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