FoV „Methodenlehre“ FSU-Jena Dipl.-Psych. Norman … · Strukturgleichungsmodelle mit latenten...
Transcript of FoV „Methodenlehre“ FSU-Jena Dipl.-Psych. Norman … · Strukturgleichungsmodelle mit latenten...
Strukturgleichungsmodelle mit latenten Variablen
Forschungsorientierte Vertiefung - Methodenlehre
Dipl.-Psych. Norman Rose
AgendaModelle mit latenten Variablen
Varianzen, Kovarianzen und Erwartungswerte in SEM– Modellspezifikation bei Pfadanalysen
Varianz-Kovarianzmatrix bei PfadanalysenErwartungswertvektoren bei Pfadanalysen
– Modellspezifikation bei Latenten-Variablen-ModellenVarianz-Kovarianzmatrix bei Latenten-Variablen-ModellenErwartungswertvektoren bei Latenten-Variablen-Modellen
Modelle mit latenten VariablenWarum latente Variablen?
– In psychologischen Fragestellungen sind Zusammenhänge, Varianzen, … , bzgl. nicht direkt beobachtbarer Konstrukte von Interesse.
– Korrelationen und Regressionskoeffizienten sind durch Messfehler gemindert!
Seine zwei manifeste Testwertvariablen, die messfehlerbehaftetsind, so folgt nach den Definitionen der klassischen Testtheorie:
1 1 1
2 2 2
YY
τ ετ ε
= += +
Modelle mit latenten Variablen
( ) ( )( ) ( )
( )( ) ( )
( )( ) ( ) ( ) ( )
( )
( ) ( )( ) ( )
1 2 1 1 2 21 2
1 2 1 1 2 2
1 21 2
1 2
1 21 2
1 2
1 2
, ,,
, | , 0
,,
Cov Y Y CovKor Y Y
Std Y Std Y Std Std
CovCov
Var Var
CovKor
Va
Var Var
r Var
τ ε τ ετ ε τ ε
τ τε ε
τ τ
τ ττ τ
τ τ
ε ε
+ += =
+ +
= =+ +
=
( )( ) ( )
( )( ) ( ) ( ) ( )
( ) ( )
1 2 1 2
1 2 1 2
1
1 2
2 1 2
, ,
, ,
V
Cov Cov
Var Var Var Var
Kor Kor Y Y
ar Var
τ τ τ τ
τ τ τ τ ε
τ τ
ε+ +≥
≥
Modelle mit latenten VariablenRegressionskoeffizienten und Messfehler:
es folgt:
( )( )
1 2 0 1 2
* *1 2 0 1 2
|
|
E Y Y Y
E
α α
τ τ α α τ
= +
= +
( )( )
( )( ) ( )
( )( ) ( )
( )( )
1 2 1 1 2 2 1 21
1 1 1
*
1
1 21
1
1
, , ,
,
VarCov Y Y Cov CovVar Y Var Var
Co
Va
vV
r
ar
τ ε τ ε τ τα
τ τ
τ τα
ε
τ
ε
+ += = =
+ +
=
*1 1α α≤
Modelle mit latenten VariablenIn Strukturgleichungsmodellen mit latenten Variablen wird zwischen dem Messmodell und dem Strukturmodell unterschieden:
Strukturmodell
Messmodell
Modelle mit latenten VariablenModellgleichungen:
– Messmodell:
In Mplus gibt es keine Variablen ξ, somit entfällt das Messmodell für die latenten exogenen Variablen (nur in LISREL!)
– Strukturmodell:in LISREL :
in Mplus :
Y Y
X X
= + Λ += + Λ +νν
Y η εX ξ δ
= + + +α B Γη η ξ ζ
= + +α Bη η ζ
Modelle mit latenten VariablenParametermatrizen (grau = nur LISREL):
( )( )
Vektor der manifesten Variablen Vektor der manifesten Variablen
Vektor der Intercepts d
Vektor der Intercepts der Regressionen
er Regressionen |
= Matrix der Regressionskoef
|
f
i
Y
X j
j
Y i
E
X
Y
X
Y
E
=
=
=
Λ
=
ν
ν
X
η
ξ
Y
( )( )
( )( )
. der Regressionen |
= Vektor der Residuen der Regressione
= Matrix der Regressionskoeff. der Regressionen |
= Vektor der Residuen der Regression
n |
= Var.-Kov.
en |
-Matrix der Resi
i
i
X j
j
E Y
E Y
E X
E X
ε
Λ
η
ε
Θ
δ
η
ξ
ξ
= Var.-Kov.-Matrix der Resdueni n
due
i
jδ
εδΘ
Modelle mit latenten Variablen
Parametermatrizen (grau = nur LISREL):
( )( )
Vektor der latenten endogenen Variablen
= Vektor der Residuen der Regressionen |
Vekto
Vektor der latenten exogenen Variablen
r der Intercepts der Regressionen |= Matr
,
ix de R,
r
k
l
k
k
E
E
η
η
ξ
η
=
=
=αB
ξξ
ξ
η
ζ η
η
= Matrix der Regressionskoeff. = Var.-Kov.-Matrix der exogenen Variablen
egressionskoeff.
= Var.-Kov.-Matrix der Resid
uen
m
l
l k
k
kη ηξ
ξ η
ζ
→
→ΓΦΨ
Vorläufige ZusammenfassungStrukturgleichungsmodelle mit latenten Variablen sind eine Verbindung von Faktorenanalyse und Pfadanalyse
Entsprechend gibt es zwei Modellgleichungen. Eine für das Messmodell („faktorenanalytischer Anteil“) und eine zweite für das Strukturmodell („pfadanalytischer Anteil“)
Die Strukturgleichungsmodellierung mit latenten Variablen erlaubt die Schätzung von Varianzen, Kovarianzen, Regressionskoeffizienten, etc. von/zwischen messfehlerbereinigten Variablen.
Datengrundlage in SEMDie Parameterschätzung und Modellgeltungkontrolle erfolgt auf der Basis der Varianz-Kovarianzmatrix S der manifesten Variablen, sowie deren Mittelwerte M in der Stichprobe.
Stichprobe Population
S ΣM µ
Schätzer
Schätzer
Datengrundlage in SEMWahre Varianz-Kovarianzmatrix Σ am Bsp. der multiplen Regression:
( )( ) ( )( ) ( ) ( )( ) ( ) ( ) ( )
1
1 1 1
1 2 1 2 2
1 3 1 3 2 3 3
,Σ =
, ,, , ,
Var YCov Y X Var XCov Y X Cov X X Var XCov Y X Cov X X Cov X X Var X
⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠
Datengrundlage in SEMAufgrund der Modellgleichung folgt die Modellimplizierte Varianz-Kovarianzmatrix Σ(θ):
Elemente aus Σ(θ):
( )( )( )( )
1 2 3 1 2 1 3 2 3
1 1 2 1 3
1 2 2 3 2
1 3 2 3 3
2 2 2 2 2 21 1 2 3 1 2 , 1 3 , 2 3 ,
21 1 1 2 , 3 ,
21 2 1 , 2 3 ,
21 3 1 , 2 , 3
,
,
,
X X X X X X X X X
X X X X X
X X X X X
X X X X X
Var Y
Cov Y X
Cov Y X
Cov Y X
εβ σ β σ β σ β β σ β β σ β β σ σ
β σ β σ β σ
β σ β σ β σ
β σ β σ β σ
= + + + + + +
= + +
= + +
= + +
0 1 1 2 2 3 3Modellgleichung: Y X X Xβ β β β ε= + + + +
Datengrundlage in SEM
Wahre Erwartungswertstruktur am Bsp. der multiplen Regression:
modellimplizierte Erwartungswertstruktur:
( )( )( )( )
2
3
1
1E XE X
E
E X
Y⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
( ) ( ) ( )( )( )( )
1
0 1 1 2
2
3
3
2 3
E XE XE
E X E X E X
X
β β β β+⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢
⎦
+
⎣
+
⎥
ModellspezifikationDie Modellimplizierte Varianz-Kovarianzmatrix als auch die modellimplizierte Erwartungswertstruktur ergibt sich aus der Modellspezifikation!
Nach der Modellspezifikation kann jedes Element der Varianz-Kovarianzmatrix und des Erwartungswertvektors mit gegebenen und/oder zu schätzenden Modellparametern dargestellt werden!
Die Modellspezifikation ist Resultat der Übersetzung inhaltlicher Hypothesen in Regressionsgleichungen und Parameterrestriktionen.
Modellspezifikation bei SEM mit latenten Variablen
Varianz-Kovarianzmatrixam Beispiel:
( )( ) ( )( ) ( ) ( )( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )
( )( ) ( )
1
1 2 2
1 3 2 3 3
3 41 4 2 4 4
1 1 2 1 3 1 4 1 1
1 2 21 2 2
1
2 22
1
43
,, ,
Σ = ,, ,
, , , ,
,, , ,,
Var YCov Y Y Var YCov Y Y Cov Y Y Var Y
Cov Y YCov Y Y Cov Y Y Var Y
Cov Y X Cov Y X Cov Y X Cov Y X Var XCov X X Var XCov Y X Cov Y X Cov Y XCov Y X
Var Y
Var Y
⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠
Die Varianz-Kovarianzmatrix enthält auch bei latenten Variablenmodellen wiederum nur die Varianzen und Kovarianzen der manifesten Variablen X und Y!
Modellspezifikation bei SEM mit latenten Variablen
Messmodell am Beispiel:
Strukturmodell am Beispiel:
1 1 1 1
2 2 2 1 2
3 3 3 2 3
4 4 4 4
1 1 1 11
2 2 2 2
00
00
Y Y
Y Y
Y Y
Y Y
X X
X X
YYYY
XX
ν λ εν λ η εν λ η εν λ ε
ν λ δξ
ν λ δ
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎛ ⎞⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟= + × +⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
= + × +⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
1 1 1 11 11
2 2 21 2 21 2
0 00
η α η γ ζξ
η α β η γ ζ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
= + × + × +⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Modellspezifikation bei SEM mit latenten Variablen
Varianz-Kovarianzmatrixam Beispiel:
Elemente aus
( ) ( )( )( )
( ) ( )
1 2 1 1 1 1 2 2 1 2
1 2 1
1 2 1 11 1 1
21 2 11 1 1
, ,Y Y Y Y
Y Y
Y Y
Y Y
Cov Y Y Cov
Var
Var
Var Var
ν λ η ε ν λ η ε
λ λ η
λ λ α γ ξ ζ
λ λ γ ξ ζ
= + + + +
=
= + +
⎡ ⎤= +⎣ ⎦
ΣYY
Modellspezifikation bei SEM mit latenten Variablen
Varianz-Kovarianzmatrixam Beispiel:Elemente aus
( ) ( )( )( )
( ) ( ) ( )( ) ( ) ( )
1 3 1 1 1 1 3 3 2 3
1 3 1 2
1 3 1 11 1 1 2 21 1 21 1 2
1 3 11 21 1 11 21 1 2
1 3 11 21 1 11 21 1 2
1
1
1 11 1
3 11 21
1
, ,
,
,
,
,
Y Y Y Y
Y Y
Y Y
Y Y
Y Y
Y Y
Cov Y Y Cov
Cov
Cov
Var Cov Var
Var Cov Var
ν λ η ε ν λ η ε
λ λ η η
λ λ α γ ξ ζ α γ ξ β η ζ
λ λ γ γ ξ γ β ξ ζ
λ λ γ γ ξ γ β ξ ζ
λ λ γ γ
η
α γ ξ ζ
= + + + +
=
= + + + + +
⎡ ⎤= + +⎣ ⎦⎡ ⎤= + +⎣ ⎦
=
+ +
+( ) ( ) ( ) ( )211 21 1 11 21 1 2Var Var Varγ β ξ γ β ζ ζ⎡ ⎤+ +⎣ ⎦
ΣYY
Modellspezifikation bei SEM mit latenten Variablen
Varianz-Kovarianzmatrixam Beispiel:
( )( ) ( )( ) ( ) ( )( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )
( )( ) ( )
1
1 2 2
1 3 2 3 3
3 41 4 2 4 4
1 1 2 1 3 1 4 1 1
1 2 21 2 2
1
2 22
1
43
,, ,
Σ = ,, ,
, , , ,
,, , ,,
Var YCov Y Y Var YCov Y Y Cov Y Y Var Y
Cov Y YCov Y Y Cov Y Y Var Y
Cov Y X Cov Y X Cov Y X Cov Y X Var XCov X X Var XCov Y X Cov Y X Cov Y XCov Y X
Var Y
Var Y
⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠
ΣYX
ΣYY
ΣXX
ΣXY
Modellspezifikation bei SEM mit latenten Variablen
Varianz-Kovarianzmatrixam Beispiel:
Die Gesamte Varianz-Kovarianzmatrix kann als Zusammensetzung mehrerer Varianz-Kovarianzmatrizendargestellt werden:
⎛ ⎞= ⎜ ⎟⎝ ⎠
Σ ΣΣ
Σ ΣYY XY
YX XX
Modellspezifikation bei SEM mit latenten Variablen
Modellimplizierte Varianz-Kovarianzmatrix – Allgemein:
Beachte:
( )( )
( ) ( )( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
-1 -1
-1 -1 -1 -1
-1 -1
,
,
, ' ,
,
, , '
'
Y Y Y Y
Y Y
Y Y
Y Y
Y Y
Cov
Cov Cov
Cov
Cov Cov
ε
ε
ε
=
= + + + +
=
⎡ ⎤ ′= − + − +⎣ ⎦⎡ ⎤′ ′⎡ ⎤ ⎡ ⎤′= − − + − −⎢ ⎥⎣ ⎦ ⎣ ⎦⎣ ⎦⎡ ⎤′⎡ ⎤′= − + −⎢ ⎥⎣ ⎦⎣ ⎦
Σ
ν Λ ν Λ
Λ Λ
Λ I B Γ I B Γ Λ Θ
Λ I B Γ Γ I B I B I B Λ Θ
Λ I B ΓΦΓ Ψ I B Λ Θ
YY Cov Y Y
η ε η ε
η η + ε ε
ξ ζ ξ ζ +
ξ ξ ζ ζ +
+
( ) ( )( ) ( ) ( ) ( )-1 -1
, ,
,
Cov Cov
Cov
= + + + + + +
⎡ ⎤= − + − +⎣ ⎦
α B Γ α B Γ
I B Γ I B Γ
η η η ξ ζ η ξ ζ
ξ ζ ξ ζ
Modellspezifikation bei SEM mit latenten Variablen• Modellimplizierte Varianz-Kovarianzmatrix – Allgemein:
( )( )
( )( ) ( )
( )
( )
-1
-1
-1
,
,
, '
, '
'
Y Y X X
Y X
Y X
Y X
X Y
Cov
Cov
Cov
Cov
=
= + + + Λ +
=
⎡ ⎤= − +⎣ ⎦
= −
′=
′⎡ ⎤′ ′= −⎣ ⎦
Σ
ν Λ ν
Λ Λ
Λ I B Γ Λ
Λ I B ΓΦΛ
Σ Σ
Λ ΦΓ I B Λ
YX
XY YX
Y X
η ε ξ δ
η ξ
ξ ζ ξ
Modellspezifikation bei SEM mit latenten Variablen
Modellimplizierte Varianz-Kovarianzmatrix – Allgemein:
( )( )
( ) ( )
,
,
, ,X X X X
X X
X X
Cov
Cov
Cov Cov
δ
=
= + + + +
′= +
′= +
Σ
ν Λ ν Λ
Λ ΛΛ ΦΛ Θ
XX X X
ξ δ ξ δ
ξ ξ δ δ
Modellspezifikation bei SEM mit latenten Variablen
Modellimplizierte Varianz-Kovarianzmatrix – Allgemein:
( ) ( ) ( ) ( )
( )
-1 -1 -1
-1
'
'
Y Y X Y
Y X X X
ε
δ
⎛ ⎞= ⎜ ⎟⎝ ⎠
⎛ ⎞⎡ ⎤′ ′⎡ ⎤ ⎡ ⎤′ ′ ′− + − −⎜ ⎟⎢ ⎥⎣ ⎦ ⎣ ⎦= ⎣ ⎦⎜ ⎟⎜ ⎟′− +⎝ ⎠
Σ ΣΣ
Σ Σ
Λ I B ΓΦΓ Ψ I B Λ Θ Λ ΦΓ I B ΛΣ
Λ I B ΓΦΛ Λ ΦΛ Θ
YY XY
YX XX
+