O'Reilly logo

Stay ahead with the world's most comprehensive technology and business learning platform.

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, tutorials, and more.

Start Free Trial

No credit card required

Strukturgleichungsmodelle in den Sozialwissenschaften, 2nd Edition

Book Description

Das Buch gibt eine Einführung in die methodologischen und statistischen Grundlagen von Strukturgleichungsmodellen und in deren Handhabung für sozialwissenschaftliche Forschungsfragestellungen. Neben historischen Betrachtungen wird auf Basis verschiedener Erhebungsdesigns eine Einführung in die Pfadanalyse, in Messmodelle, in die konformatorische Faktorenanalyse bis zum allgemeinen Strukturgleichungsmodell vorgenommen. Neben der formalen Darstellung der einzelnen Modellvarianten steht die Erörterung anhand empirischer Beispiele im Vordergrund. Damit kann auch der statistisch weniger versierte Leser die Modellierungen nachvollziehen und auf seine eigenen Fragestellungen übertragen. In den letzten Jahren hat sich in sozialwissenschaftlichen Anwendungsbereichen eine Reihe spezieller Modellierungen mit Strukturgleichungen etabliert. Hierzu gehören Wachstums- und Mischverteilungsmodelle, die in Form eines eigenen Kapitels in die zweiteAuflageaufgenommen wurden. Um eine zur EDV-Umgebung des jeweiligen Nutzers passende Auswahl treffen zu können, werden zur Verfügung stehende Programme zur Berechnung von Strukturgleichungsmodellen mit ihren jeweiligen Aktualisierungen erörtert. Weiterführende Hinweise aus dem Internet werden an den jeweiligen Stellen angegeben. Die Literaturliste wurde für die zweite Auflage umfassend ergänzt und aktualisiert.

Table of Contents

  1. Titel
  2. Impressum
  3. Vorwort
  4. Inhaltsverzeichnis
  5. 1 Einleitung
  6. 2 Die Entwicklung der statistischen Modellbildung mit Strukturgleichungen
    1. 2.1 Einführung
    2. 2.2 Ausgangspunkt
    3. 2.3 Kausalität in Strukturgleichungsmodellen
    4. 2.4 Eigenschaften von Strukturgleichungsmodellen
    5. 2.5 Methodische Weiterentwicklungen
  7. 3 Erhebungsdesigns, Daten und Modelle
    1. 3.1 Erhebungsdesigns
    2. 3.2 Daten und Modelle
  8. 4 Statistische Grundlagen für Strukturgleichungsmodelle
    1. 4.1 Meßniveau, Verteilung und Standardisierung
    2. 4.2 Statistische Zusammenhänge zwischen Variablen
      1. 4.2.1 Die Kovarianz und die Produkt-Moment-Korrelation
      2. 4.2.2 Die polychorische, tetrachorische und die polyserielle Korrelation
    3. 4.3 Die lineare Regressionsanalyse
      1. 4.3.1 Die bivariate Regression
      2. 4.3.2 Die multiple Regression
    4. 4.4 Die klassische Testtheorie
  9. 5 Strukturgleichungsmodelle mitgemessenen Variablen
    1. 5.1 Rekursive Pfadmodelle
      1. 5.1.1 Modellspezifikation und Berechnung der Pfadkoeffizienten
      2. 5.1.2 Reproduktion der Korrelationsmatrix und Effektzerlegung
      3. 5.1.3 Die Identifikation der Modellparameter
      4. 5.1.4 Schätzung der Parameter
      5. 5.1.5 Äquivalente Pfadmodelle
      6. 5.1.6 Modellrestriktionen
    2. 5.2 Nicht-rekursive Pfadmodelle
      1. 5.2.1 Modellspezifikation
      2. 5.2.2 Standardisierung der Parameter
    3. 5.3 Der multiple Gruppenvergleich
      1. 5.3.1 Der simultane Vergleich der Pfadmodelle
      2. 5.3.2 Der simultane Vergleich der Mittelwerte
    4. 5.4 Pfadmodelle im Längsschnitt
      1. 5.4.1 Das Zwei-Variablen/Zwei-Wellen-Panelmodell
      2. 5.4.2 Die Erweiterung des 2V2W-Standarddesigns
    5. 5.5 Anhang: Programmfiles
  10. 6 Meßmodelle
    1. 6.1 Die Modellspezifikation
    2. 6.2 Die Identifikation der Modellparameter
    3. 6.3 Restriktionen im Meßmodell
    4. 6.4 Die Schätzung der Modellparameter
    5. 6.5 Diskrepanzfunktionen
      1. 6.5.1 Maximum-Likelihood(ML)-Diskrepanzfunktionen
      2. 6.5.2 Unweighted-Least-Square(ULS)-Diskrepanzfunktionen
      3. 6.5.3 Generalized-Least-Square(GLS)-Diskrepanzfunktion
      4. 6.5.4 Weighted-Least-Square(WLS)-Diskrepanzfunktionen
      5. 6.5.5 Empfehlungen für die empirische Praxis
    6. 6.6 Statistiken der Modellprüfung
      1. 6.6.1 Die Modellevaluation: χ2-Statistiken, Standardfehler,z-Werte und die absoluten Goodness-of-Fit Indizes
        1. 6.6.1.1 Die χ2-Statistiken, Standardfehler und z-Werte
        2. 6.6.1.2 Absolute Goodness-of-Fit Indizes
      2. 6.6.2 Der Modellvergleich: Der Likelihood-Ratio(LR)-Test und die komparativen Goodness-of-Fit Indizes
        1. 6.6.2.1 Der Likelihood-Ratio(LR)-Test (χ2-Differenzentest)
        2. 6.6.2.2 Der Langrange Multiplier(LM)- und der Wald(W)-Test
        3. 6.6.2.3 Komparative Goodness-of-Fit Indizes
      3. 6.6.3 Empfehlungen für die empirische Praxis
    7. 6.7 Empirische Beispiele
    8. 6.8 Anhang: Programmfiles
  11. 7 Die konfirmatorische Faktorenanalyse
    1. 7.1 Die Modellspezifikation
    2. 7.2 Die Identifikation der Modellparameter
    3. 7.3 Multiple Gruppenvergleiche von konfirmatorischen Faktorenmodellen
    4. 7.4 Konfirmatorische Faktorenmodelle im Längsschnitt
    5. 7.5 Konfirmatorische Faktorenmodelle für Multitrait-Multimethod-Daten
    6. 7.6 Konfirmatorische Faktorenmodelle höherer Ordnung
    7. 7.7 Empirische Beispiele
      1. 7.7.1 Konfirmatorisches Faktorenmodell
      2. 7.7.2 Multipler Gruppenvergleich
      3. 7.7.3 Konfirmatorisches Faktorenmodell im Längsschnitt
      4. 7.7.4 Konfirmatorisches Faktorenmodell fürMultitrait-Multimethod-Daten
      5. 7.7.5 Konfirmatorisches Faktorenmodell höherer Ordnung
    8. 7.8 Anhang: Programmfiles
  12. 8 Das allgemeine Strukturgleichungsmodell
    1. 8.1 Die Verbindung von Pfad- und Faktorenanalyse zum allgemeinen Strukturgleichungsmodell
      1. 8.1.1 Die Modellspezifikation
      2. 8.1.2 Die Schätzung und Identifikation der Modellparameter
      3. 8.1.3 Standardisierte und unstandardisierte Koeffizienten
      4. 8.1.4 Die Effektzerlegung
      5. 8.1.5 Die Techniken der Modellbildung
      6. 8.1.6 Multiple Gruppenvergleiche von Strukturgleichungsmodellen
      7. 8.1.7 Kategoriales Meßniveau in Strukturgleichungsmodellen
    2. 8.2 Strukturgleichungsmodelle im Längsschnitt
      1. 8.2.1 Ein-Indikatorenmodelle
      2. 8.2.2 Multiple Indikatorenmodelle
    3. 8.3 Empirische Beispiele
      1. 8.3.1 Strukturgleichungsmodelle
      2. 8.3.2 Multiple Gruppenvergleiche
      3. 8.3.3 Strukturgleichungsmodell mit kategorialen Variablen
      4. 8.3.4 Strukturgleichungsmodelle für Paneldaten(Markov-Modelle)
    4. 8.4 Die Behandlung fehlender Werte in Strukturgleichungsmodellen
      1. 8.4.1 Ausfallprozesse in empirischen Daten
      2. 8.4.2 Modellbasierte Verfahren zur Behandlung fehlender Werte
        1. 8.4.2.1 Der multiple Gruppenvergleich
        2. 8.4.2.2 Das direkte Maximum-Likelihood(ML)-Verfahren
      3. 8.4.3 Datenbasierte Verfahren zur Behandlung fehlender Werte
        1. 8.4.3.1 Der EM-Algorithmus
        2. 8.4.3.2 Multiple Imputation auf Basis der Bayes-Statistik
    5. 8.5 Empirische Beispiele
      1. 8.5.1 Modellbasiertes Verfahren: FIML
      2. 8.5.2 Datenbasiertes Verfahren: Multiple Imputation
    6. 8.6 Anhang: Programmfiles
  13. 9 Wachstums- und Mischverteilungsmodelle
    1. 9.1 Wachstumsmodelle
      1. 9.1.1 Zweifaktorielle Wachstumsmodelle
      2. 9.1.2 Mehrfaktorielle Wachstumsmodelle
      3. 9.1.3 Konditionale Wachstumsmodelle
      4. 9.1.4 Wachstumsmodelle mit Faktoren zweiter Ordnung
      5. 9.1.5 Die Handhabung fehlender Werte in Wachstumsmodellen
      6. 9.1.6 Die Beziehung zwischen Wachstumsmodellen und Mehrebenenmodellen
      7. 9.1.7 Empirische Beispiele
        1. 9.1.7.1 Zweifaktorielles Wachstumsmodell
        2. 9.1.7.2 Mehrfaktorielle Wachstumsmodelle
        3. 9.1.7.3 Konditionales Wachstumsmodell
        4. 9.1.7.4 Wachstumsmodell mit Faktoren zweiter Ordnung
        5. 9.1.7.5 Mehrfaktorielle Wachstumsmodelle unter Berücksichtigungfehlender Werte
        6. 9.1.7.6 Das zweifaktorielle Wachstumsmodell als Mehrebenenmodell
    2. 9.2 Mischverteilungsmodelle für Längsschnittdaten
      1. 9.2.1 Das allgemeine Mischverteilungsmodell (GMM)
        1. 9.2.1.1 Modellierungsvarianten
        2. 9.2.1.2 Modellschätzung und Modellbeurteilung
      2. 9.2.2 Das Mischverteilungsmodell mit latenten Klassen (LCGA)
      3. 9.2.3 Mischverteilungsmodelle für Zählvariablen
        1. 9.2.3.1 Das Poisson-Modell
        2. 9.2.3.2 Das negative Binomialmodell
      4. 9.2.4 Praktische Hinweise
      5. 9.2.5 Empirische Beispiele zu den LCGA- und GMM-Modellen
      6. 9.2.6 Empirische Beispiele zu den sequenziellen GMM-Modellen
    3. 9.3 Anhang: Programmfiles
  14. 10 EDV-Programme
    1. 10.1 LISREL
      1. 10.1.1 Entwicklung des Programms
      2. 10.1.2 Die LISREL-Notation
      3. 10.1.3 Die LISREL- und SIMPLIS-Syntax
      4. 10.1.4 Weiterführende Literatur
    2. 10.2 EQS
      1. 10.2.1 Entwicklung des Programms
      2. 10.2.2 Die EQS-Notation und die Syntax
      3. 10.2.3 Weiterführende Literatur
    3. 10.3 Mplus
      1. 10.3.1 Entwicklung des Programms
      2. 10.3.2 Die Mplus-Notation und die Syntax
      3. 10.3.3 Weiterführende Literatur
    4. 10.4 Programme für Strukturgleichungsmodelle in R
      1. 10.4.1 OpenMx
      2. 10.4.2 sem
      3. 10.4.3 lavaan
    5. 10.5 Strukturgleichungsprogramme in Statistikprogrammpaketen
      1. 10.5.1 SPSS: AMOS
      2. 10.5.2 SAS: PROC CALIS
      3. 10.5.3 STATA: SEM und GSEM
    6. 10.6 Programme zur mehrfachen Ersetzungfehlender Werte
      1. 10.6.1 NORM
      2. 10.6.2 MICE und countimp
  15. Literaturverzeichnis
  16. Index