Die Analyse von Strukturgleichungsmodellen nimmt einen wichtigen Stellenwert ein. Grund hierfür ist sicherlich das enorme Anwendungsspektrum und die große Flexibilität in der Modellierung komplexer Zusammenhänge mit latenten Variablen. Für die Analyse von Strukturgleichungssystemen gibt es spezielle Software. In diesem Artikel stellen wir daher exemplarisch SmartPLS und SPSS AMOS und LISREL gegenüber. Die Softwares repräsentieren jeweils allerdings verschiedene Modellierungsansätze. Wir zeigen Ihnen deshalb, wann welche Software für ihre Fragestellung eine optimale Lösung anbietet. Die Frage nach der geeigneten Modellierung und der besten Software ist dabei von vielen Faktoren abhängig.
Gerne beraten Sie unsere Experten individuell, welcher Modellierungsansatz für ihre Fragestellung geeignet ist. Unsere Statistiker beraten sie unabhängig und führen ihre gewünschten Auswertungen mit SmartPLS, LISREL oder AMOS Software zuverlässig aus. Nehmen Sie Kontakt mit uns auf. Wir freuen uns auf Ihre Herausforderung.
Dieser Artikel bespricht folgende Frage zu SPSS AMOS vs. SmartPLS:
- Was ist ein Strukturgleichungsmodell?
- Welche verschiedenen Verfahren gibt es?
- Was versteht man unter dem kovarianzbasierten Ansatz von SPSS AMOS und LISREL?
- Wodurch unterscheidet sich SmartPLS von IBM SPSS AMOS?
Das Strukturgleichungsmodell – ein Modell mit unendlichen Möglichkeiten
Ein Strukturgleichungsmodell (engl. structural equation modeling, SEM) ist ein multivariates statistisches Modell. Es beschreibt in vereinfachter, modellhafter Weise reale Zusammenhänge mehrerer Variablen gleichzeitig. Die Besonderheit dabei ist die immense Flexibilität:
- Variablen können latent sein, müssen also nicht direkt messbar sein.
- Variablen können untereinander korreliert sein.
- Interaktionen mit stetigen oder kategorialen Merkmalen können berücksichtigt werden.
- Messfehler werden berücksichtigt.
Ein SEM – zwei gänzlich verschiedene Ansätze
Bei den Strukturgleichungsmodellen unterscheidet man zwei verschiedene Ansätze: konfirmatorisch mit Hilfe des kovarianzbasierten Ansatz (CB-SEM) und explorativ mit partial-least-squares Methoden (PLS-SEM).
Beide Verfahren sind dabei für unterschiedlichen Forschungskontext geeignet. Die Auswahl des geeigneten Modellierungsansatzes muss daher vorab auf Basis der zu erhebenden Daten und der Fragestellung abgewogen und beschrieben werden. Um festzustellen, ob ein CB-SEM oder PLS-Ansatz verwendet wird, kann man anhand der Ziele und Voraussetzungen der beiden Ansätze feststellen. Synonymhaft werden für kovarianzbasierte Verfahren SPSS AMOS oder LISREL verwendet, SmartPLS repräsentiert den Partial-Least-Square Ansatz. Beide Ansätze stellen jedoch keine konkurrierenden oder austauschbaren Ansätze dar.
Im Folgenden erläutern wir die beiden Ansätze und grenzen diese voneinander ab. Wir besprechen also, für welche Problemstellung SmartPLS, AMOS Software von IBM SPSS oder LISREL die optimale Lösung bietet.
Unsere Experten unterstützen sie gerne bei der Findung optimaler Lösungsstrategien für Ihre Fragestellung. Wir helfen Ihnen, die optimale Software zu finden, unterstützen sie bei der Festlegung Ihrer Hypothesen. Unsere Statistiker haben Erfahrung und Kompetenz in der Unterstützung bei Modellierungen in SmartPLS sowie der Anwendung der SPSS AMOS Software – angefangen von einem Beratungsgespräch bis hin zur kompletten Analyse und Interpretation Ihres Modells. Wir freuen uns auf Ihre Fragestellung.
SPSS AMOS: Der kovarianzbasierte Ansatz
Ein weitverbreitetes Verfahren zur Modellierung stellt der kovarianzbasierte Ansatz dar. Dieser Ansatz verfolgen die beiden Softwares SPSS Amos und LISREL: Etablierte Modelle oder Zusammenhänge sollen dabei im Rahmen der Analyse bestätigt werden (konfirmatorische Analyse). Mit der SPSS Amos Software werden Konstrukte hierzu als Faktoren betrachtet, die die Streuung (Kovarianz) zwischen den dazugehörigen Indikatoren erklären.
Ziel
Die grundsätzliche Idee besteht darin, mit Hilfe von Kovarianzen beobachteter Indikatoren Rückschlüsse auf Zusammenhänge und Korrelationen der latenten Variablen zu erhalten. Alle Parameter des Modells können hierzu gleichzeitig geschätzt werden. Das Ziel des CB-SEM besteht dabei darin, die empirisch erhobenen Daten mit dem Modell möglichst gut zu reproduzieren.
Identifizierbarkeit und Fallzahl
Vor der eigentlichen Berechnung der Parameterschätzer muss das Modell zuerst auf die Identifizierbarkeit überprüft werden. Mit der Identifizierbarkeit wird überprüft, ob anhand der empirischen Daten ausreichend viele Informationen vorhanden sind, um eine Schätzung durchzuführen. Müssen mehr Parameter im Modell geschätzt werden als Korrelationen zwischen den Variablen berechnet werden können, dann gilt das Modell als nicht identifizierbar. Um eine ausreichende Informationsbasis für eine robuste Modellspezifizierung zu gewährleisten, wird mindestens ein Stichprobenumfang von 200 und mehr empfohlen. Dieser Stichprobenumfang erhöht sich allerdings mit steigender Modellkomplexität z.B. durch zusätzliche Faktoren.
Gütekriterien
Das Ziel des CB-SEM Ansatzes mit SPSS AMOS oder LISREL ist es, ein Modell zu bilden, das die Daten möglichst gut beschreibt. Dabei kommt der Modellgüte eine zentrale Rolle zu. Globale Gütekriterien wie Goodness of Fit Index (GFI) messen hierzu die relative Menge an Streuung, die durch das Modell erklärt wird. Somit können verschiedene Modelle miteinander verglichen werden.
Voraussetzungen für IBM SPSS AMOS Analyse
Voraussetzungen für die Durchführbarkeit der Analyse mit SPSS AMOS Software sind:
- Alle latenten Variablen folgen einer multivariaten Normalverteilung. Das bedeutet auch, dass keine kategorialen Merkmale wie Geschlecht, Einkommensgruppe etc. verwendet werden können.
- Sämtliche Variablen besitzen einen Erwartungswert von null
- Latente Variablen und Messfehlervariablen sind unkorreliert, d.h. die Höhe des Messfehlers zeigt keinen Zusammenhang von der Höhe der Variablenausprägung.
Um eine Analyse mit SPSS AMOS oder LISREL durchführen zu können, müssen all diese Voraussetzungen erfüllt sein.
SmartPLS: Der PLS Ansatz
Ein anderer Ansatz zur Schätzung von Strukturgleichungen basiert auf dem Partial-Least-Square Ansatz (PLS). Dieser Ansatz wird von SmartPLS verwendet.
Ziel
Das Ziel des PLS Ansatzes besteht darin, ein Modell zu bilden, das eine möglichst exakte Prognose der Beobachtungen erreicht. Das Modell soll dabei einen möglichst hohen Anteil der beobachteten Streuung erklären.
Methodik
Im Rahmen der Analyse mit SmartPLS wird das Strukturmodell in ein inneres Modell und ein äußeres Modell aufgeteilt. Im inneren Modell werden die Beziehungen der latenten Variablen dargestellt, im äußeren Modell dagegen die Beziehungen der latenten Variablen mit den Indikatoren.
Identifikation und Fallzahl
Die Schätzung der Parameter erfolgt schrittweise. Dadurch ergeben sich in der Regel keine Identifikationsprobleme. Der erforderliche Stichprobenumfang ist außerdem deutlich geringer und hängt nicht von der Anzahl zu schätzender Parameter ab.
Bewertung des Modells
Das innere und äußere Modell werden separat bewertet. Die Bewertungskriterien sind dabei abhängig von der Art des Messmodells (reflektiv oder formativ). Hierzu ist eine Reliabilität der Indikatoren, Validität und Kollinearität der Indikatoren und zwischen den Konstrukten erforderlich.
Voraussetzung für die SmartPLS Analyse
SmartPLS bietet eine hohe Vielfalt hinsichtlich der Analyse geeigneter Daten. Dabei werden keine Verteilungsannahmen vorausgesetzt. Es können also stetige und kategoriale Variablen verarbeitet werden. Auch Variablen mit fehlenden Daten können innerhalb eines vertretbaren Niveaus einbezogen werden. Die Signifikanz der Parameter wird dabei anhand von Resampling Verfahren (Bootstrapping) bestimmt.
Gegenüberstellung SPSS AMOS vs. SmartPLS
Bei der Frage nach der Nutzung von SPSS AMOS oder LISREL und SmartPLS sollte man mehrere Aspekte berücksichtigen. Die Anwendung der verschiedenen Modellierungsansätze ist von den folgenden Hauptmerkmalen abhängig:
| SPSS AMOS/ LISREL | SmartPLS | |
|---|---|---|
| Zielsetzung | Bestätigung oder Testen von Theorien | Prognose von Zielkonstrukten |
| Fehlende Werte | Nur vollständige Variablen, fehlende Werte können mittels Imputationsstrategien vorab ergänzt werden. | Möglich unterhalb eines vertretbaren Niveaus, vorab Imputation fehlender Werte |
| Verteilung der Variablen | multivariat normalverteilt, homogene Varianzen | beliebig |
| Skalenniveau der Daten | stetig | beliebig |
| Stichprobengröße | Mindestens n = 200, steigt stark an mit Modellkomplexität | Geringer Anforderungen, hohe Teststärke bei geringem Stichprobenumfang ab n = 100 |
| Identifizierbarkeit | Vorab zu prüfen | Keine Problematik |
| Modellkomplexität | Abhängig von Stichprobengröße und bedingt Identifizierbarkeit, max. 40 – 50 Indikatoren insgesamt | Komplexes Strukturmodell möglich, viele Konstrukte, Indikatoren und Beziehungen untereinander möglich |
| Modellgüte | Globales Gütekriterium z. B. GFI | Kein globales Gütekriterium vorhanden, inneres und äußeres Modell werden separat untersucht |
| Erweiterungen | Mediationsanalyse Moderationsanalyse Multigruppenanalyse (MGA) Higher Order Konstrukte (HOC) |
Die mit SmartPLS und SPSS Amos analysierten Strukturgleichungsmodelle stellen zwei unterschiedliche Ansätze dar, die man nicht gegeneinander austauschen kann. Beide Verfahren sind für unterschiedliche Zwecke ausgelegt. Kein Verfahren ist daher generell überlegen oder besser und keines der beiden Verfahren ist in allen Situationen angemessen.
Die Unterschiede werden an den folgenden Beispielen deutlich.
SPSS Amos vs. SmartPLS: Anwendungsbeispiele aus der Novustat Beratungspraxis
Wohnsituation & Lebenszufriedenheit
Im Rahmen einer empirischen soziologischen Erhebung werden anhand von Fragebögen Bewohner einer Großstadt zur Wohnsituation und dem sozialen Umfeld befragt. Insgesamt stehen 286 Variablen zur Verfügung, die u. a. die Konstrukte sozialer Zusammenhalt, Lebensqualität, nachbarschaftliche Solidarität, Wohlbefinden sowie Variablen zur Beschreibung des Einkommens, der Wohnsituation, Miete, Stadtteil, Lebenspartner, Kinder und viele weitere Aspekte abfragen. Allerdings haben nicht alle Befragten auch alle Fragen vollständig beantwortet. Insgesamt stehen 812 Fragebögen für die Analyse zur Verfügung. Das Ziel der Auswertung besteht darin, die Lebenszufriedenheit anhand verschiedener Parameter in Abhängigkeit von der Wohnsituation vorherzusagen.
Anhand der Beschreibungen bietet sich der PLS Ansatz mit SmartPLS an. Denn die Zusammenhänge sind sehr komplex mit vielen Variablen unterschiedlichen Typs. Die Zielausrichtung ist dabei in der Prädiktion zukünftiger Ereignisse (Lebenszufriedenheit). Hierzu möchte man kategoriale Merkmale (wie z.B. den Stadtteil) berücksichtigen.
Verbraucherstudie zur Körperpflege bei Männern
In einer Verbraucherumfrage soll die Einstellung von Männern zu Körperpflege untersucht werden. Dazu wird der Einfluss von zwei latenten Faktoren (Traditionell, Stylish) auf den Markenwert einer Männerpflege untersucht. Die latenten Faktoren werden wiederum durch Markenattribute wie Renommee, Marke, Zuverlässigkeit (Traditionell) bzw. Kultiviertheit, Raffinesse, Style (Stylish) repräsentiert. Außerdem moderiert Alter der Kunden die Beziehung zwischen dem Markenimage und dem Markenwert. Es stehen 90 Fragebögen zur Auswertung zur Verfügung.
Auch hier bietet sich der PLS Ansatz mit SmartPLS an. Wieder handelt es sich um komplex Zusammenhänge mit vielen Variablen unterschiedlichen Typs. Die Zielausrichtung ist ebenfalls die Vorhersage Prädiktion zukünftiger Ereignisse (Kaufverhalten/Markenwert). Hierzu möchte man wie im obigen Beispiel kategoriale Merkmale (wie z.B. Marke) berücksichtigen. Außerdem ist die Fallzahl für die Durchführung einer SEM Analyse via SPSS AMOS Software deutlich zu gering und die Identifizierbarkeit des Modells bei einer so großen Anzahl an Faktoren ist nicht mehr gewährleistet.
Wirksamkeitsstudie für eine alternative Therapie
Nach Einführung einer alternativen Therapieart (Kunsttherapie) möchte das Management überprüfen, ob die neue Therapie die Genesung der Patienten positiv beeinflusst. Für die Genesung spielen dabei die Variablen Wohlbefinden, Depression und Eigeninitiative eine große Rolle. Hierzu hat man Fragebögen mit etablierten Indikatoren an die Patienten verteilt. Als Zielvariable möchte man den Klinikaufenthalt in Tagen betrachten.
Bei diesem Beispiel sollte man vorab überprüfen, ob eine Normalverteilung bei der Variable Klinikaufenthalt in Tagen vorliegt oder ob man eine geeignete Transformation durchführen kann. In diesem Fall kann man den CBS-Ansatz von SPSS AMOS verwenden, da es von der Zielsetzung um die Bestätigung bereits bekannter Theorien (Kunsttherapie wirkt positiv) geht.
Kundenzufriedenheit, Markentreue & Kaufverhalten
Ein Unternehmen möchte den Zusammenhang zwischen Kundenzufriedenheit, Markentreue (Loyalität) und Kaufverhalten untersuchen. Im Zentrum der Auswertung steht dabei, welche Maßzahl für Kundenzufriedenheit den höchsten Effekt auf das Kaufverhalten zeigt. Dazu wurden 5 verschiedene Erhebungsmöglichkeiten untersucht. Das Unternehmen möchte nun wissen, welche Maßzahlzahl am besten das Kaufverhalten er Kunden beeinflusst. Dabei ist bekannt, dass Markenloyalität und Alter den Zusammenhang zwischen Kundenzufriedenheit und Kaufverhalten moderiert.
Dies ist ein Beispiel für CB-SEM, da man hierbei verschiedene Modelle hinsichtlich der besten Datenanpassung (globale Modellgüte) miteinander vergleichen möchte.
Arbeitszufriedenheit & arbeitsbedingte Probleme
Das HR-Management möchte den Zusammenhang zwischen arbeitsbedingten Problemen auf die Arbeitszufriedenheit untersuchen. Die verschiedenen Konstrukte werden über eine Mitarbeiterbefragung erhoben. Ziel der Analyse ist es, vorhandene Problem zu erkennen und Ursachen zu ermitteln.
Auch für dieses HR-Analytics Beispiel kann man mit diesem Ansatz SPSS AMOS Software verwenden, da primär das Ziel in der Beschreibung und Ursachenerkennung anhand des aktuellen Zustandes liegt. Eine ausführliche Überprüfung der Voraussetzungen anhand der Daten muss jedoch in jedem Fall der Analyse vorausgehen.
Die verschiedenen Anwendungsbeispiele zeigen die Vielfältigkeit der Aufgabenstellungen und Anwendungsgebiete. Um den optimalen SEM Ansätze für eine Situation festzustellen, muss immer zuerst eine ausführliche Absprache mit dem Anwender erfolgen.
SPSS AMOS, Lisrel & SmartPLS: Zusammenfassung
Für die Modellierung von Strukturgleichungsmodellen stehen zwei unterschiedliche Ansätze zur Verfügung: Das ist zum einen der PLS-Ansatz, den SmartPLS implementiert. Dem gegenüber steht der CB Ansatz, den SPSS AMOS und LISREL verwirklichen. Eine genaue Abwägung, welcher Ansatz und somit welche Software geeignet ist, kann man vorab nur anhand vielfältiger Entscheidungskriterien vornehmen. Dazu zählen beispielsweise Zielsetzung, Stichprobenumfang, Anzahl und Skalenniveau der Variablen, Modellkomplexität und viele weitere Faktoren.
Weiterführende Informationen zu SPSS AMOS, Lisrel & SmartPLS
Hair et al.: A Primer on Partial Least Squares Structural Equation Modeling