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 123<br />
Der CFI <strong>und</strong> der WRMW haben anderen Indizes gegenüber mehrere Vorteile. Einer<br />
ihrer Nachteile ist jedoch, dass sie, so wie auch der Chi-Quadrat-Goodness-of-Fit-Wert,<br />
mit zunehmender Modellkomplexität einen zunehmenden Fit anzeigen. Ein Index, der<br />
dieses Problem vermeidet, ist der root mean square error of approximation (RMSEA), der<br />
wie der WRMR ein absoluter Fitindex ist. Zusätzlich zum absoluten Fit geht jedoch auch<br />
die Sparsamkeit der Modellannahmen (model parsimony) positiv in ihn ein. Ein RMSEA<br />
kleiner oder gleich ,06 indiziert eine gute Modellanpassung an die Daten (Hu & Bentler,<br />
1999). Werte bis zu ,10 sind noch akzeptabel. Bei größeren sollte das Modell verworfen<br />
werden (Browne & Cudeck, 1993).<br />
Die Berechnungsformel lautet nach Kenny <strong>und</strong> McCoach (2003, S. 334):<br />
RMSEA =<br />
2<br />
χ<br />
− df<br />
( N −1)<br />
⋅ df<br />
Dabei gibt χ 2 die Modellanpassung an, df die Freiheitsgrade des Modells <strong>und</strong> N die<br />
Stichprobengröße. Aus der Formel folgt, dass eine Wurzel aus einem negativen Wert<br />
gezogen werden müsste, wenn der Chi-Quadrat-Wert kleiner <strong>als</strong> die Anzahl der<br />
Freiheitsgrade ist. Einige Auswertungsprogramme, beispielsweise MPlus, geben in einem<br />
solchen Fall keinen RMSEA-Wert aus. Ein besonders kleiner Chi-Quadrat-Wert bedeutet<br />
jedoch, dass ein exzellenter Fit vorliegt. Daher ist es üblich <strong>und</strong> sinnvoll den RMSEA in<br />
einem solchen Fall manuell auf den Wert null zu setzen (Kenny & McCoach, 2003).<br />
7.6 Zusammenfassung<br />
Bei der Analyse von Strukturgleichungsmodellen (structural equation models; SEM)<br />
werden die Varianzen <strong>und</strong> Kovarianzen zwischen gemessenen <strong>Variablen</strong> benutzt, um die<br />
Anpassungsgüte <strong>und</strong> die Koeffizienten eines zuvor zu spezifizierenden Modells zu<br />
bestimmen. Das Modell kann sowohl manifeste <strong>als</strong> auch <strong>latente</strong> <strong>Variablen</strong> enthalten <strong>und</strong><br />
besteht aus Messmodell (konfirmatorischen Faktoranalysen) <strong>und</strong> Regressionsmodell. Die<br />
Modellierung <strong>latente</strong>r <strong>Variablen</strong> erhöht gewöhnlich die Reliabilität <strong>und</strong> Validität der<br />
Operationalisierungen <strong>und</strong> erlaubt die explizite Überprüfung der konvergenten <strong>und</strong> der<br />
divergenten Validitäten der Faktorindikatoren. Cross-lagged panel designs ermöglichen im<br />
Gegensatz zu den meisten anderen Typen von Strukturgleichungsmodellen den Vergleich<br />
konkurrierender Kausalhypothesen.