Modellfit
In diesem Beitrag
Was versteht man unter Modellfit?
Der Modellfit (auch: Modellanpassung) beschreibt, wie gut ein statistisches Modell die beobachteten Daten erklärt oder reproduziert. Formal ausgedrückt: Ein Modell mit gutem Fit weist eine geringe Diskrepanz zwischen den beobachteten Werten und den vom Modell vorhergesagten Werten auf.
Je nach Analyseverfahren wird der Modellfit mit unterschiedlichen Kennwerten beurteilt. Bei der Regressionsanalyse ist das häufig das Bestimmtheitsmaß , das angibt, wie viel Prozent der Varianz in der abhängigen Variable durch das Modell erklärt werden. Bei Strukturgleichungsmodellen (SEM) und konfirmatorischen Faktorenanalysen (CFA) kommen spezifische Fit-Indizes zum Einsatz, darunter:
- Chi-Quadrat-Test (): Prüft, ob die modellimplizierte Kovarianzmatrix von der beobachteten signifikant abweicht. Ein nicht-signifikantes Ergebnis spricht für einen guten Fit – ist aber stark stichprobenabhängig.
- CFI (Comparative Fit Index): Vergleicht das Modell mit einem Basismodell ohne Zusammenhänge. Werte ≥ .95 gelten als gut.
- RMSEA (Root Mean Square Error of Approximation): Misst die durchschnittliche Abweichung pro Freiheitsgrad. Werte ≤ .06 bis .08 gelten als akzeptabel.
- SRMR (Standardized Root Mean Square Residual): Durchschnittliche standardisierte Residualkorrelation. Werte ≤ .08 gelten als gut.
Warum ist Modellfit für statistische Analysen wichtig?
Der Modellfit ist ein zentrales Gütekriterium jeder statistischen Analyse. Er beantwortet die grundlegende Frage: Darf ich die Ergebnisse meines Modells überhaupt interpretieren? Ein Modell, das die Daten schlecht abbildet, liefert unzuverlässige Schätzungen – selbst wenn einzelne Koeffizienten statistisch signifikant erscheinen.
In der Praxis kommt dem Modellfit besonders bei Strukturgleichungsmodellen und Faktorenanalysen eine hohe Bedeutung zu, da dort mehrere latente Variablen und deren Beziehungen gleichzeitig modelliert werden. Gut zu wissen: Ein einziger Fit-Index reicht in der Regel nicht aus. Üblicherweise werden mehrere Indizes gemeinsam berichtet und interpretiert.
Praxisbeispiel zu Modellfit
Eine Psychologiestudentin entwickelt im Rahmen ihrer Masterarbeit einen Fragebogen zur Messung von Prokrastination. Sie vermutet, dass die 12 Items auf zwei latenten Faktoren laden: emotionale Vermeidung und schlechtes Zeitmanagement. Zur Überprüfung führt sie eine konfirmatorische Faktorenanalyse (CFA) durch.
Nach der Analyse erhält sie folgende Fit-Indizes:
| Index | Wert | Richtwert | Bewertung |
|---|---|---|---|
| Chi-Quadrat (p) | χ²(53) = 74.2, p = .028 | p > .05 | Signifikant – bei n = 310 wenig aussagekräftig |
| CFI | .96 | ≥ .95 | Gut |
| RMSEA | .054 | ≤ .06–.08 | Gut |
| SRMR | .061 | ≤ .08 | Gut |
Obwohl der Chi-Quadrat-Test signifikant ausfällt, zeigen CFI, RMSEA und SRMR einen akzeptablen bis guten Modellfit. Die Studentin kann ihre Zwei-Faktoren-Struktur damit gut begründen und die weiteren Ergebnisse der CFA inhaltlich interpretieren.
