Chi-Quadrat-Test des Modellfits
In diesem Beitrag
Was versteht man unter dem Chi-Quadrat-Test des Modellfits?
Der Chi-Quadrat-Test des Modellfits ist ein statistischer Hypothesentest, der prüft, wie gut ein theoretisches Modell die beobachteten Daten erklärt. Er vergleicht dabei zwei Modelle miteinander: das Basismodell (auch Nullmodell genannt, das keinerlei Zusammenhänge annimmt) und das spezifizierte Modell (das die postulierten Strukturen oder Zusammenhänge enthält). Der Test wird vor allem in der konfirmatorischen Faktorenanalyse (CFA) und der Strukturgleichungsmodellierung (SEM) eingesetzt.
Technisch gesprochen basiert der Test auf der Likelihood-Ratio-Statistik. Der Chi-Quadrat-Wert ergibt sich aus dem Vergleich der Log-Likelihood-Werte des spezifizierten Modells und des sogenannten saturierten Modells – also jenem Modell, das die Daten perfekt reproduziert:
Teststatistik
Dabei steht n für die Stichprobengröße, F̂ für den minimalen Wert der Diskrepanzfunktion zwischen dem spezifizierten Modell und den beobachteten Daten. Der resultierende Chi-Quadrat-Wert wird mit den Freiheitsgraden (df) verglichen, die sich aus der Differenz zwischen den freien Parametern des saturierten Modells und des spezifizierten Modells ergeben.
Die Nullhypothese lautet: Das spezifizierte Modell passt exakt zu den Daten in der Population. Ein nicht-signifikantes Ergebnis (p > .05) gilt daher als Hinweis auf einen guten Modellfit.
Warum ist der Chi-Quadrat-Test des Modellfits für statistische Analysen wichtig?
In der Strukturgleichungsmodellierung und der Faktorenanalyse ist es entscheidend zu wissen, ob das aufgestellte Modell die Realität angemessen abbildet. Der Chi-Quadrat-Test liefert dabei eine der grundlegendsten Aussagen: Passt das Modell überhaupt zu den Daten?
In der Praxis wird er häufig als erster Fitindikator berichtet, bevor weitere Maße wie CFI, RMSEA oder SRMR herangezogen werden. Ein signifikanter Chi-Quadrat-Wert ist ein erstes Warnsignal, dass das Modell möglicherweise wichtige Zusammenhänge in den Daten nicht korrekt abbildet.
Praxisbeispiel zum Chi-Quadrat-Test des Modellfits
Eine Forscherin möchte in ihrer Dissertation prüfen, ob ein Zwei-Faktoren-Modell der Arbeitszufriedenheit (Faktor 1: intrinsische Motivation, Faktor 2: extrinsische Motivation) zu ihren Fragebogendaten passt. Sie führt eine konfirmatorische Faktorenanalyse (CFA) mit einer Stichprobe von n = 350 Personen durch.
| Kennwert | Wert | Bewertung |
|---|---|---|
| χ² (Chi-Quadrat) | 48.32 | – |
| Freiheitsgrade (df) | 26 | – |
| p-Wert | .005 | Signifikant (Warnsignal) |
| χ²/df | 1.86 | Akzeptabel (< 3) |
| CFI | .96 | Gut (≥ .95) |
| RMSEA | .049 | Gut (≤ .05) |
Obwohl der Chi-Quadrat-Test mit p = .005 statistisch signifikant ausfällt, zeigen die übrigen Fit-Indizes einen guten Modellfit. Die Forscherin interpretiert das signifikante Ergebnis als Folge der vergleichsweise großen Stichprobe und schlussfolgert auf Basis der Gesamtbewertung aller Indizes, dass ihr Zwei-Faktoren-Modell die Daten angemessen beschreibt. Diese Vorgehensweise – den Chi-Quadrat-Wert in Kombination mit weiteren Fit-Maßen zu berichten und zu diskutieren – entspricht dem aktuellen wissenschaftlichen Standard.
