Skip to main content
SpringerLink
Log in

Güteprüfung reflektiver Messmodelle

  • Chapter
  • First Online:
Strukturgleichungsmodellierung

Part of the book series: Springer-Lehrbuch ((SLB))

Zusammenfassung

Die Güte der Parameterschätzungen eines Strukturmodells wird wesentlich durch die Güte der Messmodelle bestimmt, da entsprechend dem Prinzip „Garbage in – Garbage out“ fehlerhaft gemessene Konstrukte auch zu Fehlern in den Schätzungen der Konstruktbeziehungen führen. Der Güteprüfung der Messmodelle ist damit bei der Kausalanalyse eine herausragende Bedeutung beizumessen.

Während das sachlogisch abgeleitete Hypothesensystem des Fallbeispiels bereits in Kap. 4 aufgezeigt und in Kap. 5 die Konzeptualisierung und in Kap. 6 die Operationalisierung der Konstrukte behandelt wurden, wird in Kap.  7 die Güteprüfung bei reflektiven Messmodellen allgemein sowie anhand des Fallbeispiels erläutert. Die Güteprüfung reflektiver Messmodelle wird dabei auf die Reliabilitäts- und die Validitätsprüfung fokussiert. Im Rahmen der Reliabilitätsprüfung werden sowohl Gütekriterien der ersten Generation (Cronbachs Alpha, Inter-Item-Korrelation, Intem-to-Total-Korrelation, explorative Faktorenanalyse u. a.) als auch der zweiten Generation (Konfirmatorische Faktorenanalyse) behandelt. Die Validitätsprüfung ist in Kap. 7.3 dann auf die Prüfung von Inhalts-, Kriteriums- und Konstruktvalidität konzentriert. Die Verwendung von formativen Messmodellen findet der Leser in Kap. 12, wobei auch hier auf das Fallbeispiel aus Kap. 4 zurückgegriffen wird.

Hinweise zur Durchführung der in Kap. 7.2.2.3 dargestellten konfirmatorischen Faktorenanalyse für das Fallbeispiel mit AMOS findet der Leser in Kap. 8.3

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 29.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Aufgrund der grundsätzlich verschiedenartigen Operationalisierung formativer Messmodelle (vgl. Kap. 12.1 und 12.2), lassen sich die Gütekriterien zur Prüfung reflektiver Messmodelle nicht unmittelbar auf formative Messmodelle übertragen. Zur Güteprüfung formativer Messmodelle vgl. Kap. 12.2.2.

  2. 2.

    z. B. Cronbach 1947; Cronbach und Meehl 1955; Campbell 1960 oder Campbell und Fiske 1959.

  3. 3.

    Dabei ist die Verwendung der explorativen Faktorenanalyse jedoch mit Vorsicht zu genießen, da sie insbesondere in frühen Stadien einer Untersuchung, wenn also viele nicht geeignete Indikatoren enthalten sind, dazu tendiert, eine zu große Anzahl an Dimensionen zu entdecken (Campbell 1976, S. 194). Eine anwendungsorientierte Einführung zur explorativen Faktorenanalyse findet sich bei Backhaus et al. 2011, S. 329 ff.

  4. 4.

    Für unser Fallbeispiel verzichten wir im Rahmen des Pretests auf die simultane Prüfung der Messmodelle aller Konstrukte und nehmen diese nur für die Daten der Hauptuntersuchung vor. Vgl. hierzu Kap. 7.2.1.

  5. 5.

    Obwohl das Kaiser-Kriterium inhaltlich durchaus plausibel ist, wird kritisiert, dass es tendenziell zu viele Faktoren extrahiert. Eine Übersicht über alternative Ansätze zur Bestimmung einer geeigneten Faktorenzahl finden sich bei Patil et al. (2008); Weiber (1984), S. 37 ff.

  6. 6.

    Promax stellt eine der am häufigsten verwendeten nicht-orthogonalen Rotationsvarianten dar (Jennrich 2004, S. 16). Der in SPSS voreingestellte Wert für „Kappa“ liegt bei 4 und ist für die meisten Anwendungsfelder gut geeignet. Für einen breiten Überblick der verschiedenen Rotationsvarianten vgl. Mulaik 1972, S. 272 ff.

  7. 7.

    SPSS-Syntax und Daten zur EFA findet der Leser auf der Internetplattform zum Buch.

  8. 8.

    Bei schiefwinkliger Rotation ist die sog. Mustermatrix zur Faktoreninterpretation heranzuziehen.

  9. 9.

    Vgl. zu dieser Vorgehensweise und zur Second-Order-Faktorenanalyse die Ausführungen in Kap. 13.

  10. 10.

    Vgl. zum Begriff und zur Beurteilung von Reliabilität ausführlich: Churchill (1979), S. 68 ff.; Himme (2007), S. 376 ff.; Homburg und Giering (1996), S. 8 f.; Peter (1979), S. 6 ff.; Schnell et al. (2011), S. 151 ff.

  11. 11.

    An dieser Stelle sei nochmals darauf hingewiesen, dass eindimensionale Messmodelle die Grundvoraussetzung sind, um eine sinnvolle Durchführung der Reliabilitätsprüfung anhand der dargestellten Varianten vorzunehmen (Hildebrandt und Temme 2006, S. 624), was für unser Fallbeispiel im vorangegangenen Kapitel geprüft wurde.

  12. 12.

    Abbildung 7.3 entspricht nicht exakt den in SPSS ausgewiesenen Outputs, sondern wurde hier aus Gründen der besseren Übersichtlichkeit in komprimierter Form dargestellt.

  13. 13.

    Die Gütekriterien der ersten Generation werden durch das Programmpaket AMOS nicht bereitgestellt und müssen deshalb gesondert berechnet werden. Mit SPSS können diese jedoch über die Prozedur „Reliability“ bestimmt werden (Menüauswahl: „Analysieren → Skalierung → Reliabilitätsanalyse“). Auf der Internetplattform zum Buch findet der Leser auch die SPSS-Syntaxdateien sowie die Daten zum Beispiel.

  14. 14.

    Vgl. zu diesen Prüfungen die Ausführungen in Kap. 8.1.3.

  15. 15.

    Auf der Internetplattform zum Buch sind Daten, Syntax und SPSS-Output zu diesem Beispiel verfügbar.

  16. 16.

    Einige Forscher ziehen nicht die Mustermatrix, sondern die Strukturmatrix zur Interpretation einer obligen Faktorlösung heran. Für die hier vorliegende Zielsetzung, die primär darauf abzielt zu untersuchen, ob Variablen nicht eindeutig einzelnen Faktoren zugewiesen werden können, ist die gewählte Vorgehensweise insbesondere bei substantiellen Korrelationen zwischen Faktoren jedoch zweckmäßiger (vgl. Hair et al. 2010, S. 139).

  17. 17.

    Bei praktischen Anwendungen besteht allerdings auch oft der Zielkonflikt, dass der Pretestdatensatz meist eine nur geringe Fallzahl aufweist, die oftmals für die Durchführung einer KFA zu gering ist.

  18. 18.

    Kap. 8.3 erläutert den AMOS-Aufruf, die Erstellung des Pfaddiagramms sowie das Einlesen der Daten.

  19. 19.

    Die im Rahmen der KFA anwendbaren Schätzverfahren sind identisch zu denen der Strukturgleichungsanalyse. Vgl. hierzu Abb. 3.24 und die Ausführungen in Kap. 3.3.2.3. Zur Auswahl einer Schätzmethodik in AMOS vgl. Kap. 8.3.

  20. 20.

    Die Excel-Datei hierzu findet der Leser auf der Internetplattform zum Buch.

  21. 21.

    Zum Begriff und zur Beurteilung von Validität vgl. ausführlich: Balderjahn (2003), S. 130 ff.; Churchill (1979), S. 70 ff.; Himme (2007), S. 381 ff.; Peter (1981), S. 133 ff.; Schnell et al. (2011), S. 154 ff.

  22. 22.

    Die nachfolgenden Außenkriterien dienen hier vor allem der Verdeutlichung der Vorgehensweise. In realen Anwendungssituationen erweist sich die Festlegung und valide Messung geeigneter Außenkriterien als sehr aufwendig, da hierfür im Prinzip ebenfalls der vollständige Prozess der Konstruktkonzeptualisierung, Operationalisierung und Reliabilitäts- sowie Validitätsprüfung durchlaufen werden müsste.

  23. 23.

    Vgl. zum Aufruf von AMOS, die Erstellung des Pfaddiagramms für das KFA-Modell mit Außenkriterien mit Hilfe des Grafik-Moduls sowie das Einlesen der Daten die Ausführungen in Kap. 8.3. Daten und den AMOS-Output für die KFA mit Außenkriterien findet der Leser auf der Internetplattform zum Buch.

  24. 24.

    Zur Beurteilung der Güte des Gesamtmodells der KFA werden dieselben Kriterien wie bei einem vollständigen Kausalmodell (= Messmodelle plus Stukturmodell) herangezogen; vgl. hierzu im Detail Kap. 9.

  25. 25.

    Zur Güteprüfung mittels Modellvergleich vgl. auch Kap. 9.2.

  26. 26.

    Vgl. zum Chi-Quadrat-Wert als globales Gütemaß eines Modells Kap. 9.1.2.1.

  27. 27.

    Die Ergebnisse dieser KFA sind auf der Internetplattform zum Buch verfügbar.

  28. 28.

    Die Pfaddiagramme dieser drei KFA entsprechen dem des unrestringierten Modells mit dem Unterschied, dass die Kovarianz zwischen den entsprechenden Konstrukten jeweils auf 1 zu fixieren sind. Zu diesem Zweck ist im AMOS-Grafikmodus jeweils über einen Doppelklick auf den Pfeil, der die Kovarianz zwischen den entsprechenden Konstrukten angibt, unter „Object Properties → Parameters“ für die entsprechende Kovarianz („Covariance“) jeweils der Wert 1 anzugeben. Im Textoutput werden dann unter „Model Fit“ beim „Default Model“, die χ2-Werte (CMIN) für das zur Schätzung herangezogene Modell ausgegeben. Syntax, Daten und AMOS-Outputs zu diesen drei KFA findet der Leser auf der Internetplattform zum Buch.

  29. 29.

    Zum Aufruf von AMOS, der Erstellung des Pfaddiagramms mit Hilfe des Grafik-Moduls für die jeweiligen KFA sowie zum Einlesen der Daten vgl. Kap. 8.3.

  30. 30.

    Die detaillierten Ergebnisse hierzu sind auf der Internetplattform zum Buch verfügbar.

  31. 31.

    Es sei daran erinnert, dass formative Messmodelle andere Prüfroutinen erfordern. Vgl. hierzu Kap. 12.2.2.

Literatur

  • Anderson, J. C., & Gerbing, D. W. (1988). Structural modeling in practice: A review and recommended two step approach. Psychological Bulletin, 103, 411–423.

    Article  Google Scholar 

  • Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2011). Multivariate Analysemethoden (13. Aufl.). Berlin: Springer.

    Google Scholar 

  • Backhaus, K., Erichson, B., & Weiber, R. (2013). Fortgeschrittene Multivariate Analysemethoden (2. Aufl., Kap. 3). Berlin: Springer.

  • Bagozzi, R. P. (1979). The role of measurement in theory construction and hypothesis testing. In O. C. Ferrel, S. W. Brown, & C. W. Lamb (Hrsg.), Conceptional and theoretical developments in marketing (S. 15–33). Chicago: American Marketing Association.

    Google Scholar 

  • Bagozzi, R. P. (1980). Causal models in marketing. New York: Wiley.

    Google Scholar 

  • Bagozzi, R. P. (1981a). An examination of the validity of two models of attitude. Multivariate Behavioral Research, 16, 323–359.

    Article  Google Scholar 

  • Bagozzi, R. P. (1981b). Evaluating structural equation models with unobservable variables and measurement error: A comment. Journal of Marketing Research, 18, 375–381.

    Article  Google Scholar 

  • Bagozzi, R. P., & Phillips, W. L. (1982). Representing and testing organizational theories: A holistic construal. Administrative Science Quarterly, 27, 459–489.

    Google Scholar 

  • Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16, 74–94.

    Article  Google Scholar 

  • Bagozzi, R. P., & Baumgartner, H. (1994). The evaluation of structural equation models and hypotheses testing. In R. P. Bagozzi (Hrsg.), Principles of marketing research (S. 386–422). Cambridge.

    Google Scholar 

  • Bagozzi, R. P., Yi, Y., & Phillips, L. W. (1991). Assessing construct validity in organizational research. Administrative Science Quarterly, 36, 421–458.

    Article  Google Scholar 

  • Balderjahn, I. (1986). Das umwelbewußte Konsumentenverhalten. Berlin: Duncker & Humblot.

    Google Scholar 

  • Bearden, W. O., Netemeyer, R. G., & Teel, J. E. (1989). Measurement of consumer susceptibility to interpersonal influence. Journal of Consumer Research, 15, 473–481.

    Article  Google Scholar 

  • Bortz, J., & Döring, N. (2006). Forschungsmethoden und Evaluation (4. Aufl.). Heidelberg: Springer.

    Google Scholar 

  • Campbell, D. T. (1960). Recommendations for APA test standards regarding construct, trait, or discriminant validity. American Psychologist, 15, 546–553.

    Article  Google Scholar 

  • Campbell, J. P. (1976). Psychometric Theory. In M. D. Dunette (Hrsg.), Handbook of industrial and organizational psychology (S. 185–222). Chicago: Wiley.

    Google Scholar 

  • Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validity by the multitraid-multimethod-matrix. Psychological Bulletin, 56, 81–105.

    Article  Google Scholar 

  • Churchill, G. A. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16, 64–73.

    Article  Google Scholar 

  • Cronbach, L. J. (1947). Test „Reliability“: Its meaning and determination. Psychometrika, 12, 297–334.

    Article  Google Scholar 

  • Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281–302.

    Article  Google Scholar 

  • Dziuban, C. D., & Shirkey, E. C. (1974). When is a correlation matrix appropriate for factor analysis?. Psychological Bulletin, 81, 358–361.

    Article  Google Scholar 

  • Fornell, C. (1982). A second generation of multivariate analysis: An overview. In C. Fornell (Hrsg.), A second generation of multivariate analysis: Classification of methods and implications for marketing research (1. Aufl., S. 1–21). New York: Greenwood.

    Google Scholar 

  • Fornell, C., & Larcker, D. F. (1981). Evaluation structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18, 39–50.

    Article  Google Scholar 

  • Gerbing, D. W., & Anderson, J. C. (1988). An updated paradigm for scale development incorporating unidimensionality and its assessment. Journal of Marketing Research, 25, 186–192.

    Article  Google Scholar 

  • Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2010). Multivariate data analysis (7. Aufl.). New Jersey: Prentice Hall.

    Google Scholar 

  • Hildebrandt, L. (1984). Kausalanalytische Validierung in der Marketingforschung. Marketing: Zeitschrift für Forschung und Praxis, 6(1), 41–51.

    Google Scholar 

  • Hildebrandt, L., & Temme, D. (2006). Probleme der Validierung mit Strukturgleichungsmodellen. Die Betriebswirtschaft, 66(6), 618–639.

    Google Scholar 

  • Himme, A. (2007). Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit. In S. Albers et al. (Hrsg.), Methodik der empirischen Forschung (2. Aufl., S. 375–390). Wiesbaden: Gabler.

    Google Scholar 

  • Homburg, C. (1998). Kundennähe von Industriegüterunternehmen (2. Aufl.). Wiesbaden: Gabler.

    Google Scholar 

  • Homburg, C., & Giering, A. (1996). Konzeptualisierung und Operationalisierung komplexer Konstrukte – Ein Leitfaden für die Marketingforschung. Marketing: Zeitschrift für Forschung und Praxis, 18(1), 5–24.

    Google Scholar 

  • Jennrich, R. I. (2004). Rotation to simple loadings using component loss functions: The oblique case. Psychometrika, 71, 173–191.

    Google Scholar 

  • Jöreskog, K. G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika, 32, 443–482.

    Google Scholar 

  • Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34, 183–202.

    Google Scholar 

  • Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 57, 239–251.

    Google Scholar 

  • Jöreskog, K. G. (1971a). Statistical analysis of sets of congeneric tests. Psychometrika, 36, 109–133.

    Google Scholar 

  • Jöreskog, K. G. (1971b). Simultaneous factor analysis in serveral populations. Psychometrika, 36, 409–426.

    Google Scholar 

  • Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39, 31–36.

    Article  Google Scholar 

  • Kaiser, H. F., & Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement, 34, 111–117.

    Article  Google Scholar 

  • Kumar, N., Scheer, L., & Steenkamp, J. B. (1993). Powerful suppliers, vulnerable resellers, and the effects of supplier fairness: A cross-national study. Arbeitspapier des Instituts für the Study of Business Markets. Pennsylvania.

    Google Scholar 

  • Mulaik, S. (1972). The foundations of factor analysis. New York: Chapman and Hall.

    Google Scholar 

  • Netemeyer, R. G., Bearden, W. O., & Sharma, S. (2003). Scaling procedures. Issues and applications. Thousand Oaks: Sage.

    Google Scholar 

  • Nunnally, J. C. (1967). Psychometric theory. New York: McGraw-Hill.

    Google Scholar 

  • Nunnally, J. C. (1978). Psychometric Theory (2. Aufl.). New York.

    Google Scholar 

  • Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3. Aufl.). New York: McGraw-Hill.

    Google Scholar 

  • Patil, V. H., Singh, S. N., Mishra, S., & Donovan, D. T. (2008). Efficient theory development and factor retention criteria: Abandon the ‚eigenvalue greater than one‘ criterion. Journal of Business Research, 61, 162–170.

    Article  Google Scholar 

  • Peter, J. P. (1979). Reliability: A review of psychometric basics and recent marketing practices, Journal of Marketing Research, 26, 6–17.

    Article  Google Scholar 

  • Peter, J. P. (1981). Construct validity: A review of basic issues and marketing practices. Journal of Marketing Research, 28, 133–145.

    Article  Google Scholar 

  • Revelle, W. (1979). Hierarchical clustering and the internal structure of tests. Multivariate Behavioral Research, 14, 57–74.

    Article  Google Scholar 

  • Robinson, J. P., Shaver, P. R., & Wrightsman, L. S. (1991). Criteria for scale selection an evaluation. In J. P. Robinson, P. R. Shaver, & L. S. Wrightsman (Hrsg.), Measures of personality and social psychological attitudes (S. 1–15). San Diego: Gulf Professional Publishing.

    Google Scholar 

  • Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19, 305–335.

    Article  Google Scholar 

  • Schnell, R., Hill, P. B., & Esser, E. (2011). Methoden der empirischen Sozialforschung (9. Aufl.). München: Oldenbourg Verlag.

    Google Scholar 

  • Shimp, T. A., & Sharma, S. (1987). Consumer ethnocentrism: Construction and validation of the CETSCALE. Journal of Marketing Research, 24, 280–289.

    Article  Google Scholar 

  • Weiber, R. (1984). Faktorenanalyse. St. Gallen: Surbir.

    Google Scholar 

  • Zaichkowsky, J. L. (1985). Measuring the involvement construct. Journal of Consumer Research, 12, 341–352.

    Article  Google Scholar 

  • Zaltmann, G., Pinson, C., & Angelmar, R. (1973). Metatheory and consumer research. New York: Holt, Reinhart and Winston.

    Google Scholar 

Weiterführende Literatur zur Reliabilitäts- und Validitätsprüfung

  • Bergkvist, L., & Rossiter, J. R. (2007). The predictive validity of multiple-item versus single-item measures of the same constructs. Journal of Marketing Research, 44, 175–184.

    Article  Google Scholar 

  • Bornstedt, G. W. (1970). Reliability and validity assessment in attitude measurement. In G. F. Summers (Hrsg.), Attitude measurement (S. 80–99). Chicago.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Professur für Marketing Innovation und E-Business, Universität Trier, Trier, Deutschland

    Prof. Dr. Rolf Weiber & Dr. Daniel Mühlhaus

Authors
  1. Prof. Dr. Rolf Weiber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Dr. Daniel Mühlhaus
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Rolf Weiber .

Rights and permissions

Reprints and permissions

Copyright information

© 2014 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Weiber, R., Mühlhaus, D. (2014). Güteprüfung reflektiver Messmodelle. In: Strukturgleichungsmodellierung. Springer-Lehrbuch. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35012-2_7

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-35012-2_7

  • Published:

  • Publisher Name: Springer Gabler, Berlin, Heidelberg

  • Print ISBN: 978-3-642-35011-5

  • Online ISBN: 978-3-642-35012-2

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation