Strukturgleichungsmodell

Definition: Ein Strukturgleichungsmodell (SEM, Structural Equation Model) ist ein fortgeschrittenes multivariate statistisches Verfahren, das komplexe Kausal- und Messbeziehungen zwischen latenten (nicht direkt beobachtbaren) und manifesten (direkt gemessenen) Variablen simultan modelliert und empirisch überprüft. SEM verbindet die konfirmatorische Faktoranalyse (zur Messung latenter Konstrukte durch Indikatoren) mit der Pfadanalyse bzw. multiplen Regression (zur Schätzung kausaler Beziehungen zwischen Konstrukten) in einem integrierten statistischen Rahmen. Ein vollständiges SEM besteht aus zwei Teilmodellen: dem Messmodell, das beschreibt, wie beobachtbare Variablen (z. B. Fragebogenitems) latente Konstrukte wie Kundenzufriedenheit, Markenvertrauen oder Kaufabsicht repräsentieren, und dem Strukturmodell, das die postulierten Kausalbeziehungen zwischen diesen Konstrukten abbildet. SEM wird in der empirischen Marketingforschung besonders dort eingesetzt, wo mehrere hypothetische Wirkungspfade gleichzeitig getestet werden sollen – etwa um zu untersuchen, ob Servicequalität direkt die Loyalität beeinflusst oder ob dieser Effekt durch Kundenzufriedenheit mediiert wird.

Erläuterung

Die Stärke von SEM gegenüber einfacherer Regressionsanalyse liegt in drei Punkten: Erstens erlaubt SEM die explizite Modellierung von Messfehlern – alle Indikatoren werden als fehlerbehaftete Messungen latenter Konstrukte behandelt, was zu unverfälschten Parameterschätzungen führt. Zweitens ermöglicht SEM die simultane Schätzung mehrerer Gleichungen, ohne wie in sequenzieller Regression Schätzfehler zu akkumulieren. Drittens erlaubt SEM die Überprüfung von Mediationseffekten (ob ein Konstrukt den Effekt eines anderen vollständig oder partiell vermittelt) in einem einzigen Analyserahmen.

In der Praxis werden zwei Hauptansätze unterschieden: Das kovarianzbasierte SEM (CB-SEM) – implementiert in LISREL, Amos, lavaan (R) – schätzt Modellparameter so, dass die implizierte Kovarianzmatrix des Modells möglichst gut mit der beobachteten Kovarianzmatrix übereinstimmt. CB-SEM erfordert multivariate Normalverteilung der Daten, große Stichproben (Faustregel: mindestens 200 Beobachtungen) und eignet sich besonders für die Überprüfung theoretischer Modelle (Confirmatory Research).

Das varianzbasierte PLS-SEM (Partial Least Squares SEM) – implementiert in SmartPLS, WarpPLS – schätzt Modellparameter durch iterative Minimierung von Residualvarianzen. PLS-SEM ist robuster gegenüber kleineren Stichproben und nicht-normalverteilten Daten und eignet sich besonders für explorative und prädiktive Forschungsziele. Allerdings liefert PLS-SEM keine direkten globalen Modell-Fit-Indizes, was die Modellevaluierung erschwert.

Für die Bewertung der Modellgüte werden bei CB-SEM mehrere Indizes herangezogen: Der CFI (Comparative Fit Index) sollte > 0,95 sein; der RMSEA (Root Mean Square Error of Approximation) sollte < 0,06 liegen; der SRMR (Standardized Root Mean Square Residual) sollte < 0,08 sein. Der Chi-Quadrat-Test ist auf Signifikanz sensitiv und wird bei großen Stichproben fast immer signifikant – er wird daher als alleiniges Gütekriterium nicht mehr empfohlen.

Referenzen: Hair et al. (2019): "Multivariate Data Analysis". Cengage. – Kline (2015): "Principles and Practice of Structural Equation Modeling". Guilford Press. – Hair et al. (2017): "A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)". SAGE. – Fornell/Larcker (1981): "Evaluating Structural Equation Models with Unobservable Variables and Measurement Error". Journal of Marketing Research. – Bagozzi/Yi (1988): "On the Evaluation of Structural Equation Models". Journal of the Academy of Marketing Science.

Aufbau und Komponenten eines SEM

Latente Konstrukte (latente Variablen): Nicht direkt beobachtbare theoretische Konzepte wie Kundenzufriedenheit, Vertrauen oder Markenimage – operationalisiert durch mehrere Indikatoren (Items).
Reflektive Indikatoren: Indikatoren sind Ausdruck (Manifestation) des latenten Konstrukts – eine Änderung im Konstrukt spiegelt sich in allen Indikatoren wider; typisch für Einstellungs- und Persönlichkeitskonstrukte.
Formative Indikatoren: Indikatoren bilden (formen) das Konstrukt; verschiedene, nicht notwendigerweise korrelierende Elemente tragen zum Konstrukt bei – typisch für Indizes wie sozioökonomischer Status oder Marketingmix.
Pfadkoeffizienten: Standardisierte Regressionsgewichte zwischen latenten Konstrukten im Strukturmodell; entsprechen Beta-Koeffizienten und zeigen Richtung und Stärke der Beziehung.
Mediationsanalyse: SEM erlaubt die Schätzung indirekter Effekte (Produkt der Pfadkoeffizienten auf dem Mediationspfad) und deren Signifikanztest via Bootstrapping.

Gütekriterien für das Messmodell

Faktorladungen: Alle Indikatoren sollten Faktorladungen > 0,70 aufweisen, was einer erklärten Varianz von > 50 % entspricht.
Interne Konsistenz (Cronbachs Alpha / Composite Reliability): Werte > 0,70 indizieren ausreichende Reliabilität der latenten Konstruktmessung.
Durchschnittlich extrahierte Varianz (AVE): AVE > 0,50 zeigt, dass das Konstrukt mehr Varianz aus seinen Indikatoren erklärt als Messfehler beitragen (Konvergenzvalidität nach Fornell/Larcker).
Diskriminanzvalidität: Jedes Konstrukt sollte empirisch unterscheidbar von anderen Konstrukten sein; geprüft durch Fornell-Larcker-Kriterium oder HTMT-Ratio (Heterotrait-Monotrait Ratio < 0,85).

Praxistipp: Beginnen Sie jede SEM-Analyse mit einer konfirmatorischen Faktoranalyse (CFA), um die Messmodellgüte zu prüfen und bei Bedarf schlecht ladende Indikatoren zu eliminieren, bevor Sie das Strukturmodell schätzen. Wählen Sie zwischen CB-SEM und PLS-SEM nach dem Forschungsziel: CB-SEM für Theorietests bei großen Stichproben, PLS-SEM für prädiktive Studien oder bei kleineren Samples. Berichten Sie stets mehrere Fit-Indizes und die vollständigen Messmodellgütekriterien, da selektives Berichten nur guter Indizes als Gütemanipulation gilt.