Konzeptuelles und prozedurales Wissen als latente Variablen: Ihre ...
Konzeptuelles und prozedurales Wissen als latente Variablen: Ihre ...
Konzeptuelles und prozedurales Wissen als latente Variablen: Ihre ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
122 Kapitel 7<br />
einzig korrekte angesehen werden. Im Idealfall deuten unterschiedliche Modellfitindizes<br />
bei der Modellevaluation in dieselbe Richtung. Das ist jedoch nicht zwangsläufig der Fall,<br />
weshalb bei der Publikation von SEM-Analysen stets mehrere Modellfitindizes berichtet<br />
werden sollten (z.B. Boomsma, 2000).<br />
Ein Indikator des Modelfits ist die empirische Irrtumswahrscheinlichkeit des<br />
Goodness-of-Fit-Chi-Quadrat-Tests. Er leitet aus dem Chi-Quadrat-Anpassungswert die<br />
Wahrscheinlichkeit p ab, die empirisch gef<strong>und</strong>enen Daten zu erhalten unter der<br />
Voraussetzung, dass das spezifizierte Modell in der Population gilt (Rost, 2004, S. 303). Je<br />
größer diese Wahrscheinlichkeit, umso besser ist der Modellfit. Jedoch hängt die<br />
Wahrscheinlichkeit nicht nur vom Modellfit ab, sondern auch von Stichprobengröße <strong>und</strong><br />
Modellkomplexität, so dass sie zwar standardmäßig berichtet, jedoch nur selten explizit<br />
interpretiert wird.<br />
Wie oben beschrieben, sind der Chi-Quadrat-Wert <strong>und</strong> auf ihm basierende<br />
Signifikanztests nützlich, um zwei konkurrierende Modelle zu vergleichen. Um den Fit<br />
eines einzelnen Modells zu evaluieren, sind sie hingegen suboptimal, weil der Chi-<br />
Quadrat-Wert, <strong>als</strong>o die Abweichung zwischen empirischen <strong>und</strong> erwarteten Daten, immer<br />
kleiner wird, je mehr zu schätzende Parameter in das Modell aufgenommen werden. Das<br />
komplexeste aller möglichen Modelle hat <strong>als</strong>o immer den besten Modellfit. Außerdem<br />
wird der Test umso eher signifikant, je größer die Stichprobe ist. Bei großen Stichproben<br />
können darum schon sehr kleine Abweichungen zwischen erwarteten <strong>und</strong> gef<strong>und</strong>enen<br />
Werten zu einer Ablehnung des Modells führen.<br />
Die komparativen Fitindizes vergleichen den Fit des geschätzten Modells mit dem Fit<br />
eines baseline models, das möglichst einfache Beziehungen zwischen den <strong>Variablen</strong> im<br />
Modell, zum Beispiel ihre wechselseitige Unabhängigkeit, spezifiziert. Ein wichtiger<br />
Vertreter der komparativen Fitindizes ist der comparative fit index (CFI), der auf der<br />
Weiterentwicklung älterer Indizes beruht (Kaplan, 2000, S. 107-109) <strong>und</strong> sich in<br />
empirischen Untersuchungen <strong>und</strong> Simulationsstudien <strong>als</strong> nützlicher Indikator des Fits<br />
erwiesen hat. Der CFI ist auf den Wertebereich zwischen null <strong>und</strong> eins normiert. Werte<br />
größer oder gleich ,95 indizieren einen guten Fit (Hu & Bentler, 1998, 1999).<br />
Im Gegensatz zu komparativen Fitindizes geben absolute Fitindizes direkt an, wie gut<br />
das spezifizierte Modell die Daten reproduziert. Gewöhnlich werden zu diesem Zweck die<br />
Residuen der <strong>Variablen</strong> im Modell miteinander verrechnet. Die weighted root mean square<br />
of residu<strong>als</strong> (WRMR) gilt <strong>als</strong> einer der besten absoluten Fitindizes. Werte kleiner oder<br />
gleich eins indizieren einen guten Fit (Yu, 2002).