Cross-Lagged Panel Model
In diesem Beitrag
Was versteht man unter dem Cross-Lagged Panel Model?
Das Cross-Lagged Panel Model (CLPM) ist ein Verfahren der Längsschnittanalyse, das untersucht, ob eine Variable zum Zeitpunkt t eine andere Variable zu einem späteren Zeitpunkt t+1 vorhersagt – und das wechselseitig für beide Variablen. Es kombiniert dabei zwei Arten von Pfaden:
- Autoregressive Pfade: Eine Variable sagt sich selbst zu einem späteren Zeitpunkt vorher (z. B. Stresslevel zu t1 → Stresslevel zu t2).
- Cross-Lagged Pfade: Eine Variable sagt die andere Variable zum nächsten Messzeitpunkt vorher – und umgekehrt (z. B. Stresslevel zu t1 → Burnout zu t2, und Burnout zu t1 → Stresslevel zu t2).
Formal lässt sich das Modell für zwei Variablen X und Y und zwei Messzeitpunkte so beschreiben:
Modellgleichungen
Dabei steht für den autoregrессiven Pfad von X auf sich selbst, für den cross-lagged Pfad von Y auf X, und bzw. für die jeweiligen Residualvariablen. Das Modell wird typischerweise im Rahmen der Strukturgleichungsmodellierung (SEM) geschätzt.
Warum ist das Cross-Lagged Panel Model für statistische Analysen wichtig?
Das CLPM ist vor allem in der sozialwissenschaftlichen, psychologischen und pädagogischen Forschung verbreitet, weil es eine der wenigen Methoden ist, die mit Beobachtungsdaten zumindest Hinweise auf die zeitliche Richtung von Zusammenhängen liefern kann. Das ist ein großer Vorteil gegenüber einer einfachen Querschnittskorrelation, die keinerlei zeitliche Ordnung abbildet.
Konkret bietet das CLPM folgende Stärken:
- Es kontrolliert für die Stabilität einer Variable über die Zeit (autoregressive Pfade).
- Es modelliert wechselseitige Beziehungen zwischen zwei Variablen gleichzeitig.
- Es lässt sich in SEM-Software (z. B. R-Paket lavaan, Mplus) flexibel erweitern, etwa um Messfehler oder Mediationseffekte.
Praxisbeispiel zu Cross-Lagged Panel Model
Eine Bildungsforscherin möchte untersuchen, ob Lesemotivation die spätere Leseleistung beeinflusst – oder ob es umgekehrt ist: Wer besser liest, wird motivierter. Sie erhebt bei 300 Schülerinnen und Schülern zu zwei Zeitpunkten (Beginn und Ende des Schuljahres) jeweils Lesemotivation und Leseleistung.
| Pfad | Von | Nach | β | Interpretation |
|---|---|---|---|---|
| Autoregressiv | Motivation t1 | Motivation t2 | .62 | Motivation ist über die Zeit stabil |
| Autoregressiv | Leistung t1 | Leistung t2 | .71 | Leistung ist über die Zeit stabil |
| Cross-Lagged | Motivation t1 | Leistung t2 | .18* | Frühere Motivation sagt spätere Leistung vorher |
| Cross-Lagged | Leistung t1 | Motivation t2 | .04 | Kein bedeutsamer Effekt in diese Richtung |
Das Ergebnis zeigt: Unter Kontrolle der jeweiligen Ausgangswerte sagt frühere Lesemotivation die spätere Leseleistung signifikant vorher (β = .18), nicht jedoch umgekehrt (β = .04, nicht signifikant). Die Forscherin kann schlussfolgern, dass die zeitliche Vorhersagerichtung eher von Motivation zu Leistung verläuft – auch wenn sie damit keine Kausalaussage im strengen Sinne treffen kann.
