Was ist ein Strukturgleichungsmodell und wann braucht man es?

Was ist ein Strukturgleichungsmodell?

Ein Strukturgleichungsmodell (englisch: Structural Equation Model, kurz SEM) ist ein multivariates statistisches Verfahren, das theoretisch hergeleitete Zusammenhänge zwischen mehreren Variablen gleichzeitig prüft. Es verbindet die Logik der Faktorenanalyse, der Pfadanalyse und der Regressionsanalyse in einem einzigen Modellrahmen.

Der entscheidende Unterschied zu einfacheren Methoden: SEM kann nicht nur direkt messbare Variablen (sogenannte manifeste Variablen) analysieren, sondern auch latente Konstrukte – also theoretische Größen wie Motivation, Arbeitszufriedenheit oder Kaufbereitschaft, die nicht direkt beobachtbar sind und über mehrere Indikatoren gemessen werden.

In der Fachliteratur wird SEM als Familie von Ansätzen beschrieben, die Faktorenanalyse, Pfadanalyse und Regressionslogik integriert und es Forschenden erlaubt, theoretisch abgeleitete Beziehungen zwischen latenten Konstrukten und beobachteten Variablen simultan zu modellieren. Das macht SEM besonders leistungsfähig – und gleichzeitig methodisch anspruchsvoller als viele andere Auswertungsverfahren.

Aufbau: Messmodell und Strukturmodell

Ein vollständiges SEM besteht aus zwei ineinandergreifenden Teilen, die gemeinsam geschätzt werden:

Das Messmodell

Das Messmodell (auch: äußeres Modell) beschreibt, wie latente Konstrukte durch ihre beobachtbaren Indikatoren gemessen werden. Es entspricht im Wesentlichen einer konfirmatorischen Faktorenanalyse: Jeder Indikator lädt auf einen oder mehrere Faktoren, und für jeden Indikator wird ein Messfehler geschätzt.

Typisches Beispiel: Das latente Konstrukt „Arbeitszufriedenheit“ wird über fünf Fragebogen-Items operationalisiert. Jedes Item ist ein manifester Indikator, der Konstrukt-Score selbst ist nicht direkt beobachtbar.

Das Strukturmodell

Das Strukturmodell (auch: inneres Modell) beschreibt die Beziehungen zwischen den latenten Konstrukten – also welches Konstrukt welches andere beeinflusst. Es entspricht einer Pfadanalyse auf Ebene der latenten Variablen.

Den genauen Unterschied zwischen Messmodell und Strukturmodell zu kennen, ist für die korrekte Modellspezifikation und Ergebnisinterpretation unerlässlich. Beide Ebenen werden in SEM simultan geschätzt – das ist einer der zentralen methodischen Vorteile gegenüber separaten Analysen.

Dabei steht für den Vektor der beobachteten Variablen, für die Faktorladungsmatrix, für die latenten Variablen und für die Messfehler. Bollens Standardwerk zeigt, dass SEM damit Messfehler explizit modelliert statt sie zu ignorieren – ein entscheidender Vorteil gegenüber einfachen Regressionen, bei denen Messfehler in den Residuen verschwinden und Schätzungen verzerren können.

Wann braucht man ein SEM?

Das ist die entscheidende Frage – und die Antwort ist klarer, als viele vermuten. SEM ist dann das richtige Verfahren, wenn mindestens einer der folgenden Punkte auf Ihre Forschungsfrage zutrifft:

• Latente Konstrukte: Sie messen theoretische Konzepte (z.B. Persönlichkeit, Einstellung, Kompetenz) über mehrere Indikatoren und wollen Messfehler explizit berücksichtigen.
• Komplexe Wirkpfade: Ihr Modell enthält mehrere abhängige Variablen oder eine Variable ist gleichzeitig abhängig und unabhängig (z.B. bei Mediationsketten).
• Mediationsanalyse: Sie wollen prüfen, ob ein Effekt von X auf Y über eine Zwischenvariable M vermittelt wird – und das möglichst präzise mit Bootstrapping.
• Theoriepruüfung: Sie haben ein theoretisch fundiertes Gesamtmodell, das Sie als Ganzes mit den Daten konfrontieren wollen (konfirmatorischer Ansatz).
• Mehrere abhängige Variablen: Sie wollen Beziehungen zwischen mehreren endogenen Variablen gleichzeitig schätzen, ohne das Problem multipler Regressionen und inflierter Fehlerwahrscheinlichkeiten.

Besonders häufig wird SEM in Psychologie, Sozialwissenschaften, Betriebswirtschaft und Medizin eingesetzt – überall dort, wo theoretische Konstrukte im Mittelpunkt stehen, die sich einer direkten Messung entziehen. In einer Masterarbeit über Kaufentscheidungsverhalten etwa lassen sich Konstrukte wie „wahrgenommene Qualität“, „Vertrauen“ und „Kaufabsicht“ elegant in einem SEM verknüpfen.

Wann SEM nicht nötig ist

SEM ist kein Allheilmittel. Wenn Ihre Konstrukte direkt messbar sind, keine Mediationsketten vorliegen und Sie lediglich eine abhängige Variable haben, ist eine multiple Regression oft die elegantere und leichter zu begründende Wahl. SEM wegen seiner Komplexität einzusetzen, obwohl eine einfachere Methode ausreicht, ist ein häufiger Fehler in Abschlussarbeiten.

Vorteile gegenüber Regression und Faktorenanalyse

Warum nicht einfach getrennte Regressionen rechnen? Der Unterschied ist substanziell:

Ein weiterer zentraler Vorteil: SEM ermöglicht die simultane Schätzung aller Modellparameter. Bei getrennten Regressionen wird die Unsicherheit aus vorangegangenen Schritten nicht weitergegeben – das führt zu verzerrten Standardfehlern und unrealistisch sicheren Schätzungen. SEM berücksichtigt diese Unsicherheit systematisch.

Varianten: CB-SEM, PLS-SEM und Pfadmodelle

Der Begriff SEM umfasst verschiedene methodische Traditionen. Für Studierende sind vor allem drei Varianten relevant:

Kovarianzbasiertes SEM (CB-SEM)

CB-SEM ist die klassische Form, die in Programmen wie SPSS Amos implementiert ist. Es basiert auf der Schätzung der Kovarianzstruktur und zielt darauf ab, die modellimplizierte Kovarianzmatrix möglichst gut an die empirische Kovarianzmatrix anzupassen. Gütekriterien wie CFI, RMSEA und SRMR bewerten diesen Fit – mehr dazu in unserem Beitrag zur Interpretation von Fit-Indizes in Amos.

PLS-SEM (Partial Least Squares)

PLS-SEM ist eine varianzbasierte Alternative, die besonders bei kleinen Stichproben oder explorativen Modellen eingesetzt wird. Es stellt geringere Ansprüche an Stichprobengröße und Verteilungsannahmen, hat aber einen anderen methodischen Fokus: Vorhersagegüte statt Modellfit.

Pfadanalyse

Die Pfadanalyse ist eine Sonderform des SEM ohne latente Konstrukte – alle Variablen sind direkt beobachtbar. Sie eignet sich für einfachere Kausalmodelle und ist ein guter Einstieg, bevor man vollständige SEM mit Messmodellen umsetzt. Wie ein solches Modell in der Praxis erstellt wird, beschreibt unser Beitrag zum Pfadmodell in SPSS Amos.

Klines Standardwerk zur Methode stellt klar, dass SEM mehrere methodische Traditionen umfasst – von kovarianzbasierter Modellierung bis zu PLS-Pfadmodellen – und dass die Wahl der Variante von der Forschungsfrage, dem Modelltyp und den Datenvoraussetzungen abhängt.

Voraussetzungen und typische Fehler

SEM ist methodisch anspruchsvoll. Wer die Voraussetzungen unterschätzt, riskiert fehlerhafte Ergebnisse oder ein nicht identifiziertes Modell. Eine vollständige Übersicht bietet unser Artikel zu den Voraussetzungen für ein SEM. Die wichtigsten Punkte im Überblick:

• Stichprobengröße: Als Faustregel gilt ein Verhältnis von mindestens 10 Fällen pro freiem Parameter, häufig werden Mindeststichproben von N ≥ 200 empfohlen – je nach Modellkomplexität auch mehr.
• Multinormalverteilung: CB-SEM setzt multivariate Normalverteilung voraus. Bei Verletzungen empfehlen sich robuste Schätzmethoden (z.B. MLR) oder Bootstrapping.
• Modellidentifikation: Ein SEM ist nur dann schätzbar, wenn das Modell identifiziert ist – also mehr empirische Informationen (Varianzen, Kovarianzen) vorliegen als freie Parameter zu schätzen sind.
• Fehlende Werte: Listwise Deletion verkleinert die Stichprobe unnötig. Besser geeignet sind Full Information Maximum Likelihood (FIML) oder Multiple Imputation – wie man dabei in Amos vorgeht, erklärt unser Beitrag zum Umgang mit fehlenden Werten in SPSS Amos.
• Theoretische Grundlage: SEM ist ein konfirmatorisches Verfahren. Das Modell muss vor der Analyse theoriegeleitet spezifiziert werden – nicht im Nachhinein durch schrittweise Modifikationen optimiert werden.

Der SEM-Workflow in der Praxis

In der Praxis folgt eine SEM-Analyse einem klar strukturierten Ablauf. Dieser lässt sich unabhängig von der verwendeten Software – ob SPSS Amos, R lavaan oder Mplus – in folgende Phasen unterteilen:

1. Modellspezifikation: Auf Basis der Theorie legen Sie fest, welche Konstrukte Sie modellieren, welche Indikatoren ihnen zugeordnet sind und welche Pfade Sie hypothetisieren.
2. Identifikationsprüfung: Sie prüfen, ob das Modell identifiziert ist (df ≥ 0). Unteridentifizierte Modelle können nicht geschätzt werden.
3. Datenübertragung und Schätzung: Sie übertragen Ihre Daten in die Software und lassen das Modell schätzen – wie das konkret in Amos funktioniert, zeigt unser Artikel zur Datenübertragung von SPSS nach Amos.
4. Fit-Beurteilung: Sie beurteilen, wie gut das spezifizierte Modell zu den Daten passt – anhand globaler Fit-Indizes (CFI ≥ .95, RMSEA ≤ .06, SRMR ≤ .08) und lokaler Gütekriterien.
5. Parameterschätzung und Interpretation: Sie interpretieren die standardisierten Pfadkoeffizienten, Faktorladungen und ggf. indirekte Effekte. Für Mediationseffekte in SPSS Amos empfiehlt sich die Bootstrapping-Methode.
6. Berichterstattung: Sie berichten Modellstruktur, Fit-Indizes, Pfadkoeffizienten und Effektstärken nach wissenschaftlichem Standard – hilfreiche Hinweise dazu finden Sie in unserem Beitrag zum Berichten von SEM-Ergebnissen in der Abschlussarbeit.

Wer SEM in SPSS Amos umsetzen möchte, findet eine ausführliche Einführung in unserem Beitrag Wie kann ich SEM in SPSS Amos verwenden?. Für eine umfassende methodische Begleitung – von der Modellspezifikation bis zur Ergebnisinterpretation – steht Ihnen das Team von QuantExpert für SPSS Amos-Auswertungen zur Verfügung.

SEM klingt auf den ersten Blick komplex – und das ist es in gewisser Hinsicht auch. Mit dem richtigen methodischen Verständnis und einem klaren theoretischen Modell als Ausgangspunkt ist es aber ein außerordentlich präzises Werkzeug, das gerade in empirischen Abschlussarbeiten erheblichen Mehrwert liefert.