Skalare Invarianz
In diesem Beitrag
Was versteht man unter skalare Invarianz?
Skalare Invarianz ist eine Eigenschaft von Messinstrumenten – etwa Fragebögen oder psychologischen Tests –, die beschreibt, ob verschiedene Gruppen von Personen dieselben Antwortskalen auf dieselbe Weise nutzen. Genauer gesagt bedeutet skalare Invarianz, dass nicht nur die Faktorladungen (metrische Invarianz), sondern auch die Intercepts der einzelnen Items über die Gruppen hinweg gleich sind.
Im Rahmen der konfirmatorischen Faktorenanalyse (CFA) wird ein Messmodell für jede Gruppe geschätzt. Ein Item lässt sich vereinfacht so beschreiben:
Dabei steht für die beobachtete Antwort von Person in Gruppe , für den Intercept (Schwellenwert), für die Faktorladung und für den latenten Faktor. Skalare Invarianz liegt vor, wenn sowohl als auch für alle Gruppen gilt.
Stufen der Messinvarianz im Überblick
| Stufe | Bezeichnung | Was wird gleichgesetzt? | Erlaubt |
|---|---|---|---|
| 1 | Konfigurale Invarianz | Gleiche Faktorstruktur | Qualitative Vergleiche |
| 2 | Metrische Invarianz | Faktorladungen | Korrelations-/Regressionsvergleiche |
| 3 | Skalare Invarianz | Faktorladungen + Intercepts | Latente Mittelwertvergleiche |
| 4 | Strikte Invarianz | + Residualvarianzen | Vollständige Austauschbarkeit |
Warum ist skalare Invarianz für statistische Analysen wichtig?
Wer Mittelwerte zwischen Gruppen vergleicht – zum Beispiel Männer vs. Frauen oder Länder in einer internationalen Studie – setzt stillschweigend voraus, dass die Skala in beiden Gruppen dasselbe misst. Ohne skalare Invarianz ist dieser Vergleich methodisch nicht haltbar. Ein gemessener Unterschied im Mittelwert könnte dann schlicht daran liegen, dass Gruppe A die Antwortoptionen systematisch anders interpretiert als Gruppe B – und nicht daran, dass die Gruppen sich tatsächlich im interessierenden Merkmal unterscheiden.
Skalare Invarianz wird typischerweise durch einen Modellvergleich geprüft: Das restriktivere skalare Modell (gleiche Intercepts) wird mit dem metrischen Modell (freie Intercepts) per Chi-Quadrat-Differenztest oder anhand von Fit-Indizes wie CFI und RMSEA verglichen. Eine deutliche Verschlechterung des Modell-Fits deutet auf fehlende skalare Invarianz hin.
Liegt keine vollständige skalare Invarianz vor, ist das nicht zwingend das Ende der Analyse. Man kann auf partielle skalare Invarianz zurückgreifen: Dabei werden nur die Intercepts der Items gleichgesetzt, bei denen dies statistisch vertretbar ist. Voraussetzung ist, dass mindestens zwei Items pro Faktor invariant sind – dann sind eingeschränkte Mittelwertvergleiche noch möglich, müssen aber sorgfältig begründet werden.
Praxisbeispiel zu skalarer Invarianz
Eine Forscherin möchte untersuchen, ob Studierende in Deutschland und Spanien unterschiedlich hohe Werte auf einer Skala zur akademischen Selbstwirksamkeit aufweisen. Der Fragebogen umfasst acht Items, die auf einer fünfstufigen Likert-Skala beantwortet werden.
Zuerst prüft sie konfigurale Invarianz – die Faktorstruktur ist in beiden Ländern gleich, der Fit ist akzeptabel. Dann testet sie metrische Invarianz: Die Faktorladungen können ohne Fit-Verschlechterung gleichgesetzt werden. Im dritten Schritt prüft sie skalare Invarianz. Der CFI sinkt um 0,015 und der RMSEA steigt leicht an – ein Hinweis, dass zwei Items unterschiedliche Intercepts haben.
Sie spezifiziert ein Modell mit partieller skalarer Invarianz, in dem sechs der acht Item-Intercepts gleichgesetzt werden. Da mindestens zwei Intercepts pro Faktor invariant sind, kann sie den latenten Mittelwertvergleich unter Vorbehalt durchführen. In ihrer Publikation legt sie dieses Vorgehen transparent offen und diskutiert, welche Items möglicherweise kulturell unterschiedlich interpretiert werden.
