Aufgabenstellung
Strukturgleichungsmodelle dienen der Überprüfung kausaler Zusammenhänge zwischen Merkmalen. Ziel ist es, hypothetische Wirkzusammenhänge zu durchleuchten. Ähnlich wie bei der Regressionsanalyse wird die Frage überprüft, in welche Richtung und wie stark eine oder mehrere sogenannte exogene Variablen eine oder mehrere endogene Variablen beeinflussen.
Dabei geht man ähnlich wie bei der Faktorenanalyse davon aus, dass das eigentlich interessierende Merkmal möglicherweise gar nicht beobachtbar ist, sondern "latent" die Grundlage für das beobachtete Verhalten oder die Meinungs- oder Einstellungsäußerung des Befragten darstellt. Letztere dienen als Indikatoren für die Ausprägung der dahinterliegenden grundlegenden Merkmale.
Abb 1: Beispiel eines Kausalmodells – Erklärung einer Shopbewertung und des daraus resultierenden Produktinteresses
Grundlage für die Pfadanalyse ist zunächst eine Hypothese, die aussagt, welche Merkmale von welchen Variablen beeinflusst werden. Komplexe Zusammenhangstrukturen können so aufgestellt werden, wobei Merkmale gleichzeitig unabhängig (also beeinflussend) und durch andere beeinflusst sein können. Die Pfadanalyse überprüft diese Hypothese, indem sie den Grad der Einflüsse misst und den Informationsgrad eines solchen Modells ermittelt.
Voraussetzungen
Die Pfadanalyse kann einen fehlerhaft angenommenen Richtungszusammenhang nicht erkennen. Die Richtung des Einflusses, also die Frage ob Merkmal A Merkmal B beeinflusst oder umgekehrt, muss durch theoretische Vorüberlegungen geklärt werden.
Um die Koeffizienten inhaltlich sinnvoll interpretieren zu können, sollten die Einflussvariablen einer endogenen Variablen nach Möglichkeit unabhängig voneinander sein.
RALV
IfaD stellt mit RALV (Relationships Among Latent Variables) ein Tool zur Durchführung von Pfadanalysen zur Verfügung, das eine weitgehend stabile und verzerrungsfreie Schätzung von Einflussstärken erlaubt. Eine Besonderheit stellt dabei die komfortable und flexible Möglichkeit dar, Multikollinearität zu vermeiden (Orthogonalisierung von Variablen), um inhaltlich vergleichbare Koeffizienten zu erzielen.
