Strukturgleichungsmodelle verstehen: von der Hypothese bis zum belastbaren Ergebnisbericht

Viele empirische Fragen sind verschachtelt. Ein Beispiel: Wirkt Stress unmittelbar auf die Lebensqualität, oder entsteht der Effekt vor allem über Schlafqualität und Depressivität? Wer das mit mehreren getrennten Regressionen prüft, erhält Bruchstücke, aber kein Gesamtbild. Strukturgleichungsmodelle (kurz SEM) verbinden die Messung theoretischer Konstrukte und die Prüfung von Hypothesen in einem einzigen Modell. Die Arbeit wird dadurch nicht automatisch leichter, die Grundlage für komplexe Aussagen aber deutlich belastbarer.

Besonders hilfreich sind SEM, wenn Konstrukte nicht direkt beobachtbar sind, wenn mehrere Wirkungswege gleichzeitig geprüft werden sollen oder wenn Messfehler eine Rolle spielen. Das gilt für Abschlussarbeiten, Dissertationen und Fachpublikationen. Voraussetzung bleiben eine saubere theoretische Herleitung, passende Daten und eine nachvollziehbare Dokumentation.

Messmodell und Strukturmodell

Ein SEM besteht aus zwei Ebenen. Das Messmodell beschreibt, wie beobachtete Indikatoren, etwa Antworten auf Fragebogenitems, ein nicht direkt messbares Konstrukt abbilden. Das Strukturmodell legt fest, welche Beziehungen zwischen diesen Konstrukten vermutet werden.

Ein medizinisches Beispiel: Die Variable „Therapieadhärenz“ wird über mehrere Items erfasst. Geprüft werden soll, ob Gesundheitskompetenz die Adhärenz erhöht und ob dieser Zusammenhang teilweise über Selbstwirksamkeit läuft. Ein SEM bewertet die Messqualität und schätzt gleichzeitig direkte und vermittelte Pfade. Messunsicherheit wird nicht ausgeblendet, sondern ausdrücklich modelliert.

Latente und manifeste Variablen

Manifeste Variablen sind unmittelbar beobachtbar, zum Beispiel Alter, Blutdruck oder ein einzelnes Skalenitem. Latente Variablen sind Konstrukte wie Angst, soziale Unterstützung oder Kundenzufriedenheit; sie werden aus mehreren Indikatoren erschlossen.

In reflektiven Messmodellen weisen die Pfeile vom Konstrukt zu den Indikatoren, weil das Konstrukt die Antworten verursachen soll. Bei formativen Konstrukten ist es umgekehrt: Einzelne Bestandteile bilden das Konstrukt erst, etwa ein sozioökonomischer Index aus Einkommen, Bildung und Beruf. Diese Entscheidung ist theoretisch zu treffen und lässt sich nicht nachträglich an günstigen Kennwerten ablesen.

Konfirmatorische Faktorenanalyse

Die konfirmatorische Faktorenanalyse (CFA) prüft, ob eine vorab festgelegte Faktorenstruktur zu den Daten passt. Anders als bei einer explorativen Analyse suchst du keine Struktur, sondern testest eine begründete Zuordnung von Items zu Faktoren. Niedrige Faktorladungen deuten oft auf unklar formulierte Items hin. Items nur zu streichen, weil die Modellgüte dadurch steigt, ist riskant: Jede Anpassung braucht eine fachliche Begründung und gehört offen dokumentiert.

Direkte und indirekte Effekte

Steht das Messmodell, folgt das Strukturmodell. Ein direkter Effekt beschreibt etwa den Zusammenhang zwischen Arbeitsbelastung und Erschöpfung. Ein indirekter Effekt liegt vor, wenn Arbeitsbelastung den Schlaf verschlechtert und Schlafmangel anschließend die Erschöpfung erhöht. Weil indirekte Effekte häufig nicht normalverteilt sind, werden Konfidenzintervalle oft über Bootstrapping bestimmt. Auch ein statistisch bedeutsamer indirekter Effekt belegt jedoch keine Ursache: Ohne geeignetes Design, klare zeitliche Abfolge und Kontrolle relevanter Störvariablen bleibt die Deutung vorsichtig.

Vorbereitung entscheidet über die Qualität

1. Theorie zuerst: Kläre, welche Konstrukte es gibt, wie sie gemessen werden und welche Pfade begründet sind. Ein Pfaddiagramm erzwingt Klarheit darüber, was Prädiktor, was Vermittler und was Zielvariable ist.
2. Daten prüfen: Fehlende Werte, Ausreißer, unplausible Kodierungen und Verteilungen gehören vor die Schätzung. Bei Fragebogendaten wirken umgepolte Items, Deckeneffekte, Bodeneffekte und geringe Varianz stark auf die Ergebnisse.
3. Stichprobe realistisch planen: Pauschale Regeln wie zehn Fälle pro Parameter greifen zu kurz. Entscheidend sind Modellkomplexität, erwartete Effektstärken, Zahl der Indikatoren, Verteilung der Daten und die gewünschte Präzision. Eine Betrachtung der Teststärke a priori oder eine Simulation liefert die bessere Basis.

Welcher Ansatz passt zur Fragestellung

Kovarianzbasierte SEM, umgesetzt etwa mit R und lavaan, Mplus, AMOS oder Stata, stellen die Prüfung eines theoretisch spezifizierten Modells in den Mittelpunkt. Sie eignen sich, wenn du eine etablierte Skala validieren oder die Passung eines Gesamtmodells beurteilen willst. Partial Least Squares SEM (kurz PLS SEM) wird eher gewählt, wenn Prognose im Vordergrund steht, Modelle sehr komplex sind oder formative Konstrukte vorliegen. Ein Wechsel allein wegen kleiner Stichproben oder schiefer Verteilungen ist keine methodische Begründung. Vertiefende Beiträge zu einzelnen Verfahren findest du im Ratgeber zu Statistik und Datenanalyse.

Modellgüte einordnen statt abhaken

Bei kovarianzbasierten Modellen wird berichtet, wie gut ein Modell die beobachtete Kovarianzstruktur reproduziert. Häufig genannt sind Chi Quadrat, CFI, TLI, RMSEA und SRMR. Orientierungswerte (CFI und TLI nahe oder über .95, RMSEA unter .06, SRMR unter .08) sind Anhaltspunkte, keine Bestehensgrenzen. Die Kennwerte reagieren auf Stichprobengröße, Modellkomplexität und Verteilungen. Ein Modell mit akzeptabler Passung kann fachlich unsinnig sein, ein theoretisch überzeugendes Modell dagegen bei großen Stichproben kritische Werte zeigen. Modifikationsindizes sind ein Diagnoseinstrument, keine Einladung, das Modell so lange umzubauen, bis die Zahlen gefällig aussehen.

Ergebnisse nachvollziehbar berichten

Ein belastbarer Ergebnisteil nennt Stichprobe, Datenaufbereitung, Schätzverfahren, Umgang mit fehlenden Werten und die Begründung des Messmodells. Dazu kommen zentrale Kennwerte der Modellpassung, standardisierte und unstandardisierte Pfadkoeffizienten, Standardfehler, Konfidenzintervalle sowie die erklärte Varianz der Zielvariablen. Bei Vermittlungsanalysen werden direkte, indirekte und Gesamteffekte getrennt ausgewiesen. Vor Gruppenvergleichen prüfst du die Messinvarianz, sonst können Unterschiede zwischen Gruppen irreführend wirken.

Fazit

Strukturgleichungsmodelle sind ein starkes Werkzeug für Fragen mit mehreren Konstrukten und Wirkungswegen. Ihre Aussagekraft entsteht aus klarer Theorie, sorgfältiger Datenarbeit und transparenter Darstellung, nicht aus der Wahl der Software und nicht aus einem ansprechenden Pfaddiagramm.