Average Variance Extracted (AVE)
In diesem Beitrag
Was versteht man unter Average Variance Extracted (AVE)?
Die Average Variance Extracted (AVE) ist ein Maß zur Beurteilung der Konstruktvalidität in der Strukturgleichungsmodellierung (SEM) und konfirmatorischen Faktorenanalyse (CFA). Sie gibt an, wie viel Varianz eines latenten Konstrukts durchschnittlich durch seine Indikatoren erklärt wird – im Verhältnis zur Varianz, die auf Messfehler zurückgeht.
Formal berechnet sich die AVE für ein Konstrukt mit k Indikatoren wie folgt:
Formel: Average Variance Extracted
Dabei steht für die standardisierte Faktorladung des i-ten Indikators. Der Zähler summiert die quadrierten Faktorladungen (also die erklärte Varianz je Indikator), der Nenner addiert dazu die verbleibenden Messfehlervarianzen .
Als Daumenregel gilt ein AVE-Wert von ≥ 0,50 als akzeptabel. Das bedeutet, dass das Konstrukt mehr Varianz erklärt als durch Messfehler verloren geht. Dieser Grenzwert wurde von Fornell und Larcker (1981) etabliert und ist bis heute der meistzitierte Richtwert in der Forschung.
Warum ist AVE für statistische Analysen wichtig?
Die AVE wird in zwei zentralen Kontexten eingesetzt: zur Beurteilung der Konvergenzvalidität und der Diskriminanzvalidität eines Messmodells.
Konvergenzvalidität
Eine AVE ≥ 0,50 zeigt, dass die Indikatoren eines Konstrukts tatsächlich stark auf dasselbe latente Merkmal laden. Die Items „konvergieren“ also in einem gemeinsamen Faktor – ein Zeichen, dass das Konstrukt gut gemessen wird.
Diskriminanzvalidität nach dem Fornell-Larcker-Kriterium
Zwei Konstrukte gelten als diskriminanzvalide, wenn die AVE jedes Konstrukts größer ist als das quadrierte Korrelationskoeffizient zwischen den beiden Konstrukten. Anders formuliert: Ein Konstrukt sollte mehr Varianz mit seinen eigenen Indikatoren teilen als mit anderen Konstrukten im Modell.
Praxisbeispiel zu Average Variance Extracted (AVE)
Angenommen, du untersuchst in deiner Masterarbeit das Konstrukt „Lernmotivation“ mit vier Indikatoren (Items). Nach der CFA erhältst du folgende standardisierte Faktorladungen:
| Indikator | Faktorladung (λ) | λ² (erklärte Varianz) | Messfehler (1 − λ²) |
|---|---|---|---|
| Item 1 | 0,80 | 0,64 | 0,36 |
| Item 2 | 0,75 | 0,56 | 0,44 |
| Item 3 | 0,70 | 0,49 | 0,51 |
| Item 4 | 0,85 | 0,72 | 0,28 |
| Summe | – | 2,41 | 1,59 |
Die AVE berechnet sich dann als:
Berechnung im Beispiel
Ein AVE-Wert von 0,60 überschreitet den Grenzwert von 0,50 deutlich. Das bedeutet: 60 % der Varianz in den vier Items wird durch das Konstrukt „Lernmotivation“ erklärt. Die Konvergenzvalidität ist damit gegeben. Für die Diskriminanzvalidität würdest du diesen Wert anschließend mit den quadrierten Korrelationen zu anderen Konstrukten im Modell vergleichen.
