Wann braucht man ein Strukturgleichungsmodell in der Dissertation?

Was ist ein Strukturgleichungsmodell – und was macht es besonders?

Ein Strukturgleichungsmodell (SEM) brauchen Sie in Ihrer Dissertation dann, wenn Sie gleichzeitig theoretische Konstrukte messen und ihre kausalen Beziehungen untereinander prüfen wollen – und wenn ein einzelnes Regressionsmodell dafür schlicht nicht ausreicht. Das klingt zunächst abstrakt, ist in der Praxis aber gut abgrenzbar.

SEM ist keine einzelne Methode, sondern eine Familie von Verfahren. Sie vereint zwei Bausteine unter einem Dach: das Messmodell (wie werden latente Konstrukte durch beobachtbare Indikatoren erfasst?) und das Strukturmodell (welche Konstrukte beeinflussen welche anderen Konstrukte?). Genau diese Kombination – Messmodell und Wirkmodell gemeinsam in einer Analyse zu prüfen – unterscheidet SEM von einfacheren Verfahren wie der multiplen Regression.

In der Praxis bedeutet das: Wenn Sie untersuchen, ob Arbeitszufriedenheit das Commitment beeinflusst und ob dabei Selbstwirksamkeit als Mediator fungiert – und all diese Konstrukte nur über Fragebogenitems zugänglich sind –, dann ist SEM das methodisch angemessene Werkzeug.

Wann ist ein SEM in der Dissertation sinnvoll?

Die entscheidende Frage ist nicht, ob SEM methodisch beeindruckend klingt – sondern ob Ihre Forschungsfrage es erfordert. Es gibt einige typische Konstellationen, in denen SEM klar die richtige Wahl ist.

1. Sie arbeiten mit latenten Variablen

Viele Konstrukte in Psychologie, Pädagogik oder Organisationsforschung – etwa Motivation, Burnout, Vertrauen oder kognitive Belastung – sind nicht direkt messbar. Sie werden über mehrere Items oder Indikatoren operationalisiert. SEM berücksichtigt dabei explizit den Messfehler jedes Indikators, was Regressionsanalysen mit Summenwerten nicht leisten können.

2. Sie wollen Mediations- oder Moderationshypothesen prüfen

Wenn Ihre Theorie besagt, dass Konstrukt A auf Konstrukt B wirkt, weil C vermittelt (Mediation) – und Sie das gleichzeitig auf Ebene latenter Variablen testen wollen –, dann ist SEM das methodisch stärkste Verfahren. Separate Regressionsanalysen (etwa nach Baron & Kenny) gelten in der modernen Methodenliteratur als überholt, weil sie Messfehler ignorieren.

3. Sie haben mehrere abhängige Variablen

Während eine Regression genau eine abhängige Variable modelliert, können Sie im SEM mehrere endogene Konstrukte gleichzeitig spezifizieren und dabei die Beziehungen zwischen ihnen abbilden. Das ist besonders relevant, wenn Ihre theoretischen Annahmen ein komplexes Wirkgefüge beschreiben.

4. Sie wollen ein theoretisches Modell konfirmatorisch prüfen

SEM eignet sich hervorragend zur Bestätigung theoretischer Modelle oder zum Vergleich konkurrierender Modelle. Wenn Sie in Ihrer Dissertation auf ein etabliertes Rahmenmodell aufbauen und dessen Passung empirisch belegen wollen, bietet SEM mit seinen Fit-Indizes genau dafür die nötige Infrastruktur.

SEM vs. Regression, CFA und Pfadanalyse: Was brauche ich wirklich?

Viele Promovierende entscheiden sich für SEM, ohne zu prüfen, ob ein einfacheres Verfahren die Forschungsfrage genauso gut – oder sogar präziser – beantworten würde. Die folgende Tabelle hilft bei der Einordnung.

Eine wichtige Abgrenzung, die in der Literatur klar herausgearbeitet wird: Die konfirmatorische Faktorenanalyse (CFA) prüft ausschließlich das Messmodell – also ob die Indikatoren die latenten Konstrukte angemessen repräsentieren. SEM geht darüber hinaus und modelliert zusätzlich strukturelle Beziehungen zwischen diesen Konstrukten. Wenn Sie also nur überprüfen wollen, ob Ihre Skala valide misst, reicht eine CFA. Erst wenn Sie auch Wirkpfade zwischen Konstrukten spezifizieren, wird ein vollständiges SEM benötigt.

Und wenn Sie ausschließlich Gruppenmittelwerte vergleichen oder eine einzelne abhängige Variable mit mehreren manifesten Prädiktoren untersuchen, ist eine Regression oder ANOVA in den meisten Fällen die bessere – weil einfachere und leichter kommunizierbare – Wahl. Mehr zu den komplexen statistischen Verfahren in Dissertationen insgesamt finden Sie in unserem separaten Beitrag.

Welche Voraussetzungen muss eine Dissertation erfüllen?

SEM ist methodisch anspruchsvoll – nicht nur in der Durchführung, sondern vor allem in der Begründung. Bevor Sie sich für dieses Verfahren entscheiden, sollten Sie prüfen, ob Ihre Arbeit die folgenden Bedingungen erfüllt.

Stichprobengröße

Als grobe Faustregel werden in der Methodenliteratur mindestens 200 Fälle für einfache SEM-Modelle empfohlen. Bei komplexeren Modellen mit vielen Parametern steigt der Bedarf deutlich. Eine sorgfältige Stichprobenplanung für Ihre Dissertation sollte daher frühzeitig erfolgen – idealerweise über eine Poweranalyse, deren Bedeutung wir in unserem Beitrag zur Poweranalyse in der Dissertation ausführlich erläutern.

Ausreichend Indikatoren pro Konstrukt

Jedes latente Konstrukt sollte durch mindestens 3 Indikatoren (besser 4–5) erfasst werden. Mit nur zwei Indikatoren ist ein Messmodell statistisch unteridentifiziert oder instabil.

Theoretische Fundierung

Ein SEM ohne belastbare Theorie ist methodisch nicht vertretbar. Die Pfadstruktur – welches Konstrukt beeinflusst welches? – muss aus dem Forschungsstand begründet werden, nicht aus den Daten heraus entwickelt werden. Das ist ein fundamentaler Unterschied zu explorativen Verfahren wie der explorativen Faktorenanalyse.

Qualität der Messinstrumente

Die Itemqualität Ihrer Skalen beeinflusst direkt die Güte des Messmodells und damit des gesamten SEM. Wenn Ihre Items niedrige Faktorladungen aufweisen oder theoretisch nicht trennscharf sind, werden auch hochwertige Schätzverfahren daran nichts ändern.

Modellfit: Was Promovierende wirklich wissen müssen

Eines der größten Stolpersteine beim SEM in Dissertationen ist die Beurteilung und Darstellung des Modellfits. Viele Arbeiten scheitern nicht an der Software, sondern an einer unzureichenden Modellbegründung und Ergebnisdarstellung.

Die wichtigsten Fit-Indizes

Zu den am häufigsten berichteten Indizes gehören:

• Chi-Quadrat-Test (χ²): Prüft, ob die modellimplizierte Kovarianzmatrix signifikant von der empirischen abweicht. Bei großen Stichproben fast immer signifikant – daher allein wenig aussagekräftig.
• RMSEA (Root Mean Square Error of Approximation): Werte unter 0,06 gelten als gut, unter 0,08 als akzeptabel – aber kontextabhängig.
• CFI / TLI (Comparative Fit Index / Tucker-Lewis Index): Werte ≥ 0,95 gelten als gut, ≥ 0,90 als akzeptabel.
• SRMR (Standardized Root Mean Square Residual): Werte unter 0,08 werden typischerweise als gut bewertet.

Wichtig: Diese Schwellenwerte sind keine absoluten Grenzwerte, sondern Orientierungspunkte. Aktuelle Forschung zeigt, dass Fit-Indizes von Stichprobengröße, Faktorladungen, Modellkomplexität und Schätzverfahren beeinflusst werden und nicht ohne Kontext interpretiert werden sollten. Eine Dissertation, die RMSEA = 0,07 ohne weitere Diskussion als „gut“ klassifiziert, wird im Gutachterverfahren kritisch bewertet.

In dieser Gleichung steht für eine endogene latente Variable, für exogene latente Variablen, für die Pfadkoeffizienten und für den Residualterm (unexplainierte Varianz).

Was Gutachtende wirklich sehen wollen

Im Ergebnisteil einer Dissertation mit SEM sollten Sie mindestens berichten: Schätzverfahren, Modellstruktur (idealerweise als Pfaddiagramm), alle relevanten Fit-Indizes mit Konfidenzintervallen, standardisierte Pfadkoeffizienten, Faktorladungen und erklärte Varianzanteile. Unzureichende Dokumentation ist nach wie vor eines der häufigsten Probleme bei SEM-Dissertationen – und ein vermeidbares dazu.

Entscheidungshilfe: Brauche ich ein SEM?

Wenn Sie unsicher sind, ob SEM das richtige Verfahren für Ihre Dissertation ist, helfen Ihnen diese Leitfragen bei der Entscheidung.

Eine systematische Planung der statistischen Auswertung Ihrer Dissertation hilft Ihnen, diese Entscheidung frühzeitig zu treffen – idealerweise bereits beim Schreiben des Auswertungsplans und nicht erst nach der Datenerhebung.

Software und Reporting

Welche Software für SEM in der Dissertation?

Für kovarianzbasiertes SEM stehen mehrere Software-Optionen zur Verfügung:

• R mit dem lavaan-Paket: Open Source, sehr flexibel, in der akademischen Forschung weit verbreitet. Gut dokumentiert und für Dissertationen sehr empfehlenswert.
• AMOS (IBM SPSS AMOS): Kommerzielle Software mit grafischer Oberfläche. Beliebt in der Psychologie, weil SPSS-Nutzer einen vertrauten Ökosystem-Anschluss haben.
• Mplus: Sehr leistungsfähig, insbesondere für komplexe Modelle mit kategorialen Variablen, fehlenden Werten oder Mehrebenenstrukturen. Steilere Lernkurve.
• SmartPLS: Für PLS-Pfadmodellierung, besonders in betriebswirtschaftlichen Dissertationen.

library(lavaan)

# Messmodell + Strukturmodell spezifizieren
modell <- '
  # Messmodell
  motivation =~ m1 + m2 + m3 + m4
  commitment =~ c1 + c2 + c3
  selbstwirksamkeit =~ s1 + s2 + s3 + s4

  # Strukturmodell
  commitment ~ motivation + selbstwirksamkeit
  selbstwirksamkeit ~ motivation
'

# Modell schätzen
fit <- sem(modell, data = dissertation_daten, estimator = "MLR")

# Ergebnisse ausgeben
summary(fit, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

Was beim Reporting zu beachten ist

Beim Schreiben des Methodenteils Ihrer Dissertation sollten Sie das Schätzverfahren (z. B. ML, MLR bei nicht-normalverteilten Daten), die Modellspezifikation und die Grundlage für die Modellentscheidung transparent begründen. Im Ergebnisteil sind alle Fit-Indizes mit ihren Grenzwerten zu berichten sowie alle standardisierten Pfadkoeffizienten mit Standardfehlern und p-Werten.

Falls Sie sich bei der Modellspezifikation oder Fit-Interpretation unsicher sind, ist das der Punkt, an dem professionelle methodische Unterstützung den größten Unterschied macht. Auf unserer Seite zur statistischen Begleitung von Dissertationen erfahren Sie, wie wir Sie dabei konkret unterstützen können.

Wer schließlich überlegt, ob das gewählte Verfahren zum Forschungsdesign passt – insbesondere wenn hierarchisch strukturierte Daten vorliegen –, sollte auch einen Blick auf die Mehrebenenanalyse als Alternative oder Ergänzung werfen.