Wie interpretiert man die Fit-Indizes in Amos (CFI, RMSEA, SRMR)?

Warum Fit-Indizes so wichtig sind

Wenn Sie in SPSS Amos ein Strukturgleichungsmodell berechnen, erhalten Sie eine Reihe von Kennzahlen, die angeben, wie gut Ihr theoretisches Modell die beobachteten Daten reproduziert. Diese Kennzahlen nennt man Fit-Indizes. Sie sind das zentrale Kriterium dafür, ob Ihr Modell als akzeptabel gilt – und damit ein unverzichtbarer Bestandteil jeder Auswertung.

Die wichtigsten Fit-Indizes in Amos sind CFI, RMSEA und SRMR. Hinzu kommt der Chi-Quadrat-Test als Ausgangspunkt. Jeder dieser Werte beleuchtet einen anderen Aspekt der Modellpassung – weshalb eine fundierte Interpretation stets mehrere Indizes gemeinsam berücksichtigt.

Wer noch einen Schritt zurückgehen und verstehen möchte, wofür SEM überhaupt eingesetzt wird, findet dazu eine kompakte Erklärung im Beitrag Was ist ein Strukturgleichungsmodell und wann braucht man es?

Der Chi-Quadrat-Test: ein notwendiger Ausgangspunkt

Amos gibt standardmäßig den Chi-Quadrat-Wert (χ²) sowie die zugehörigen Freiheitsgrade und den p-Wert aus. Formal testet dieser Wert die Nullhypothese, dass die modellimplizierte Kovarianzmatrix exakt mit der beobachteten Kovarianzmatrix übereinstimmt.

In der Theorie klingt das eindeutig: Ein nicht-signifikantes Ergebnis (p > .05) würde bedeuten, dass das Modell die Daten gut reproduziert. In der Praxis ist das jedoch kaum erreichbar – bei größeren Stichproben wird der Chi-Quadrat-Test fast zwangsläufig signifikant, selbst wenn das Modell inhaltlich sehr gut passt. Der Test reagiert schlicht auf jede kleine Abweichung, sobald genug Beobachtungen vorliegen.

Aus diesem Grund gilt der Chi-Quadrat-Test heute weniger als eigenständiges Ablehnungskriterium, sondern als ergänzende Information. Gebräuchlicher ist das Verhältnis χ²/df (auch CMIN/DF in Amos): Werte unter 3, teilweise auch unter 5, gelten häufig als tolerierbar.

CFI – Comparative Fit Index

Der CFI ist ein inkrementeller Fit-Index. Er vergleicht das vorgeschlagene Modell mit einem sogenannten Nullmodell, das keinerlei Zusammenhänge zwischen den Variablen annimmt. Je besser Ihr Modell im Vergleich zu diesem denkbar schlechtesten Referenzmodell abschneidet, desto höher der CFI.

Der CFI liegt immer zwischen 0 und 1. Ein Wert von 1 bedeutet perfekten Fit, ein Wert von 0 bedeutet, dass das Modell nicht besser ist als das Nullmodell. Als Faustregel gilt: CFI ≥ .95 wird in der Literatur oft als Zeichen eines guten Fits angeführt, Werte ab .90 gelten noch als akzeptabel.

Dieser Schwellenwert geht maßgeblich auf Simulationsstudien zurück, in denen untersucht wurde, wie gut verschiedene Cutoff-Regeln für Fit-Indizes in Kovarianzstrukturmodellen tatsächlich zwischen korrekt spezifizierten und fehlerhaften Modellen unterscheiden. Wichtig: Diese Werte stammen aus Simulationsbedingungen und sind keine starren Naturgesetze.

Was der CFI nicht leistet

Der CFI ist abhängig von der Güte des Nullmodells. Wenn das Nullmodell bereits relativ gut passt – etwa weil die Variablen tatsächlich kaum miteinander zusammenhängen –, kann der CFI künstlich hoch ausfallen. Er ist außerdem anfälliger bei sehr kleinen Stichproben. Betrachten Sie ihn deshalb nie isoliert.

RMSEA – Root Mean Square Error of Approximation

Der RMSEA misst, wie gut ein Modell die Daten approximativ erklärt – also mit welchem durchschnittlichen Fehler pro Freiheitsgrad das Modell die Realität abbildet. Er gehört zu den absoluten Fit-Maßen und ist besonders sensitiv für Modellmissspezifikationen.

Ein RMSEA von 0 würde perfekten Fit bedeuten. In der Praxis werden folgende Bereiche unterschieden:

• RMSEA ≤ .05: guter Fit
• RMSEA .05–.08: akzeptabler Fit
• RMSEA .08–.10: mäßiger Fit, kritisch zu diskutieren
• RMSEA > .10: schlechter Fit

RMSEA-Konfidenzintervall und PCLOSE

Amos gibt neben dem RMSEA-Punktwert auch ein 90%-Konfidenzintervall und den p-Wert PCLOSE aus. PCLOSE testet die Hypothese, dass der wahre RMSEA in der Population ≤ .05 ist. Ein nicht-signifikantes PCLOSE (p > .05) spricht dafür, dass guter Fit plausibel ist.

Für eine vollständige Berichterstattung sollten Sie in Ihrer Abschlussarbeit nicht nur den RMSEA-Punktwert, sondern stets auch das Konfidenzintervall angeben – das RMSEA-Konfidenzintervall und PCLOSE erlauben eine differenziertere Beurteilung der Schätzunsicherheit, als es ein einzelner Punktwert vermag.

Wenn RMSEA verzerrt wirkt

Der RMSEA kann bei kleinen Freiheitsgraden und kleinen Stichproben positiv verzerrt sein – er fällt dann schlechter aus, als er sein sollte. Berücksichtigen Sie das bei der Interpretation, besonders wenn Ihr Modell wenige Freiheitsgrade hat oder Ihre Stichprobe unter n = 200 liegt.

SRMR – Standardized Root Mean Square Residual

Der SRMR beschreibt, wie stark die modellimplizierte Kovarianzmatrix im Durchschnitt von der beobachteten Kovarianzmatrix abweicht – und zwar in standardisierter Form. Vereinfacht gesagt: Er zeigt, wie groß die typische Differenz zwischen beobachteten und vom Modell vorhergesagten Korrelationen ist.

Ein SRMR von 0 bedeutet perfekten Fit. Als Richtwert gilt: SRMR < .08 wird als guter Fit gewertet. Der Vorteil des SRMR ist seine intuitive Interpretierbarkeit – er ist direkt als mittlere standardisierte Residualgröße lesbar und weniger abhängig von der Stichprobengröße als der Chi-Quadrat-Test.

Allerdings reagiert auch der SRMR auf kleine Stichproben: Bei wenig Beobachtungen fallen Residuen tendenziell größer aus, was den Wert verschlechtern kann, ohne dass das Modell grundsätzlich falsch spezifiziert wäre.

Fit-Indizes kombiniert betrachten

Ein zentrales Prinzip der SEM-Methodenliteratur lautet: Kein einzelner Fit-Index allein sollte die Entscheidung über die Modellgüte bestimmen – verschiedene Kennzahlen beleuchten unterschiedliche Aspekte der Modellpassung und können dabei teils widersprüchliche Signale liefern.

In der Praxis bedeutet das: Berichten Sie mindestens CFI, RMSEA (mit Konfidenzintervall) und SRMR gemeinsam. Ergänzend können TLI (Tucker-Lewis Index) und der Chi-Quadrat-Test sinnvoll sein. Weichen die Indizes voneinander ab, diskutieren Sie, welcher Aspekt der Modellpassung möglicherweise eingeschränkt ist – und warum.

Das ist keine Schwäche, sondern methodische Sorgfalt. Gerade für die Berichterstattung von SEM-Ergebnissen in Abschlussarbeiten wird eine differenzierte Diskussion der Fit-Indizes von Gutachtenden erwartet.

Cutoff-Werte im Überblick

Diese Schwellenwerte sind als Orientierungsrahmen zu verstehen, nicht als binäres Bestanden/Nicht-bestanden-Kriterium. In der Praxis zeigt sich immer wieder, dass ein Modell mit CFI = .93 und RMSEA = .062 theoretisch sehr gut begründet und inhaltlich sinnvoll sein kann – während ein Modell mit CFI = .97 möglicherweise überparametrisiert ist.

Häufige Fehler bei der Interpretation

Weitere typische Interpretationsfehler:

• Cutoffs als Naturgesetze behandeln: Ein CFI von .949 ist nicht automatisch „inakzeptabel“. Betrachten Sie Cutoffs als Konvention, nicht als absolute Grenze.
• RMSEA ohne Konfidenzintervall berichten: Der Punktwert allein sagt wenig über die Schätzunsicherheit aus. Berichten Sie stets das 90%-KI und PCLOSE.
• Stichprobengröße ignorieren: Kleine Stichproben können RMSEA und SRMR systematisch verschlechtern – das gehört in die Diskussion.
• Gute Fit-Werte mit inhaltlicher Korrektheit gleichsetzen: Ein Modell kann statistisch gut passen und trotzdem theoretisch unsinnig sein.
• Modifikationsindizes unkritisch nutzen: Wenn Sie Ihr Modell auf Basis der Modifikationsindizes nachträglich anpassen, verschlechtern Sie die Fit-Werte mechanisch – das muss transparent kommuniziert werden.

Wer bereits in der Planungsphase auf eine ausreichend große Stichprobe und ein theoretisch fundiertes Modell achtet, vermeidet viele dieser Probleme. Mehr dazu im Beitrag zu den Voraussetzungen für ein SEM.

Fit-Indizes in der Abschlussarbeit berichten

Für den Ergebnisabschnitt Ihrer Bachelor- oder Masterarbeit empfiehlt sich eine kompakte, vollständige Darstellung aller relevanten Fit-Indizes in einem Satz oder einer Tabelle. Ein Beispiel:

„Das Strukturgleichungsmodell zeigte einen akzeptablen bis guten Modellfit: χ²(48) = 89.3, p < .001, χ²/df = 1.86, CFI = .96, RMSEA = .054 [90%-KI: .038, .070], PCLOSE = .21, SRMR = .062.“

Ergänzen Sie direkt darunter eine kurze Einordnung: Welche Indizes entsprechen den Cutoffs, welche liegen im akzeptablen Bereich, und was bedeutet das für Ihr Modell? Gehen Sie auch auf Einschränkungen ein – etwa eine kleinere Stichprobe oder ein hohes χ²/df bei großem N.

Die konfirmatorische Faktorenanalyse in Amos folgt dabei denselben Berichtskonventionen: Fit-Indizes werden vor der Interpretation der Faktorladungen berichtet, um die Grundlage des Messmodells zu legitimieren.

Wenn Sie unsicher sind, ob Ihr Modell die methodischen Anforderungen Ihrer Hochschule erfüllt oder wie Sie einen grenzwertigen Fit in Ihrer Arbeit argumentativ einbetten, bietet die professionelle Begleitung bei SPSS-Amos-Auswertungen eine zuverlässige Orientierung – von der Modellspezifikation bis zur Interpretation des Outputs.