Konzeptuelles und prozedurales Wissen als latente Variablen: Ihre ...

116 Kapitel 7
Kritiker deuten dieses Problem oft als grundsätzliche Schwäche des SEM-Ansatzes,
was jedoch nicht korrekt ist. In den meisten Studien mit Strukturgleichungsmodellen
können keine Kausalbeziehungen analysiert werden, weil sie auf querschnittlichen Designs
beruhen, die per se keinen Aufschluss über Kausalbeziehungen geben können. Werden
experimentelle oder längsschnittliche Daten mit Strukturgleichungsmodellen analysiert,
sind durchaus Kausalanalysen möglich (MacCallum & Austin, 2000; Muthén & Curran,
1997). Dies wird leicht einsichtig, wenn man sich vergegenwärtigt, dass Experimente
normalerweise mittels Varianzanalysen ausgewertet werden. Diese stellen einen Spezialfall
des Allgemeinen Linearen Modells dar, das auf Regressionen beruht und somit leicht als
Strukturgleichungsmodell formuliert werden kann. Der Hauptgrund, aus dem die
Varianzanalysen gewöhnlich den flexibleren und umfassenderen
Strukturgleichungsmodellen zur Analyse experimentell gewonnener Daten vorgezogen
werden, ist, dass Erstere wesentlich kleinere Stichprobenumfänge erfordern als Letztere.
Wenn Strukturgleichungsmodelle zu Kausalanalysen benutzt werden, dann oft im
Rahmen der Auswertung von cross-lagged panel designs. Wie Bortz und Döring (1995, S.
485f) beschreiben, setzen sie längsschnittliche Erhebungen voraus, bei denen mindestens
zwei Variablen an mindestens zwei Messzeitpunkten (Mzp) erhoben wurden.
Als Beispiel beschreiben Bortz und Döring eine Studie über die wechselseitigen
Einflüsse zwischen Einkommen und Bildungsniveau. Um die Frage zu beantworten, ob das
Einkommen das Bildungsniveau kausal beeinflusst oder das Bildungsniveau das
Einkommen, wurden beide Variablen einmal gemessen als die Studienteilnehmer 25 Jahre
alt waren und einmal als sie 50 Jahre alt waren.
X 1
Y 1
Abbildung 1: Pfaddiagramm eines cross-lagged panel designs.
Zur Auswertung kann dann das in Abbildung 1 dargestellte Modell verwendet werden. Die
Variable x steht für das Bildungsniveau und die Variable y für das Einkommen, die Indizes
geben den Messzeitpunkt an. Würde nun gefunden, dass der Einfluss von x1 auf y2 (bei
Kontrolle des Einflusses von y1 auf y2) wesentlich größer ist als der Einfluss von y1 auf x2
(bei Kontrolle des Einflusses von x1 auf x2), so wäre das sehr gut mit der Hypothese
X 2
Y 2