1 / 22

Strukturgleichungsmodelle

Strukturgleichungsmodelle. Eine Einführung. X 1. X 2. X 1. X 2. X 1. X 2. X 1. X 2. X 1. X 3. X 2. Kausalität und Korrelation. X 1 ist korreliert mit X 2 . X 1 ist Ursache für X 2 . X 2 ist Ursache für X 1 . X 1 und X 2 beeinflussen sich gegenseitig.

airell
Download Presentation

Strukturgleichungsmodelle

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Strukturgleichungsmodelle Eine Einführung

  2. X1 X2 X1 X2 X1 X2 X1 X2 X1 X3 X2 Kausalität und Korrelation • X1 ist korreliert mit X2. • X1 ist Ursache für X2. • X2 ist Ursache für X1. • X1 und X2 beeinflussen sich gegenseitig. • X1 und X2 werden von X3 beeinflußt. • X1 , X2 und X3 sind miteinander korreliert. • X1 und X2 sind kausal für X3. X4 verursacht die Korrelation zwischen X1 und X2. • X1 und X2 sind kausal für X3. X1 ist kausal für X2. • X1 ist kausal für X2, X2 ist kausal für X3. • ....

  3. Ein Strukturgleichungsmodell zurück

  4. X manifeste Variable (gemessen) X latente Variable (Konstrukt), auch: Fehler 1 Regression („kausale Beziehung“)(mit fixiertem Gewicht) Korrelation (deskriptiv) Syntax, Terminologie endogene (abhängige) Variablen: mindestens ein gerichteter Pfeil zeigt auf sie exogene (unabhängige) Variablen: kein gerichteter Pfeil zeigt auf sie. Exogene Variablen sind immer korrelativ verknüpft. Kein Pfeil: r=0.

  5. Performance in Grad School Aptitude Happiness Smiling 2 1 Happiness 1 1 SocialSupport SocialSupport Laughing 2 1 1 Family 1 PreviousHappiness 1 Contentment 2 Knowledge Grades Skills 1 1 1 Friends Satisfaction 2 1 1 Verbal 1 1 Performance in Grad School Analytic 1 1 Quantitative Aptitude r14 r10 r11 r12 r1 r2 r15 r3 r13 r4 r16 r5 Messmodelle und Strukturmodell • Messmodell: Verknüpfung zwischen latenter Variable und ihren (manifesten) Indikatoren • Strukturmodell: Verknüpfung zwischen latenten Variablen

  6. Modellparameter • Diejenigen Größen, die durch das Modell festgelegt werden sollen: • Alle exogenen Variablen (inkl. Fehler, Residuen)(endogene Variablen werden ja „erklärt“...) • Alle (nicht fixierten) Pfade: • Regressionen (sofern kein fixiertes Gewicht dransteht) • Korrelationen (die man einzeichnet, der Rest ist auf 0 fixiert) Happiness

  7. Daten • Alle Varianzen von manifesten Variablen (Anzahl p) • Alle Kovarianzen zwischen manifesten Variablen(Anzahl p · (p – 1) / 2) • Alle Tripelvarianzen (Anzahl p · (p – 1) · (p – 2) / 6) • zusammen: p · (p + 1) / 2 Happiness

  8. Identifizierbarkeit • Anzahl Daten < Anzahl Modellparameter: unteridentifiziertModell nicht lösbar. X + Y = 1. • Anzahl Daten = Anzahl Modellparameter: exakt identifiziert Modell lösbar, aber nicht prüfbar. X = 1. • Anzahl Daten > Anzahl Modellparameter: überidentifiziertModell lösbar und prüfbar. X = 1  X = 2.

  9. 1 Performance in Grad School Aptitude SocialSupport PreviousHappiness r7 r8 r9 r16 r14 r13 r6 d2 r15 Definitionsgleichungen • Jede endogene Variable wirdper Regression erklärt: PGS = b1·A + b2·SS + b3·PH + d2 • Die Korrelation zwischen jedem denkbaren Paar exogener Variablen wird festgelegt: rr6,r16 = R1, rr7,r15 = R1, rr8,r14 = R3, rr9,f13 = R4, rr6,r7 = rr6,r8 = rr6,r9 = ... = 0. Happiness

  10. Strukturgleichungen • Definitionsgleichungen für (p) manifeste Variablen auflösen, bis rechts nur noch exogene Variablen stehen. • Alle (p · (p+1) / 2) Varianzen und Kovarianzen mit Hilfe der Definitionsgleichungen „erklären“: • Z = aX + bY: VZZ = a²VXX + b²VYY + 2abVXY. • W = cU + dV: VZW = acVXU + adVXV + bcVYU + bdVYV. zurück

  11. PreviousHappiness Smiling 1 Laughing 1 Contentment 1 Satisfaction 1 Friends r2 Lineare Abhängigkeiten • Manchmal reichen viele Gleichungen nicht, um viele unbekannte Größen zu bestimmen: • X + Y = 10. • 2X + 2Y = 20. • 3X + 3Y = 30. • ... • Wenn alle fortführenden Pfade einer latenten Variable frei (nicht fixiert) sind, können Gewichte und Varianz gegeneinander ausgespielt werden. 1 1 Happiness zurück

  12. 1 Messung 1 Fehler 1 1 Messung 2 Fehler 2 1 Messung 3 Fehler 3 Ein einfaches Meßmodell was fehlt? 1 • Definitionsgleichungen: • M1 = 1 · K + F1 • M2 = a · K + F2 • M3 = b · K + F3 • cor(F1,F2) = cor(F1,K) = cor(F1,F3) = cor(F2,K) = cor(F2,F3) = cor(F3,K) = 0 Konstrukt • Identifizierbarkeit: exakt. 6 Modellparameter, 6 (Ko-)Varianzen. • Strukturgleichungen • VM1M1 = 1²·VKK + VF1F1+ 2·VKF1 • VM2M2 = a²·VKK + VF2F2 • VM3M3 = b²·VKK + VF3F3 • VM1M2 = 1·a·VKK • VM1M3 = 1·b·VKK • VM2M3 = a·b·VKK

  13. 1 1 Messung 1 Messung 2 Fehler 1 Konstrukt 1 Messung 2 Messung 3 Fehler 2 1 Messung 1 Fehler 1 1 Fehler 2 Konstrukt 1 Fehler 3 1 Messung 4 Fehler 4 Weitere einfache Meßmodelle 1 1

  14. 1 Messung 1 Fehler 1 1 Konstrukt 1 Messung 2 Fehler 2 1 Messung 3 Fehler 3 Identifikationsgleichungen zurück • Strukturgleichungen • VM1M2 = 1·a·VKK • VM1M3 = 1·b·VKK • VM2M3 = a·b·VKK • VM1M1 = 1²·VKK + VF1F1 • VM2M2 = a²·VKK + VF2F2 • VM3M3 = b²·VKK + VF3F3 umformen • Identifikationsgleichungen • VKK = VM1M2VM1M3 / VM2M3 • a = VM2M3 / VM1M3 • b = VM2M3 / VM1M2 • VF1F1 = VM1M1 – VM1M2VM1M3 / VM2M3 • VF2F2 = VM2M2 – VM2M3VM1M2 / VM1M3 • VF3F3 = VM3M3 – VM2M3VM1M3 / VM1M2 • lokal identifizierbar: Jede einzelne Unbekannte ist identifizierbar.

  15. Messung 2 Messung 3 1 Messung 1 Fehler 1 1 Fehler 2 Konstrukt 1 Fehler 3 1 Messung 4 Fehler 4 Identifikationsgleichungen • 9 Unbekannte, 10 Ko/Varianzen, ... aber • nicht lokal identifizierbar: VKK ist nicht identifizierbar.

  16. Identifikationsgleichungen • dienen der Diagnostik (Identifizierbarkeit) • Die unbekannten Parameter werden anders bestimmt! • wäre ja auch zu peinlich, wenn für überbestimmte Variablen mehrere verschiedene Werte herauskommen

  17. V11 V21 V22 V31 V32 V33 Kovarianzmatrizen • Stichprobenkovarianzmatrix • Vxy = <xy> – <x> <y> =  (x–<x>)·(y–<y>) / n • geschätzte Populationskovarianzmatrix(„beobachtete Kovarianzmatrix“) • Sxy =  (x–<x>)·(y–<y>) / (n–1) = Vxy · n / (n–1) • implizierte Kovarianzmatrix • xy() ist eine Funktion des Vektors  der unbekannten Parameter S-Gl. / I-Gl.

  18. S11 S21 S22 S31 S32 S33 11 2122 313233 Kovarianzmatrizen • geschätzte Populationskovarianzmatrix Sxy • implizierte Kovarianzmatrix xy() • Diskrepanzfunktion F[S, ()] • F[S,T]  0 • F[S,T] = 0  S = T • F[S,T] + F[T,U]  F[S,U] • Iterativ  verändern, so daß F kleiner wird. • Wenn F minimiert wurde, gilt  als geschätzt.

  19. Diskrepanzfunktionen • unweighted least squares:FULS[S, ()] = Sum [Sxy – xy()]² • skaliert mit Wertebereich der manifesten Variablen S-Gl. / I-Gl. • generalized least squares:FGLS[S, ()] = Sum [Sxy – xy()]² / ||S||² • ist für große Stichproben df²-verteilt,mit df = m – p · (p+1) / 2 Freiheitsgraden.

  20. Hypothesenprüfung • Nullhypothese H0: S = () • diesmal nicht theoriefreie Verneinung von H1, sondern theoriekonforme Vorhersage. Grund: Verteilung bekannt, testbar. • Alternativhypothese H1: S () • theoriefreie Verneinung von H0. • -Fehler-Niveau festlegen, z. B. p = 0.05 • wenn p(²|H0)  p: Modell verwerfen • wenn p(²|H0) > p: ???

  21. Kausalität und Korrelation • X1 ist korreliert mit X2. • X1 ist Ursache für X2. • X2 ist Ursache für X1. • X1 und X2 beeinflussen sich gegenseitig. • X1 und X2 werden von X3beeinflußt. X1 X2 1 X1 X2 e2 1 e1 X1 X2 X1 X2 X3 1 1 1 1 e1 X1 X2 e2

  22. SGM für eine einfache Korrelation • X ist korreliert mit Y. • X ist Ursache für Y. X Y 1 X Y e • Definitionsgleichungen: • y = a + b · x + e • cor(x,e) = 0 • Strukturgleichungen • Vxx = Vxx • Vyy = b²·Vxx + Vee+ 2·Vxe • Vxy = b·Vxx+ Vxe • Identifikationsgleichungen • Vxx = Vxx • b = Vxy/Vxx = rxy ·  (Vyy/Vxx) • Vee = Vyy – b²·Vxx= Vyy · (1 – rxy²)

More Related