Strukturgleichungsmodell (SEM)
In diesem Beitrag
Was versteht man unter einem Strukturgleichungsmodell?
Ein Strukturgleichungsmodell (SEM) ist ein multivariates statistisches Verfahren, das zwei klassische Ansätze vereint: die Faktorenanalyse und die Regressionsanalyse. Es erlaubt, komplexe Beziehungen zwischen mehreren Variablen gleichzeitig zu modellieren – darunter auch Variablen, die sich nicht direkt messen lassen.
Im Kern besteht ein SEM aus zwei Teilmodellen:
Die zwei Komponenten eines SEM
| Teilmodell | Aufgabe | Typische Bezeichnung |
|---|---|---|
| Messmodell | Verknüpft latente Variablen mit ihren beobachtbaren Indikatoren | Konfirmatorische Faktorenanalyse (CFA) |
| Strukturmodell | Beschreibt gerichtete Beziehungen (Pfade) zwischen den latenten Variablen | Pfadmodell |
Latente Variablen sind Konstrukte, die nicht direkt beobachtbar sind – etwa Intelligenz, Kundenzufriedenheit oder Stress. Sie werden durch mehrere messbare Indikatoren (sogenannte manifeste Variablen) abgebildet. Das Messmodell formalisiert diesen Zusammenhang:
Dabei steht für den beobachteten Indikator, für die Faktorladung, für die latente Variable und für den Messfehler.
Warum ist SEM für statistische Analysen wichtig?
Viele Forschungsfragen in den Sozial-, Wirtschafts- und Verhaltenswissenschaften lassen sich mit einfachen Regressions- oder Korrelationsanalysen nicht befriedigend beantworten. SEM bietet hier entscheidende Vorteile:
- Simultane Schätzung: Alle Gleichungen des Modells werden gleichzeitig geschätzt, was die statistische Effizienz erhöht und Fehlerfortpflanzung reduziert.
- Messfehlerkorrektur: SEM berücksichtigt explizit, dass Indikatoren nicht perfekt messen – ein Vorteil gegenüber klassischer Regression.
- Modellfit-Bewertung: Über Fit-Indizes wie CFI, RMSEA oder SRMR lässt sich beurteilen, wie gut das theoretische Modell die beobachteten Daten reproduziert.
- Mediations- und Moderationsanalysen: SEM eignet sich besonders gut für die Untersuchung indirekter Effekte und komplexer Wirkungsketten.
Gängige Softwarelösungen für SEM sind R (Pakete lavaan, sem), Mplus, AMOS (in SPSS) sowie LISREL.
Praxisbeispiel zu SEM
Eine Bildungsforscherin untersucht, ob sozioökonomischer Status und schulische Motivation den Lernerfolg von Schülerinnen und Schülern beeinflussen. Alle drei Konstrukte sind latent – sie lassen sich nicht mit einer einzigen Frage erfassen.
Im Messmodell definiert sie für jedes Konstrukt drei bis vier Indikatoren: Familieneinkommen, Bildungsabschluss der Eltern und Wohnlage für den sozioökonomischen Status; Eigeninitiative, Ausdauer und Lernfreude für die Motivation; Noten, Testergebnisse und Lehrereinschätzungen für den Lernerfolg.
Im Strukturmodell nimmt sie an, dass der sozioökonomische Status sowohl direkt auf den Lernerfolg wirkt als auch indirekt – vermittelt über die Motivation. Diesen indirekten Effekt schätzt SEM als Produkt der beiden Pfadkoeffizienten:
Nach der Schätzung zeigt ein CFI von 0,95 und ein RMSEA von 0,048, dass das Modell gut zu den Daten passt. Die Ergebnisse bestätigen: Motivation vermittelt einen bedeutsamen Teil des Effekts des sozioökonomischen Status auf den Lernerfolg – ein Befund, der mit einfacher Regression nicht sauber hätte isoliert werden können.
