Wie kann ich SEM in SPSS Amos verwenden?

Was ist SEM in Amos – und wofür brauchen Sie es?

Ein Strukturgleichungsmodell (SEM) ist ein Analyseverfahren, das mehrere Zusammenhänge zwischen Variablen gleichzeitig testet – einschließlich latenter (nicht direkt messbarer) Konstrukte. SPSS Amos ist eine der verbreitetsten Softwarelösungen dafür, weil es SEM über eine grafische Oberfläche mit Pfaddiagrammen zugänglich macht.

Kurz gesagt: Sie zeichnen Ihr theoretisches Modell als Diagramm, verbinden es mit Ihren Daten und lassen Amos die Pfadkoeffizienten sowie Fit-Indizes berechnen. Was sich einfach anhört, erfordert in der Praxis methodisches Vorwissen – dieser Artikel führt Sie Schritt für Schritt durch den gesamten Prozess.

Wenn Sie noch grundlegend klären möchten, wann und warum ein Strukturgleichungsmodell sinnvoll ist, empfiehlt sich zunächst ein Blick auf die konzeptionellen Grundlagen.

Vorbereitung: Daten, Modellstruktur und Voraussetzungen

Bevor Sie Amos öffnen, sollten drei Dinge feststehen: Ihr theoretisches Modell, Ihre Daten und die geprüften Voraussetzungen. Wer diesen Schritt überspringt, verliert später viel Zeit bei der Fehlersuche.

Theorie zuerst

SEM ist ein konfirmatorisches Verfahren – Sie testen ein vorab spezifiziertes Modell, das Sie auf Basis von Theorie oder vorheriger Literatur begründen. Explorative Modifikationen im Nachhinein sind methodisch problematisch und müssen transparent berichtet werden.

Legen Sie fest, welche Konstrukte Sie messen möchten, welche Indikatoren (Items) zu welchem latenten Faktor gehören und welche gerichteten oder ungerichteten Zusammenhänge Sie erwarten. Das Messmodell und das Strukturmodell sollten Sie konzeptionell trennen, bevor Sie mit dem Zeichnen beginnen.

Datenvorbereitung

Amos liest SPSS-Datendateien (.sav) direkt ein – das ist ein zentraler Vorteil gegenüber anderen SEM-Programmen. Wenn Sie noch unsicher sind, wie die Datenübertragung konkret funktioniert, hilft der Beitrag zum Thema Daten von SPSS nach Amos übertragen.

Typische SEM-Datensätze in den Sozialwissenschaften arbeiten mit fünfstufigen Likert-Items, was dem Anwendungsfall vieler Abschlussarbeiten entspricht. Achten Sie dabei auf:

• Ausreichende Stichprobengröße (Faustregel: mindestens 200 Fälle, besser mehr)
• Geprüfte multivariate Normalverteilung der Indikatoren
• Behandlung fehlender Werte – wie Sie dabei vorgehen, erklärt der Beitrag zu fehlenden Werten in SPSS Amos
• Keine extremen Ausreißer, die die Kovarianzstruktur verzerren

Voraussetzungen prüfen

Die zentralen Voraussetzungen für ein SEM umfassen neben der Stichprobengröße auch die Messniveaus der Indikatoren, die Modellidentifikation und die Normalverteilungsannahme. Gerade die Modellidentifikation – also die Frage, ob Ihr Modell überhaupt eindeutig schätzbar ist – wird häufig unterschätzt.

Schritt 1: Pfaddiagramm in Amos zeichnen

Amos öffnet sich mit einer leeren Zeichenfläche und einer Werkzeugleiste. Die grafische Modellspezifikation ist das Herzstück der Software. Zwei Formtypen tragen dabei die gesamte Semantik des Modells:

Diese Grundlogik ist in der offiziellen Amos-Dokumentation ausführlich beschrieben: Rechtecke stehen für beobachtete Variablen, Ellipsen für latente oder Fehler-Komponenten, einfache Pfeile für gerichtete Abhängigkeiten und Doppelpfeile für Kovarianzen.

Latente Variablen skalieren

Latente Variablen haben keine natürliche Messskala. Um das Modell zu identifizieren, müssen Sie einen Pfad pro latenter Variable auf 1 fixieren. In Amos geschieht das, indem Sie mit der rechten Maustaste auf einen Pfad klicken und unter Object Properties → Parameter den Regressionskoeffizienten auf den Wert 1 setzen. Damit wird die Skala der latenten Variable an die Skala dieses Indikators geknüpft.

Alternativ können Sie in Amos automatisch die erste Ladung einer jeden latenten Variable auf 1 fixieren lassen – die Option finden Sie unter Analyze → Manage Models.

Fehlerterme hinzufügen

Jede beobachtete Variable benötigt einen eigenen Fehlerterm. In Amos können Sie diese automatisch ergänzen: Plugins → Draw Covariances oder über das entsprechende Symbol in der Werkzeugleiste (Add a unique variable to an existing variable). Benennen Sie die Fehlerterme konsistent, z. B. e1, e2, e3.

Schritt 2: Datenquelle verbinden und Variablen zuweisen

Sobald die Modellstruktur steht, verknüpfen Sie Amos mit Ihrer SPSS-Datei. Klicken Sie auf File → Data Files → File Name und wählen Sie Ihre .sav-Datei aus. Amos lädt automatisch alle Variablennamen aus dem Datensatz.

Variablen ins Diagramm ziehen

Über View → Variables in Dataset öffnen Sie die Variablenliste. Von dort ziehen Sie die beobachteten Variablen per Drag-and-Drop in die bereits gezeichneten Rechtecke Ihres Diagramms – oder Sie benennen die Rechtecke direkt per Doppelklick mit dem entsprechenden Variablennamen.

Latente Variablen haben keine Entsprechung im Datensatz – sie erhalten lediglich einen theoretischen Namen (z. B. „Motivation“, „Commitment“). Fehlerterme bleiben in der Regel anonym oder werden mit e1, e2 etc. beschriftet.

Datenbindung prüfen

Amos zeigt in der Statuszeile an, ob alle Rechtecke korrekt mit Variablen aus dem Datensatz verknüpft sind. Nicht verknüpfte Variablen führen zu einem Fehler beim Schätzen. Prüfen Sie daher, ob Variablennamen im Diagramm exakt mit den SPSS-Variablennamen übereinstimmen – Groß-/Kleinschreibung eingeschlossen.

Schritt 3: Schätzung berechnen

Die Schätzung starten Sie über Analyze → Calculate Estimates (oder das entsprechende Play-Symbol in der Werkzeugleiste). Damit wird Ihr theoretisches Pfaddiagramm zu einem empirischen Modell: Amos berechnet auf Basis der Kovarianzstruktur Ihrer Daten die Pfadkoeffizienten, Faktorladungen und Fehlervarianzen.

Schätzverfahren wählen

Amos verwendet standardmäßig Maximum Likelihood (ML) als Schätzverfahren. ML ist robust und in der Forschungspraxis weit verbreitet, setzt aber multivariate Normalverteilung voraus. Unter View → Analysis Properties → Estimation können Sie alternative Verfahren wie Generalized Least Squares (GLS) oder Asymptotically Distribution Free (ADF) auswählen, wenn die Normalverteilungsannahme verletzt ist.

Die Kovarianzmatrix der beobachteten Variablen wird durch Modellparameter reproduziert: enthält die Faktorladungen, die Kovarianzen der latenten Variablen und die Fehlervarianzen. ML-Schätzung minimiert die Abweichung zwischen der modellimplizierten und der empirischen Kovarianzmatrix.

Output-Optionen vorab festlegen

Unter View → Analysis Properties → Output legen Sie fest, welche Kennzahlen Amos zusätzlich berechnen soll. Für eine vollständige Analyse sollten Sie mindestens diese Optionen aktivieren:

• Standardized estimates – für vergleichbare Pfadkoeffizienten
• Squared multiple correlations – für R²-Werte der abhängigen Variablen
• Modification indices – für eventuelle Modellverbesserungen
• Indirect, direct and total effects – besonders bei Mediationsmodellen

Schritt 4: Output lesen und Fit-Indizes interpretieren

Nach der Schätzung wechselt das Diagramm in den Ausgabemodus. Sie sehen die unstandardisierten und standardisierten Pfadkoeffizienten direkt im Diagramm. Den vollständigen Textoutput öffnen Sie über View → Text Output.

Pfadkoeffizienten lesen

Die standardisierten Koeffizienten (Beta-Gewichte) geben an, um wie viele Standardabweichungen sich eine abhängige Variable verändert, wenn die unabhängige Variable um eine Standardabweichung steigt. Werte über |0.20| gelten als praktisch bedeutsam, wenngleich die inhaltliche Interpretation immer im Vordergrund stehen sollte.

Der R²-Wert – in Amos als squared multiple correlation ausgegeben – gibt an, welchen Anteil der Varianz einer endogenen Variable das Modell erklärt. Dieser Wert ist ein wichtiger Bestandteil der Ergebnisberichterstattung und wird, wie in universitärem Lehr- und Kursmaterial als erklärte Varianz der abhängigen Variable dokumentiert, zusammen mit den Fit-Indizes berichtet.

Fit-Indizes beurteilen

Der Modellfit zeigt, wie gut Ihr spezifiziertes Modell die empirischen Daten reproduziert. Amos gibt eine Vielzahl von Fit-Indizes aus – aber nicht alle sind gleich aussagekräftig. Die Forschungsliteratur empfiehlt, mehrere Fit-Indizes gemeinsam zu berichten und transparent auszuwählen, statt mechanisch einzelne Grenzwerte anzuwenden.

Eine ausführliche Erklärung, wie Sie diese Kennzahlen einordnen, finden Sie im Beitrag Fit-Indizes in Amos interpretieren (CFI, RMSEA, SRMR).

Modification Indices nutzen

Wenn der Fit unbefriedigend ist, liefern die Modification Indices (MI) im Textoutput Hinweise, welche zusätzlichen Pfade oder Kovarianzen die Modellpassung verbessern würden. Ein MI über 10 gilt als praktisch relevant. Wichtig: Jede Modifikation muss theoretisch begründbar sein – rein datengetriebene Anpassungen gelten als methodisch problematisch und müssen als solche transparent gemacht werden.

Schritt 5: Ergebnisse korrekt berichten

Die Ergebnisdarstellung eines SEM in einer Abschlussarbeit folgt einer klaren Struktur. Im Methodenteil beschreiben Sie das Schätzverfahren, die verwendete Software und die Modellspezifikation. Im Ergebnisteil berichten Sie:

• Fit-Indizes (mindestens χ²/df, RMSEA, CFI, SRMR) mit Richtwerten
• Standardisierte Pfadkoeffizienten mit Standardfehlern und p-Werten
• R²-Werte der endogenen Variablen
• Bei Mediationsmodellen: direkte, indirekte und totale Effekte
• Das Pfaddiagramm als Abbildung mit standardisierten Schätzern

Wie Sie SEM-Ergebnisse konkret und nach wissenschaftlichem Standard aufbereiten, beschreibt der Beitrag SEM-Ergebnisse in einer Abschlussarbeit berichten ausführlich.

Für Analysen, die über einfache Pfadmodelle hinausgehen – etwa Mediations- oder Moderationsmodelle – empfehlen sich die weiterführenden Beiträge zu Mediationseffekten in SPSS Amos und Moderationseffekten in SPSS Amos.

Typische Fehler und wie Sie sie vermeiden

In der Praxis begegnen uns bei der methodischen Begleitung von Abschlussarbeiten immer wieder dieselben Stolperstellen. Die folgende Übersicht fasst die häufigsten zusammen:

Gerade der letzte Punkt verdient besondere Aufmerksamkeit: Es empfiehlt sich, zunächst das Messmodell isoliert per konfirmatorischer Faktorenanalyse in Amos zu prüfen, bevor das Strukturmodell mit den Hypothesenpfaden geschätzt wird. Dieses zweistufige Vorgehen stellt sicher, dass die Konstruktmessung valide ist, bevor Kausalbeziehungen interpretiert werden.

Wenn Sie bei der Umsetzung Ihres SEM in Amos auf methodische oder technische Schwierigkeiten stoßen, bietet die SPSS Amos-Beratung von QuantExpert professionelle Unterstützung – von der Modellspezifikation über die Schätzung bis zur Ergebnisinterpretation.