Konfirmatorische Analysen zur Beziehung der Valenzskalen zum PA- und NA- NA-Faktor

Es bleibt aber noch die zentrale Frage, wie sich die bisher ausgeklammerten Valenzskalen (PA-NAVA-VA und MDBF-GS) in die Struktur von Abbildung 2 einfügen. Dazu existieren in der aktuellen Literatur implizit oder explizit ganz verschiedene Modellvorstellungen, die in Abschnitt 2.2.2 vorgestellt wurden. Die wichtigsten Modelle sind in Abbildung 3 – in vereinfachter Form – graphisch illustriert. Ihre Fit-Indizes sind im untersten Bereich von Tabelle 3 zu finden. Bei der Überprüfung dieser Modelle wurden sämtliche Parameter, für die aus dem Modell 1 Schätzun-gen zur Verfügung stehen und die im jeweiliSchätzun-gen Modell ebenfalls vorhanden sind, fixiert, um die Ausgangslage bei den verschiedenen Modellen vergleichbar zu halten.²⁶ Bei den Drei-Faktor-modellen (Modelle 7 bis 9) wurde zusätzlich die Varianz der Uniqueness von MDBF-GS auf Null fixiert: Diese Varianz erwies sich in allen diesen Modellen als sehr klein (in Modell 8 sogar als negativ) und nicht signifikant. Das heisst: MDBF-GS scheint den dritten Faktor praktisch fehlerfrei zu messen, was mit der Tatsache, dass diese Skala den grössten Konsistenzkoeffi-zienten liefert (.94; vgl. Tabelle 1), zumindest kompatibel ist.

Modell 6 (vgl. Abbildung 3) geht davon aus, dass die Annahme eines dritten Faktors unnötig ist.

Es handelt sich also um ein Zwei-Faktorenmodell (PA-Faktor, NA-Faktor), wobei PANAVA-VA und MDBF-GS je eine Doppelladung in diesen beiden Faktoren aufweisen. Dies entspricht strukturell der Theorie des Circumplex (Modell A in Abschnitt 2.2.2), die sich ja in der explora-tiven Faktorenanalyse (Abschnitt 3.3.3) zu bewähren schien. Die Parameter des Modells 6, die den Ladungen der beiden Skalen in den beiden Faktoren entsprechen (vgl. Abbildung 3), stim-men denn auch praktisch mit jenen überein, die in der explorativen Faktorenanalyse gefunden wurden (Tabelle 2; Differenzen ≤ .03). Die Fit-Indizes (ausser vielleicht CFI) dieses Modells sind aber – in Übereinstimmung mit den früher erwähnten konfirmatorischen Befunden aus anderen Untersuchungen – klar ungenügend (vgl. Tabelle 3: ^c2 (30, N = 269) = 125.4, p < .001;

c²/df = 4.18; CFI = .95; RMSEA = .11; PCLOSE < .001; AIC = 137.4.).

Der noch weit schlechtere Fit der Modelle 6a und 6b ist vor diesem Hintergrund nicht überra-schend (vgl. Tabelle 3; die Modelle sind in Abbildung 3 nicht enthalten): Es geht hier um die in Abschnitt 2.2.2 als Modell D beschriebene Praxis, Valenzitems entweder als Indikatoren von PA oder als Indikatoren für den negativen Pol von NA zu verwenden. Formal handelt es sich dabei um Vereinfachungen des Modells 6, indem entweder nur Ladungen im PA-Faktor (Modell 6a) oder im NA-Faktor (Modell 6b) zugelassen werden. Wie die Fit-Indizes in Tabelle 3 zeigen, sind diese Modelle völlig unakzeptabel.

26 Alle Berechnungen wurden auch mit freien Parametern durchgeführt. Dadurch verschlechterten sich aus be-greiflichen Gründen (Verlust an Freiheitsgraden) sämtliche Fit-Indizes. Die Verschlechterung ändert aber nichts Wesentliches am Bild, das aus Tabelle 3 ersichtlich ist. Die Indizes lauten beispielsweise beim Modell 7, dem besten Modell aller acht Skalen: c² (16, N = 269) = 30.0, p = .2; c²/df = 1.9; CFI = .99; RMSEA = .06; PCLOSE = .32; AIC = 70.0; beim hier besonders wichtigen Zwei-Faktorenmodell 6: c² (15, N = 269) = 119.4, p < .001; c²/df = 8.0; CFI = .94; RMSEA = .16; PCLOSE < .001; AIC = 161.4.

Modellvorstellungen, die lediglich zwei Faktoren postulieren, sind somit nicht in der Lage, die Kovarianzstruktur der Daten angemessen zu rekonstruieren; die explorative Faktorenanalyse führt hier offenbar in die Irre. Es ist notwendig, einen dritten Faktor, einen VA-Faktor, zuzulas-sen, was im Folgenden in drei Varianten geschieht (vgl. Modelle 7 bis 9 in Abbildung 3):

Modell 7 entspricht dem Modell C in Abschnitt 2.2.2, das von der Annahme von drei einander nebengeordneten, korrelierten Faktoren besteht. Dieses Modell liefert (deskriptiv) die besten Fit-Indizes aller geprüften Modelle: ^c2 (31, N = 269) = 31.2, p = .46; ^c2/df = 1.01; CFI = 1.00;

RMSEA = .01; PCLOSE = .97; AIC = 41.2.

Modell 8 entspricht Modell B in Abschnitt 2.2.2 und nimmt an, der VA-Faktor sei den beiden anderen Faktoren (PA- und NA-Faktor) hierarchisch übergeordnet. Im Unterschied zu üblichen hierarchischen Modellen wird hier aber davon ausgegangen, dass auch für den übergeordneten Faktor empirische Indikatoren existieren. Die Fit-Indizes dieses Modells liegen ebenfalls noch in einem sehr akzeptablen Bereich, sind aber etwas schlechter als bei Modell 7: ^c2 (29, N = 269)

= 35.9, p = .18; ^c2/df = 1.24; CFI = 1.00; RMSEA = .03; PCLOSE = .86; AIC = 49.9.²⁷

Modell 9 schliesslich ist die einfachste denkbare Umsetzung der in Abschnitt 2.2.2 als Modell E skizzierten Vorstellung, der Valenz-Faktor habe eine summativ-evaluative Funktion. Es handelt sich nicht mehr um ein reines Faktorenmodell; vielmehr wird hier angenommen, die latente Vari-able "VA-Faktor" sei (unter anderem) von den latenten VariVari-ablen "PA-Faktor" und "NA-Faktor"

(kausal) abhängig. Die Fit-Indizes dieses Modells sind ebenfalls sehr befriedigend und liegen zwischen jenen der Modelle 7 und 8: ^c2 (29, N = 269) = 31.2, p = .36; ^c2/df = 1.07; CFI = 1.00;

RMSEA = .02; PCLOSE = .95; AIC = 45.2. Erwähnt sei noch, dass der PA-Faktor und der NA-Faktor zusammen 74 % der Varianz des VA-Faktors aufklären, was zwar nicht unerheblich ist, aber doch auch auf die Existenz anderer Einflussfaktoren hinweist.

Alle drei Modelle, die in dieser oder jener Form drei Faktoren annehmen, zeigen somit sehr ak-zeptable Fit-Werte. Allein auf Grund dieser Werte (vgl. v. a. die AIC-Werte) ist zwar eine Ran-gierung möglich (Modell 7 vor Modell 9 vor Modell 8), aber kaum ein definitiver Entscheid zu rechtfertigen. Der Hauptbefund aus den Analysen dieses Abschnitts besteht vielmehr darin, dass die Drei-Faktorenmodelle (Modelle 7 bis 9) den Zwei-Faktorenmodellen (Modelle 6, 6a und 6b) eindeutig überlegen sind. Dies heisst, dass – bei der gegebenen Datengrundlage – die Annahme eines eigenständigen VA-Faktors sinnvoll ist.

Abbildung 3 liefert noch zwei wichtige Zusatzinformationen: Die erste betrifft die Beziehung der drei Faktoren untereinander: In Übereinstimmung mit den in Abschnitt 2.2.2 berichteten Befun-den aus anderen Untersuchungen ist von starken und asymmetrischen Beziehungen zwischen

27 Wären die beiden Modelle ineinander verschachtelt (sie sind es nicht), ergäbe der Signifikanztest des Fit-Unter-schieds kein signifikantes Ergebnis (c²Diff = 4.7, df = 2, p > .05).

PANAVA-VA PA-Faktor

MDBF-GS

Modell 6:

-.64

.38 -.50

.41

Modell 7:

PANAVA-VA MDBF-GS -.79

.83 1.0

.65

VA-Faktor

Modell 8:

PANAVA-VA MDBF-GS -.79

.83 1.0

.65

VA-Faktor

Modell 9:

PANAVA-VA MDBF-GS -.62

.83 1.0

.38

VA-Faktor

Abbildung 3. Modelle 6 bis 9 mit Parameterschätzungen (standardisiert; für alle angegebenen Parameter gilt p < .001)

Vereinfachte Darstellung: ohne die Messmodelle für PA und NA (Modell 1); die Uniqueness-Terme sind mit schrägen Pfeilen angedeutet.

dem PA- und dem NA-Faktor einerseits und dem VA-Faktor anderseits auszugehen: Die Kor-relationen in Modell 7 betragen r_NA,VA = -.79; r_PA,VA = .65; die standardisierten Ladungen im hier-archischen Modell (Modell 8) sind von exakt derselben Grösse. Auch die Pfadkoeffizienten von Modell 9 liefern ein analoges Bild: Danach "beeinflusst" der NA-Faktor (-.62) den VA-Faktor deutlich stärker als der PA-Faktor (.38). Die Valenz ist somit stärker von der Abwesenheit von Negativer Aktivierung abhängig als von der Anwesenheit positiver Aktivierung.

Die zweite, hier wichtige Zusatzinformation betrifft die Ladungen von PANAVA-VA: Es über-rascht nicht, dass die (viermal so lange) Skala MDBF-GS ein deutlich besserer Indikator des VA-Faktors ist als die Skala PANAVA-VA, die mit ihren lediglich zwei Items aber auch noch eine durchaus akzeptable Ladung von .83 aufweist (Modelle 7 bis 9).²⁸