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