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

Validierung kognitiver Modelle mittels Strukturgleichungsmodellen 117
vereinbar, dass das Bildungsniveau das Einkommen kausal determiniert, aber nicht mit der
Hypothese, dass das Einkommen das Bildungsniveau kausal determiniert. MacCallum und
Austin (2000) weisen darauf hin, wie wichtig es ist, in diesem Design die autoregressiven
Relationen (von x1 auf x2 und von y1 auf y2) zu kontrollieren. Würde man beispielsweise x2
nur durch y1 vorhersagen, anstatt durch x1 und y1 gemeinsam, könnte man den Einfluss von
y1 auf x2 stark überschätzen, sofern y1 und x1 korreliert sind.
Bortz und Döring heben einerseits die Nützlichkeit dieses Designs, dessen Validität
durch zusätzliche Messzeitpunkte noch weiter erhöht werden kann, hervor, betonen aber
auch, dass es sich trotz allem nur um ein korrelatives und nicht um ein experimentelles
Design handelt. Wenn die längsschnittlichen Veränderungen der Variablen im Modell
durch weitere, nicht im Modell enthaltene verursacht werden, wenn also ein externer
Spezifikationsfehler vorliegt, können signifikante Beziehungen von x1 zu y2 oder y1 zu x2
auftreten, auch wenn x und y sich nicht kausal beeinflussen. Das Design ist somit vor allem
geeignet, die Plausibilität zweier gegensätzlicher Kausalhypothesen (x beeinflusst y versus
y beeinflusst x) relativ zueinander zu bestimmen.
Burkholder und Harlow (2003) geben ein Beispiel für ein komplexes und mittels SEM
ausgewertetes cross-lagged panel design mit drei Messzeitpunkten und diskutieren es
ausführlich unter methodischen Gesichtspunkten.
Neben einfachen Regressionsdesigns und cross-lagged panel designs gibt es viele
weitere Modelltypen, die sich in einem SEM-Framework verwirklichen lassen, unter
anderem Wachstumskurvenmodelle, MIMIC-(multiple indicators multiple sources-)
Modelle, item response-Modelle und verschiedene Klassen von Mehrebenenmodellen. Es
sind auch Mischformen der Typen möglich (Muthén & Muthén, 1998-2004b).
7.4 Modellierungsstrategien
Die Analyse von Strukturgleichungsmodellen besteht aus einer Abfolge typischer
Arbeitsschritte (Bentler, 1996; Bollen, 1989; Kaplan, 2000; Raykov et al., 1991). Zunächst
sind die zu erhebenden Variablen und die zu analysierenden Modelle auszuwählen.
MacCallum und Austin (2000) unterscheiden hier drei mögliche Vorgehensweisen: (1) die
strikt konfirmatorische Vorgehensweise, bei der ein einzelnes a priori spezifiziertes Modell
überprüft wird; (2) die modellgenerierende Vorgehensweise, bei der ein a priori-Modell
überprüft und dann so lange modifiziert wird, bis es optimal an die Daten angepasst ist;
und (3) die modellvergleichende Vorgehensweise, bei der theoriegeleitet mehrere a priori-
Modelle spezifiziert und dann gegeneinander getestet werden. Die Vorgehensweisen 2 und
3 können auch miteinander kombiniert werden.