Welche Voraussetzungen müssen für ein SEM erfüllt sein?

Was sind die grundlegenden Voraussetzungen für SEM?

Strukturgleichungsmodelle (SEM) sind leistungsstarke Analyseverfahren, die gleichzeitig Mess- und Strukturmodelle prüfen können. Aber mit dieser Stärke geht eine klare Bedingung einher: SEM funktioniert nur dann zuverlässig, wenn eine Reihe methodischer Voraussetzungen erfüllt ist – und diese beginnen lange vor dem ersten Klick in SPSS Amos.

Die zentralen Voraussetzungen lassen sich in sechs Bereiche gliedern:

• Theoretische Fundierung und vollständige Modellspezifikation vor der Schätzung
• Modellidentifikation: Das Modell muss mathematisch lösbar sein
• Ausreichende Stichprobengröße, die zur Modellkomplexität passt
• Verteilungsannahmen: Annähernde Normalverteilung der Indikatoren
• Qualität des Messmodells: Reliabilität und Validität der Indikatoren
• Vollständige Daten oder sachgerechter Umgang mit fehlenden Werten

In der Praxis zeigt sich, dass viele Schwierigkeiten bei der Auswertung in Abschlussarbeiten auf Versäumnisse in der Planungsphase zurückgehen – nicht auf Fehler in der Software. Wer SEM in SPSS Amos einsetzen möchte, sollte diese Punkte daher bereits bei der Konzeption der Studie berücksichtigen.

Theoretische Fundierung und Modellspezifikation

SEM ist kein exploratives Verfahren. Im Gegensatz zur explorativen Faktorenanalyse basiert es auf einem vorab formulierten theoretischen Modell, das vor der Schätzung vollständig spezifiziert sein muss. Das bedeutet: Sie legen im Vorfeld fest, welche Variablen als latente Konstrukte modelliert werden, welche Indikatoren zu welchem Konstrukt gehören und welche Pfade zwischen den Konstrukten angenommen werden.

Ein häufiges Missverständnis ist, SEM als Methode zu betrachten, die kausale Zusammenhänge automatisch aufdeckt. Tatsächlich erzeugt SEM keine kausalen Aussagen aus sich heraus – kausale Interpretationen sind nur dann plausibel, wenn Forschungsdesign, Theorie und zeitliche Ordnung der Variablen dies inhaltlich begründen. Ein Querschnittdesign mit SEM belegt keine Kausalität, auch wenn die Pfadkoeffizienten statistisch signifikant sind.

Was zur Modellspezifikation gehört

Bevor Sie Daten in Amos einlesen, sollten folgende Festlegungen getroffen sein:

• Welche Konstrukte sind latent, welche sind manifest (beobachtet)?
• Welche Pfade werden angenommen (welche explizit auf null gesetzt)?
• Gibt es Mediations- oder Moderationseffekte? (Zu Letzterem finden Sie mehr in unserem Beitrag zu Mediationseffekten in SPSS Amos.)
• Welche Fehlervarianzen werden als korreliert angenommen?
• In welche Richtung verlaufen die Pfade – und warum?

Modellidentifikation: Eine unterschätzte Bedingung

Ein SEM muss vor der Schätzung identifiziert sein. Das bedeutet: Es müssen genügend bekannte Informationen (beobachtete Varianzen und Kovarianzen) vorhanden sein, um alle freien Parameter eindeutig schätzen zu können.

Formal ausgedrückt: Die Anzahl der frei zu schätzenden Parameter darf die Anzahl der beobachteten Informationen nicht übersteigen.

Dabei steht für die Anzahl der beobachteten Variablen und für die Anzahl der frei geschätzten Parameter. Für ein identifiziertes Modell muss gelten.

Drei Stufen der Identifikation

Für jede latente Variable muss außerdem eine Skalenfixierung vorgenommen werden, entweder durch Fixierung einer Faktorladung auf 1 oder durch Fixierung der Varianz des Faktors. Amos erledigt das in der Standardeinstellung automatisch, aber es ist wichtig, diesen Schritt zu verstehen.

Stichprobengröße: Keine einfachen Faustregeln

Die Frage nach der Mindeststichprobengröße für SEM ist eine der meistgestellten – und am häufigsten falsch beantworteten. Gängige Faustregeln wie „mindestens 200 Fälle“ oder „10 Fälle pro Parameter“ klingen handlich, sind aber oft unzureichend, weil die erforderliche Stichprobengröße maßgeblich von Modellkomplexität, Effektgröße und Messreliabilität abhängt.

Was die Stichprobengröße tatsächlich bestimmt

Folgende Faktoren erhöhen den Stichprobenbedarf:

• Mehr freie Parameter (komplexere Modelle) erfordern größere Stichproben
• Schwache Faktorladungen (unter 0,50) machen Schätzungen instabiler
• Nichtnormalverteilte Daten erfordern mehr Fälle für stabile Ergebnisse
• Hoher Anteil fehlender Werte reduziert die effektive Stichprobengröße
• Kleine Effektstärken zwischen den Konstrukten erfordern mehr Power

Für Abschlussarbeiten empfiehlt sich daher eine modellbezogene Stichprobenplanung – idealerweise über eine A-priori-Poweranalyse oder Simulationsüberlegungen – statt über starre Richtwerte. Für einfache Modelle mit wenigen latenten Variablen, hohen Faktorladungen und annähernder Normalverteilung können 100–150 Fälle unter Umständen ausreichen. Für komplexe Modelle mit vielen Konstrukten sind 300 oder mehr Fälle oft notwendig.

Verteilungsannahmen und Messniveau

Die standardmäßig in Amos verwendete Schätzmethode ist Maximum Likelihood (ML). Diese Methode setzt voraus, dass die beobachteten Variablen (Indikatoren) annähernd multivariat normalverteilt sind. Verletzungen dieser Annahme können die Standardfehler und Fit-Statistiken verzerren.

Wann wird die Normalverteilungsannahme problematisch?

Als grobe Orientierung gilt: Univariate Schiefe über 2 und Kurtosis über 7 können als Hinweise auf moderate bis ernsthafte Nichtnormalität gewertet werden, wobei diese Schwellenwerte nur als Orientierung dienen und nicht mechanisch angewendet werden sollten. Entscheidend ist das Gesamtbild: Wie stark weichen die Verteilungen ab, und wie groß ist die Stichprobe?

Häufige Ursachen für Nichtnormalität in Abschlussarbeiten:

• Likert-Skalen mit wenigen Kategorien (z.B. 4-stufig), die grob kategorial sind
• Stark schief verteilte Variablen (z.B. Häufigkeiten seltener Ereignisse)
• Ausreißer, die die Verteilung verzerren

Mögliche Reaktionen auf Nichtnormalität

• Bootstrapping in Amos: Liefert robustere Konfidenzintervalle und Standardfehler
• Satorra-Bentler-Korrektur: Skaliert die Chi-Quadrat-Statistik (in Amos über FIML oder externe Software)
• Transformationen der Variablen (z.B. Logarithmierung) – inhaltlich begründen
• Alternative Schätzmethoden (z.B. WLS/WLSMV bei kategorialen Indikatoren)

Das Messniveau spielt ebenfalls eine wichtige Rolle: ML-SEM setzt metrisches Niveau voraus. Wer ordinale Indikatoren mit wenigen Stufen verwendet, sollte prüfen, ob alternative Schätzmethoden angemessener sind.

Qualität des Messmodells

Ein SEM besteht aus zwei Teilen: dem Messmodell und dem Strukturmodell. Das Messmodell legt fest, wie die beobachteten Indikatoren die latenten Konstrukte repräsentieren. Sind die Indikatoren unzuverlässig oder messen sie das falsche Konstrukt, werden auch die Pfadkoeffizienten im Strukturmodell verzerrt – egal wie sorgfältig die Analyse durchgeführt wird.

Mindestanforderungen an das Messmodell

• Mindestens 2, besser 3 Indikatoren pro latentem Konstrukt (bei nur 2 Indikatoren entstehen Identifikationsprobleme)
• Faktorladungen ≥ 0,50, idealerweise ≥ 0,70, als Zeichen ausreichender Indikatorreliabilität
• Konvergente Validität: Die Indikatoren eines Konstrukts sollten untereinander hoch korrelieren
• Diskriminante Validität: Verschiedene Konstrukte sollten sich hinreichend voneinander unterscheiden

In der Praxis wird empfohlen, das Messmodell zunächst als konfirmatorische Faktorenanalyse (CFA) in Amos isoliert zu prüfen, bevor das Strukturmodell geschätzt wird. Dieses zweistufige Vorgehen hilft, Messprobleme frühzeitig zu erkennen und von Strukturproblemen zu trennen.

Fehlende Werte und Multikollinearität

Fehlende Werte

Fehlende Werte sind in Umfragedaten die Regel, nicht die Ausnahme. ML-SEM setzt vollständige Daten voraus – zumindest in der klassischen Implementierung. Amos bietet jedoch die Möglichkeit, fehlende Werte über Full Information Maximum Likelihood (FIML) direkt in der Schätzung zu berücksichtigen. FIML gilt als moderner Standard und ist dem listenweisen oder paarweisen Fallausschluss klar überlegen.

Voraussetzung für FIML ist, dass die Daten Missing at Random (MAR) oder Missing Completely at Random (MCAR) sind – also nicht systematisch fehlen. Wie Sie in Amos konkret mit fehlenden Werten umgehen, erläutert unser Beitrag zu fehlenden Werten in SPSS Amos.

Multikollinearität zwischen Prädiktoren

Hohe Korrelationen zwischen latenten Konstrukten (z.B. r > 0,85) können auf Diskriminanzvaliditätsprobleme hinweisen und die Schätzung destabilisieren. Prüfen Sie daher bereits die Korrelationsmatrix der Konstrukte und überprüfen Sie, ob inhaltlich ähnliche Konstrukte tatsächlich getrennt modelliert werden sollten.

Checkliste für die Praxis

Bevor Sie Ihr SEM in Amos schätzen, sollten Sie die folgenden Punkte systematisch durchgehen. Professionelle Unterstützung bei SPSS Amos kann dabei helfen, kritische Probleme frühzeitig zu erkennen – insbesondere bei komplexen Modellen.

Die Interpretation der Ergebnisse – insbesondere der Fit-Indizes CFI, RMSEA und SRMR – ist der nächste Schritt, sobald diese Voraussetzungen erfüllt sind. Wie Sie ein Pfadmodell in SPSS Amos konkret aufbauen, erläutert ein separater Beitrag.