Latente Variable
In diesem Beitrag
Was versteht man unter einer latenten Variable?
Eine latente Variable ist eine theoretische Größe, die nicht direkt beobachtet oder gemessen werden kann. Sie wird stattdessen aus mehreren manifesten Variablen – also direkt messbaren Indikatoren – erschlossen. Latente Variablen repräsentieren typischerweise abstrakte psychologische, soziale oder wirtschaftliche Konstrukte wie Intelligenz, Motivation, Zufriedenheit oder sozioökonomischer Status.
Der formale Zusammenhang zwischen einer latenten Variable und ihren beobachteten Indikatoren lässt sich in einem einfachen Messmodell schreiben:
Messmodell (reflektiv)
Dabei steht für den beobachteten Indikator, für die Faktorladung (d. h. wie stark der Indikator mit der latenten Variable zusammenhängt), für die latente Variable und für den Messfehler des jeweiligen Indikators.
Man unterscheidet grundlegend zwei Arten von Messmodellen für latente Variablen:
- Reflektive Modelle: Die latente Variable verursacht die Ausprägungen der Indikatoren. Ändert sich das Konstrukt, ändern sich alle Indikatoren gleichermaßen (z. B. Extraversion → Antworten auf Persönlichkeitsfragen).
- Formative Modelle: Die Indikatoren definieren oder bilden das Konstrukt gemeinsam. Das Konstrukt ist eine Zusammenfassung der Indikatoren (z. B. sozioökonomischer Status → Einkommen + Bildung + Beruf).
Warum ist die latente Variable für statistische Analysen wichtig?
Viele relevante Forschungsfragen in der Psychologie, Sozialwissenschaft, Pädagogik oder Wirtschaft betreffen Konstrukte, die sich nicht direkt messen lassen. Ohne das Konzept der latenten Variable könnten solche Phänomene statistisch kaum sauber modelliert werden.
Latente Variablen spielen eine zentrale Rolle in mehreren Analyseverfahren:
- Exploratorische Faktorenanalyse (EFA): Identifiziert latente Strukturen in einem Datensatz, ohne dass diese vorher festgelegt werden.
- Konfirmatorische Faktorenanalyse (CFA): Überprüft ein theoretisch begründetes Messmodell mit latenten Variablen.
- Strukturgleichungsmodellierung (SEM): Verbindet Messmodelle mit Strukturmodellen, um Beziehungen zwischen latenten Variablen zu analysieren.
- Item-Response-Theorie (IRT): Modelliert latente Fähigkeiten oder Eigenschaften auf Basis von Antwortmustern in Tests.
Praxisbeispiel zu latenten Variablen
Eine Bildungsforscherin möchte untersuchen, ob schulische Motivation den Lernerfolg von Schülerinnen und Schülern beeinflusst. Motivation lässt sich nicht direkt messen – sie ist eine latente Variable. Deshalb entwickelt die Forscherin einen Fragebogen mit vier Aussagen, die die Schülerinnen und Schüler auf einer Skala von 1 bis 5 bewerten:
| Indikator | Beispielitem | Faktorladung (λ) |
|---|---|---|
| Item 1 | „Ich lerne gerne neue Dinge in der Schule.“ | 0.82 |
| Item 2 | „Ich gebe auch dann nicht auf, wenn Aufgaben schwierig sind.“ | 0.76 |
| Item 3 | „Ich bereite mich gründlich auf den Unterricht vor.“ | 0.71 |
| Item 4 | „Schule macht mir Spaß.“ | 0.68 |
Die vier Items werden in einer konfirmatorischen Faktorenanalyse als reflektive Indikatoren der latenten Variable „Schulische Motivation“ modelliert. Die Faktorladungen zeigen, wie stark jedes Item mit dem Konstrukt zusammenhängt. Anschließend kann die Forscherin in einem Strukturgleichungsmodell prüfen, ob die latente Variable „Motivation“ einen statistisch bedeutsamen Einfluss auf den gemessenen Lernerfolg (z. B. Schulnoten) hat – und das, ohne Messfehler in den Ergebnissen zu ignorieren.
