Springer-Verlags nutzen. Hinweise zur Installation und Nutzung der App mitsamt persönlichem App-Code können den Vorwort vorhergehenden Buchseiten entnommen werden.

Die umfangreichen inhaltlichen Anpassungen gehen auch mit einer Änderung der Autorenschaft einher. Mit der dritten Auflage hat Herr Dr. Daniel Mühlhaus das Autorenteam verlassen. Als neuer Autor konnte Prof. Dr. Marko Sarstedt, Leiter des Instituts für Marketing an der Ludwig-Maximilians-Universität München, gewonnen werden, der einer der führenden Methodenforscher im Bereich der Strukturgleichungsmodellierung (insbesondere in PLS) ist. Das neue Autorenteam dankt Herrn Dr. Mühlhaus für sein herausragendes Engagement im Rahmen der ersten beiden Auflagen und freut sich darauf, seine Arbeit in den nächsten Auflagen weiterführen zu können.

Ebenso möchten wir uns bei den vielen Kolleginnen und Kollegen sowie Mitarbeiterinnen und Mitarbeitern bedanken, die uns bei der Erstellung der dritten Auflage unterstützt haben: Unser Dank gilt zunächst unseren Teams, die uns in vielfältiger Weise unterstützt haben. Prof. Dr. Marko Sarstedt dankt insbesondere Frau M. Sc. Susanne Adler, Herrn M. Sc. Zamig Guluyev, Frau Birgit Hummelt, Frau M. Sc. Frauke Kühn, Frau M. Sc. Mandy Pick, Frau M. Sc. Martina Schöniger und Herrn B. Sc. Anton Steigemann, die sowohl beim Korrekturlesen, der Überarbeitung der Texte als auch bei der Erstellung der Fashcards geholfen haben. Am Lehrstuhl für Marketing und Innovation an der Universität Trier haben uns vor allem Frau M. Sc. Mi Nguyen, Herr M. Sc. Lorenz Gabriel, Herr Dr. Lukas Mohr und Herr M. Eng. Julian Morgen bei der Literaturanalyse und dem Lesen der Texte sowie der Erstellung der Abbildungen unterstützt. Ein besonderer Dank gilt dabei Frau M. Sc. Mi Nguyen, die federführend die Koordination zwischen den beiden Lehrstühlen sowie die Abstimmung der einzelnen Kapitel übernommen hat und auch für die Kommunikation mit dem Springer-Verlag verantwortlich war.

Wir hoffen, dass die umfangreichen Überarbeitungen im Zuge der dritten Auflage unseren Lesern helfen werden, ihre kleineren und auch großen Projekte im Rahmen des Master- und Promotionsstudiums noch besser zu meistern. Ebenso sollen die aktuellen Erweiterungen auch etablierten Forschern helfen, ihre Strukturgleichungsmodellierungsanalysen auf Grundlage der neuesten Standards durchzuführen und die Ergebnisse passend zu dokumentieren. Allerdings sei nochmals hervorgehoben, dass das vorliegende Lehrbuch sich vor allem an Einsteiger wendet und einführenden Charakter hat. Es kann und will damit nicht allen Entwicklungen und Diskussionen um die Methoden und Metriken gerecht werden. Dennoch bietet es einen umfassenden Einblick in die Grundlagen der SGM. Gleichzeitig würden wir uns über Vorschläge freuen, die dabei helfen, das Buch noch besser an unsere Zielgruppe anzupassen. Schließlich sind wir auch für Hinweise auf möglicherweise im Buch noch enthaltene Fehler sehr dankbar.

Trier und München im September 2021

Rolf Weiber

Marko Sarstedt