Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Statistische Auswertung mit einem Strukturgleichungsmodell in Psychologie mit IBM SPSS AMOS

In diesem Projekt haben wir für unsere Kunden eine statistische Modellierung durch ein Strukturgleichungsmodell (engl. SEM, Structural Equation Modeling) durchgeführt. Die Technische Umsetzung erfolgte mit Hilfe der IBM SPSS Erweiterung (Add-On) AMOS.

Vorbereitung und Herausforderung

Statistische Modelle finden heutzutage immer häufiger Anwendung in der Psychologie, da sie es erlauben, komplexe Fragestellungen und Forschungshypothesen analytisch zu prüfen. Die Herausforderung dabei besteht darin, dass viele psychologische Konzepte wie z.B. „Despression“, „PTBS“ oder „Angst“ sich nicht direkt messen lassen und müssen daher operationalisiert werden.

Unsere Kunden, eine Arbeitsgruppe von Psychologieforschern an einer Universität in Deutschland, haben uns beauftragt, die im Rahmen einer Fragenbogenumfrage gesammelten Patientendaten statistisch zu evaluieren und herauszufinden, in welcher kausalen Beziehung verschiedene psychologischen Symptome zueinander stehen, und zwar wie sich die Resilienz auf die psychologischen Dimensionen wie Depression, PTBS, Emotionaler Distress und Angst auswirkt.

Projektverlauf und Auswertung

Operationalisierung ist ein Verfahren, das die Messung von nicht beobachteten (latenten) Variablen durch die direkt beobachtete (manifesten) Hilfsvariablen übernimmt. In Bezug auf den Fachbereich der Psychologie bedeutet das, dass die durch Fragebögen erhobene Daten so zusammengefasst werden können, dass sie ein gewünschtes Konzept abbilden. Es gibt viele etablierte Fragebögen, die die Messung eines breiten Spektrums von psychologischen Symptomen erlauben, wie z.B. Hopkins Symptom Checklist-25 (HSCL-25) [1]. Wir nutzten „Part II: Depression Symptoms“ dieses Fragebogens um an diesem Beispiel zu zeigen, wie die Depressionswerte pro Proband erhoben werden können.

Aus statistischer Sicht, kann der Zusammenhang zwischen latenten und manifesten Variablen folgendermaßen dargestellt werden:

Zusammenhänge Strukturgleichungsmodell
Abb.1. Zusammenhang zwischen latenter Zielvariable „Depression“ (Oval) und manifesten Fragebogenvariablen (Rechtecke)

Die statistische Aufgabe bestand darin, aus 25 beobachteten Variablen eine latente Variable „Depression“ rechnerisch zu erfassen, was mit Hilfe einer Faktorenanalyse erreicht wurde. Die Faktorenanalyse ist ein dimensionsreduzierendes statistisches Verfahren um aus mehreren empirischen Beobachtungen (Items) eine reduzierte Anzahl endgültiger latenter Variable zu bilden.

Vor der Faktorenanalyse wird eine Reliabilitätsanalyse durchgeführt um zu prüfen, ob die interne Konsistenz einen ausreichend hohen Wert aufweist. Wenn das Reliabilitätsmaß, Cronbach’s α[2] einen genügend hohen Wert von mindestens 0,7 aufweist, kann die Faktorenanalyse fortgesetzt werden und die latente Variablen berechnet werden.

Als nächster Schritt wurden die kausalen Zusammenhänge zwischen den neu berechneten Variablen evaluiert, wofür eine Regressionsanalyse herangezogen wurde.

Der große Vorteil von einem Strukturgleichungsmodell ist die Möglichkeit, Faktoren- und Regressionsanalyse zu kombinieren und im Rahmen einer Auswertung durchzuführen. Dieser auf Kovarianzstrukturanalysen basierende Analyseansatz ist sehr flexibe und erlaubt dem Forscher viel Freiheit bei der Modellierung.

Viele statistische Programmen wie z.B. SPSS, Stata oder R bieten Werkzeuge zur Analyse von einem Strukturgleichungsmodell mit latenten Variablen. Besonders benutzerfreundlich und visuell ist eine SPSS Add-On Erweiterung AMOS. Sie erlaubt es dem Benutzer, durch einfache grafische Handhabung (siehe Abb. 1, Abb. 2) das Model zu spezifizieren und zu schätzen. Die zur Verfügung stehende Schätzmethoden beinhalten Maximum Likelihood (ML), generalisierte / ungewichtete kleinste Quadrate (GLS/ULS), Bootstrapping sowie Bayes Schätzung. Als Ergebnis werden die Regressionskoeffizienten und Model Fit Maße geliefert, wie z.B. Chi-Quadrat Test, Incremental/Comparative Fit Index (IFI/CFI) oder Root Mean Square Error of Approximation (RMSEA). Die grafische Darstellung der Ergebnisse wurde auch mitgeliefert, um die Interpretation der Ergebnisse zu vereinfachen.

Ergebnis und Lieferung

Das Ergebnis des Projektes war eine fertige Modellierung inklusive SPSS und AMOS Programmierung und die fachliche Interpretation der Ergebnisse. Wir konnten statistisch signifikant (unter dem Signifikanzniveau p=0,05) beweisen, dass die Resilienz mit Depression, PTBS, emotionalem Distress und Angst negativ verbunden ist: je resilienter ist man, desto stabiler und weniger anfällig ist er für negative psychologische Auswirkungen. Diese Ergebnisse konnten unsere Kunden erfolgreich veröffentlichen und in einem wissenschaftlichen Journal publizieren.

Kausale Zusammenhänge Strukturgleichungsmodell
Abb.2. Kausale Zusammenhänge zwischen den latenten Variablen im Model.

 

  1. Hopkins Symptom Checklist-25, Hmong Version: A Screening Instrument for Psychological Distress, Vang Leng Mouanoutoua & Lillian G. Brown, 1995, Journal of Personality Assessment, Volume 64, Issue 2, pp. 376-383
  2. Cronbach’s Alpha: A Tool for Assessing the Reliability of Scales, J. Reynaldo & A. Santos, 1999, The Journal of Extension, Volume 37, Number 2.