• Keine Ergebnisse gefunden

Weitere l¨angsschnittliche Ver¨anderungsmodelle

Modelle und Prozeduren

2.2 Statistische Methoden der Analyse von Merkmalsstabilit¨atMerkmalsstabilit¨at

2.2.2 L¨angsschnittliche Strukturgleichungsmodelle

2.2.2.4 Weitere l¨angsschnittliche Ver¨anderungsmodelle

Es existiert, wie bereits gesagt, eine gewisse F¨ulle an Ver¨offentlichungen zu l¨angs-schnittlichen Strukturgleichungsmodellen und somit auch an vorgeschlagenen Modellva-rianten. Die besprochenen QMSM und LDCM sind sozusagen zwei Urtypen solcher Ein-Indikator-Modelle, d.h. Ver¨anderungsmodelle f¨ur Zeitreihen mit jeweils nur einer Meß-wertvariablen Xti pro Meßzeitpunkt. Von J¨oreskog (1970) als Modelle zur Analyse von Zeitreihen von Meßwerten mit Simplex-Struktur der Autokovarianzmatrix und vorhande-nem Meßfehler vorgestellt, handelt es sich gewissermaßen um die grundlegende autore-gressive bzw. faktoranalytische Modellvariante eines Quasi-Simplex-Modells. Hinsichtlich der Typisierung verschiedener Modelltypen von McArdle & Aber (1990) stellen QMSM – und damit auch LDSM, welches ja wie dargelegt lediglich eine Modellvariation des QMSM ist, – und LDCM diejenigen Versionen eines autoregressiven Modells und eines Differenz-komponentenmodells dar, die f¨ur die hier angestrebten Stabilit¨atsanalysen mit Ein-Item-Zufriedenheitsratings des SOEP von Interesse w¨aren.

Abgesehen von diesen bisher behandelten Modellen existiert eine Vielfalt weiterer l¨angsschnittlicher Modellierungen. Die gewissermaßen

”prominentesten“ und in neueren Ver¨offentlichungen ¨uber Strukturgleichungsmodelle f¨ur L¨angsschnittdaten dem Anschein nach meistbehandelten Modelle des faktoranalytischen Typus sind die Latent Growth Cur-ve Models (LGCM), welche in den Jahren seit den ersten (expliziten) diesbez¨uglichen Ver¨offentlichungen von McArdle (1986) und McArdle & Epstein (1987) eine weite Ver-breitung erfahren haben (eine umfassende Darstellung liefert McArdle, 1998).17Abbildung 2.8 stellt die sozusagen klassische Variante des LGCM in allgemeiner Form dar, zur Veran-schaulichung der Besonderheiten dieses Modelltyps sind dort (wie auch schon in Abbildung 2.4) alle zu sch¨atzenden Parameter – inklusive der unabh¨angigen Varianzen und Kovarian-zen – abgebildet. Auch enth¨alt die Abbildung – anders als die bisherigen Darstellungen

17Die gel¨aufigen Bezeichnungen dieses Modelltyps in den einschl¨agigen Ver¨offentlichungen variieren ein wenig: McArdle (1986) nennt sie

latent growth models“, weitere gebr¨auchliche Begriffe sind

latent curve analysis“ (z.B. bei Meredith & Tisak, 1990; Tisak & Tisak, 1996) und

growth curve models“ (z.B. bei Bijle-veld et al., 1998). M.E. ist die Bezeichnung als

latent growth curve model“ am pr¨azisesten: Einerseits zeigt der Begriff

latent“ an, daß es sich um ein Strukturgleichungsmodell mit als latenten Konstrukten modellier-ten Level- und Slope-Komponenmodellier-ten handelt – statistische L¨angsschnittmodelle dieses Typus k¨onnen auch als hierarchische Multilevel-Regressionsmodelle spezifiziert werden (z.B. van der Leeden, 1998), wie bereits im Kapitel 2.1.2, erw¨ahnt wurde. Andererseits aber macht der Begriff

curve“ deutlich, daß es sich nicht nur um unspezifische Ver¨anderungs-, sondern um spezifische Verlaufsmodelle handelt, wie im folgenden noch dargelegt wird.

ABBILDUNG 2.8:

Latent Growth Curve Model (LGCM)

DL

vvmmmmmmmmmmmmmmmmmmmmm

µS

uukkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkk

β2

vvnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn

β3

yyssssssssssssssssssssssssssssssssssss

βt

des QMSM, LDCM und LDSM (vgl. Abbildungen 2.3, 2.5, 2.6) – eine Mittelwertskompo-nente, denn im Gegensatz zu QMSM und LDCM umfaßt die urspr¨ungliche und allgemein gebr¨auchliche Spezifikation des LGCM die Modellierung von Autokovarianzen und Mit-telwerten in der Zeitreihe der beobachteten Variablen.

Das Charakteristikum dieses LGCM ist die Modellierung der den beobachteten Werten Xti zugrundeliegenden Ver¨anderung durch eine sogenannte Level- und eine sogenannte Slope-Komponente, welche in Abbildung 2.8 als latente VariablenLundSdargestellt sind.

Die Bedeutung dieser Komponenten wird erkennbar, wenn man die folgende grundlegende Modellgleichung f¨ur das LGCM, betrachtet:

Xti=Li+βtSi+Eti (2.45)

Demnach setzt sich also der zu einem Zeitpunkt t gemessene X-Wert eines Merk-malstr¨agersi zusammen aus einem individuellen, zeitlich invarianten LevelwertLi, einer

”systematischen“ Abweichung von diesem Levelwert zum Zeitpunkt t, welche durch den AusdruckβtSigenauer festgelegt ist, sowie einem jeweils zuf¨alligen AnteilEti. Abgesehen

von einer Zufallsschwankung der Meßwerte zum jeweiligen Meßzeitpunktt, die durchEti beschrieben ist, ist im LGCM somit Ver¨anderung als Abweichung von einem zeitlich un-ver¨anderlichen Levelwert spezifiziert, welche als Produkt eines f¨ur jeden Merkmalstr¨ager individuell spezifischen Slope-ScoresSi und eines f¨ur den jeweiligen Meßzeitpunkt spezi-fischen, jedoch ¨uber alle Merkmalstr¨ageri hinweg invarianten Koeffizientenβt festgelegt ist – dieses ist gewissermaßen das fundamentale Merkmal l¨angsschnittlicher Modellierung durch das LGCM, durch welches die Besonderheiten dieses Modelltyps begr¨undet sind, die im folgenden noch kurz dargestellt werden. Zun¨achst aber ist noch darauf hinzuweisen, daß auch in diesem Modell die Eti – als wechselseitig unkorrelierte Zufallskomponenten an den beobachteten WertenXti – mit den Eigenschaften der Meßfehler des Modells der klassischen Testtheorie modelliert sind, so daß die True-Scores des Meßzeitpunktest sich hier also wie folgt ergeben:

Tti=Li+βtSi (2.46)

Somit sind die VarianzenσEt2 wiederum die Meßfehlervarianzen und die Reliabilit¨aten entsprechend mitRelt = 1−σ2Et2t zu bestimmen (vgl. insbesondere Tisak & Tisak, 1996).

Vergleicht man nun die Gleichung 2.46 mit den Gleichungen 2.24 und 2.32, welche die f¨ur das QMSM bzw. LDCM spezifische Zusammensetzung der True-Scores zeigten, so wird ein wesentlicher Unterschied deutlich: Im LGCM bestimmen zu jedem Zeitpunkttlediglich die zwei “individualspezifischen“ WerteLi undSi den True-ScoreTti, w¨ahrend in QMSM und LDCM mit fortschreitendemtauch die Zahl der Modellkomponenten steigt, aus denen sich die True-Scores zusammensetzen. Beim LDCM ist derTtiintDifferenzkomponenten (True-Score der ersten Messung plus die t 1 darauffolgenden True-Score-Ver¨anderun-gen) dekomponiert und l¨ost man in Gleichung 2.24 den AusdruckT(t−1)isukzessive bis zu T1i auf, so erh¨alt man wiederum t Bestimmungsst¨ucke von Tti, n¨amlich den True-Score zur ersten Messung, sowie die Random-Komponenten dert 1folgenden Autoregressi-onsgleichungen D2i bis Dti. In diesen Modellen ist also f¨ur jeden Zeitpunkt ein exoge-ner, d.h. nicht aus den anderen Modellkomponenten vorhersagbarer und insofern zuf¨alli-ger, Ver¨anderungsbeitrag spezifiziert, die Ver¨anderung kann deshalb von Meßzeitpunkt zu Meßzeitpunkt frei zwischen den Merkmalstr¨agern variieren und die Ver¨anderung des True-Scores eines Merkmalstr¨agersi, die im Zeitintervallt bist+ 1stattfindet, ist nicht v¨ollig durchTtibzw. die vorherigen True-Score- und/oder Ver¨anderungswerte festgelegt.

In dem durch Gleichung 2.45 spezifizierten LGCM dagegen ist nur eine einmalige in-terindividuelle Variation von Ver¨anderungswerten m¨oglich. Das Modell impliziert insofern eine vergleichsweise restriktive Modellierung l¨angsschnittlicher Ver¨anderung, als dadurch festlegt ist, daß die ¨uber diek Messungen stattfindenden sukzessiven Ver¨anderungen alle-samt durch lediglich einen zwischen den Merkmalstr¨agern frei variierenden Ver¨anderungs-wert vollst¨andig charakterisiert werden k¨onnen. Anschaulicher wird dieses, wenn man die zwei ¨ublichen Restriktionen f¨ur die Basiskoeffizientenβt hinzuf¨ugt, die zur Identifikation der Slope-Variablen notwendig sind, – n¨amlich die Nullsetzung eines derβtund die

Fest-setzung eines weiteren auf einen Wert ungleich Null, normalerweise Eins. Beispielsweise (dies ist wohl die gebr¨auchlichste Vorgehensweise) k¨onnte festgelegt werden:

β1 = 0 ; β2 = 1 (2.47) Damit erhalten Li und Si eine leicht einzusehende Bedeutung. Denn f¨ur die ersten beiden Meßzeitpunkte resultiert dann aus Gleichung 2.46:

T1i = Li (2.48)

T2i = Li+Si =⇒Si =T2i−T1i = ∆2i (2.49) Somit ist der LevelwertLi der True-Score zu Beginn der untersuchten Zeitreihe und der Slope-Score Si die Ver¨anderung des True-Scores vom ersten zum zweiten Meßzeit-punkt – was der Differenzkomponente∆2i im LDCM entspr¨ache. Wenn die Restriktionen 2.47 f¨ur andere βt der Zeitreihe festgesetzt w¨urden, dann erg¨aben sich diese Bedeutun-gen entsprechend: βt = 0 legt den Zeitpunkt t sozusagen als Referenzzeitpunkt f¨ur die Levelkomponente fest, so daßLi = Tti, undβt0 = 1legtt0 als Referenzzeitpunkt zur Be-stimmung der Slope-Komponente fest, so daßSi = Tt0i −Tti. Entscheidend ist nun, daß alle sukzessiven Ver¨anderungen der beobachteten Zeitreihe stets, d.h. zu jedem Zeitpunkt t, ein f¨ur alle Merkmalstr¨ager gleich proportionales Vielfaches des individuellen Slope-ScoresSi sind: Wird z.B. die Restriktion 2.47 f¨ur Gleichung 2.46 festgelegt, so betr¨agt zu jedem Zeitpunktt >2bei jedem Merkmalstr¨ageridie Ver¨anderung des True-ScoresTti ge-gen¨uberT1i dasβt-fache der True-Score-Differenz vom ersten zum zweiten Meßzeitpunkt.

Mit anderen Worten: Das LGCM beruht auf der Annahme eines f¨ur alle Merkmalstr¨ager identischen funktionalen Ablaufs der True-Score-Ver¨anderung, dieβtbeschreiben eine in-terindividuell invariante Verlaufsfunktion, die auf die inin-terindividuell variierenden Level-und Slope-Werte anzuwenden ist. Merkmalstr¨ager unterscheiden sich also in der – durch Restriktionen in der Art von 2.47 wie auch immer konkret festgelegten – Level- und Slope-Scores, nicht jedoch im Verlauf ihrer Ver¨anderung relativ zu diesen beiden Werten. Das LGCM kann deshalb, im Gegensatz zu QMSM und LDCM, als Verlaufsmodell bezeichnet werden.

Die meistgebrauchte Spezifikation des LGCM ist die eines linearen Verlaufsmodells:

Dazu wird vermittels weiterer Restriktionen der Basiskoeffizientenβt ein linearer Verlauf der True-Score-Ver¨anderungen ¨uber die untersuchte Zeitspanne hinweg festgelegt. Bei-spielsweise k¨onnte zus¨atzlich zu den Restriktionen 2.47 noch spezifiziert werden:

β3 = 2 ; β4 = 3 ;. . .; βk =k−1 Bzw., ganz allgemein:

βt=t−1 (2.50)

Durch die Restriktion 2.50 wird festgelegt, daß in jedem Zeitintervall der untersuchten Zeitreihe der True-Score eines jeden Merkmalstr¨agersi, ausgehend vom Wert Li bei der ersten Messung, um jeweils denselben BetragSi w¨achst (oder schrumpft), wie die Ausfor-mulierung der unter Restriktion 2.50 resultierenden Gleichungen 2.46 zeigt:

T1i = Li T2i = Li+Si

T3i = Li+ 2Si T4i = Li+ 3Si

...

Tki = Li+ (k1)Si

Bzw., wiederum allgemein:

Tti =Li+Si(t1) (2.51)

Aus den Restriktionen 2.50 resultiert also die Geradengleichung 2.51: Der Verlauf der True-Score-Werte eines jeden Merkmalstr¨agersi ¨uber die Zeitpunktetkann als Gerade mit der SteigungSi und dem OrdinatenabstandLi graphisch dargestellt werden – die Begriffe

”Level“ und

”Slope“ erhalten dadurch anschauliche Bedeutung.

Insgesamt ist also das LGCM durch eine im Vergleich zu QMSM und LDCM re-striktivere Modellierung der sukzessiven Ver¨anderungen charakterisiert, welche nat¨urlich auch”technische“ Beschr¨ankungen f¨ur Stabilit¨atskoeffizienten und True-Score-Varianzen impliziert. Die entsprechenden formalen Ableitungen sind komplex und die diesbez¨ugliche Restriktivit¨at des Modells soll deshalb hier nur am Beispiel eines Sonderfalls demonstriert werden. Dazu formuliere ich zun¨achst die folgenden Gleichungen f¨ur die die True-Score-Varianzen und -Kovarianzen:

σT t2 = σL2 +βt2σS2 + 2βtσLS (2.52) σT tT t0 = σL2 +βtβt0σS2 + (βt+βt0LS (2.53) Daraus resultiert unter den Restriktionen 2.47 f¨ur die Korrelationen des ersten True-ScoresT1i mit den folgenden True-ScoresTt(t >1):

ρT1T t = σT1T t σT1σT t

= σL2 +βtσLS

pσL2L2 +βt2σS2 + 2βtσLS) (2.54) Der zu betrachtende Sonderfall ist der einer perfekten Korrelation ρT1T t = ±1 zwi-schen erstem True-Score und dem True-Score zu irgendeinem Meßzeitpunktt:

ρT1T t = ±1 m σ2L+βtσLS = ±

q

σL2L2 +βt2σS2 + 2βtσLS) m

σL4 +βt2σLS2 + 2βtσ2LσLS = σL4 +βt2σS2σL2 + 2βtσL2σLS m

σLS2 = σL2σ2S m

ρLS = σLS

σLσS =±1 (2.55)

Die Ableitung 2.55 zeigt, daß dann, wenn irgendeine True-Score-Korrelation in der Zeitreihe perfekt (positiv oder negativ) ist, auch die Level-Slope-Korrelation perfekt sein muß (allenfalls das Vorzeichen kann sich ¨andern, was v.a. von Gr¨oße und Vorzeichen des Basiskoeffizientenβtabh¨angt). Da die Ableitung auch in umgekehrter Richtung gilt, ist des weiteren zu folgern, daß dann, wenn zwischen dem ersten True-ScoreT1iund irgendeinem weiteren True-ScoreTtiein perfekter Zusammenhang besteht, auch zwischenT1iund allen weiteren True-Scores ein perfekter Zusammenhang bestehen muß (wiederum von m¨ogli-chen von Vorzeim¨ogli-chenumkehrungen abgesehen). Da nun aber jeder beliebige Meßzeitpunktt anstelle des ersten als Referenzzeitpunkt f¨ur die Level-KomponenteLi (durch die Restrik-tionβt = 0) festgelegt werden kann, ohne daß dadurch die obige Ableitung grunds¨atzlich ver¨andert w¨urde, ist zu folgern, daß im LGCM entweder zwischen allen Meßzeitpunkten ein perfekter Zusammenhang der True-Scores besteht, oder zwischen keinen. Dies bedeutet eine Restriktion gegen¨uber QMSM und LDCM, in denen es jeweils m¨oglich ist, daß nur in einzelnen und nicht in allen Zeitintervallen perfekte Stabilit¨at besteht. Damit sollte, wie gesagt, lediglich beispielhaft gezeigt werden, daß das LGCM Beschr¨ankungen m¨oglicher Merkmalsstabilit¨at impliziert, die in QMSM und LDCM nicht bestehen.

Die St¨arke des LGCM liegt in seiner Sparsamkeit bei der Beschreibung von Ver¨ande-rung durch nur wenige interindividuell variable Modellkomponenten, welche dann von Vor-teil ist, wenn die l¨angsschnittliche Analyse der Ver¨anderung auf theoretischen Festlegungen auf ein interindividuell invariantes Verlaufsmodell beruht. Zur Analyse von Merkmalssta-bilit¨at, die hier f¨ur die Zufriedenheitsmessungen des SOEP durchgef¨uhrt werden soll, ist je-doch ein solch restriktives Verlaufsmodell nur bedingt tauglich. Dieses geht schon aus den theoretischen ¨Uberlegungen hervor, die vorne dargelegt wurden und die letztlich sehr stark auf der Frage beruhen, in welchem Ausmaß sich Zufriedenheit intraindividuell ver¨andert aufgrund von Ver¨anderungen objektiver Lebensumst¨ande. Inzidenz und Intensit¨at der ob-jektiven Ver¨anderungen aber muß als inter- und intraindividuell variierend angenommen werden, so daß dann, wenn diese auf Zufriedenheit wirken, keineswegs angenommen

wer-den kann, daß die intraindividuelle, l¨angsschnittliche Variabilit¨at letzterer durch ein inter-individuell fixes Verlaufsmodell zu charakterisieren ist. Beispielsweise f¨uhrt die diskutierte Annahme adaptiver Regulation durch Neuadjustierung internaler Soll-Zust¨ande, anhand de-rer ein subjektives Vergleichsurteil gebildet wird, zur Annahme interindividuell variierender Zufriedenheitsverl¨aufe, die jeweils durch eine individuell spezifische Abfolge von Phasen gleichbleibender bzw. sich ver¨andernder Zufriedenheit – je nachdem, was der betreffenden Person widerf¨ahrt, – gekennzeichnet sind. Die angestrebte Stabilit¨atsanalyse soll deshalb in der Hinsicht

”theoretisch unvoreingenommen“ sein, daß sie eben nicht a priori auf ein spezifisches Verlaufsmodell beschr¨ankt bleibt.

Die LGCM wurden hier etwas ausf¨uhrlicher dargestellt, weil die Verwendung von Mo-dellen vom Typus des LGCM die derzeit bei weitem vorherrschende Vorgehensweise l¨angs-schnittlicher Datenanalyse mit Strukturgleichungsmodellen zu sein scheint, so daß sie ge-wissermaßen ganz von selbst in den Blick geraten, wenn ¨uberhaupt l¨angsschnittliche turgleichungsmodelle spezifiziert werden sollen. Die Darstellung l¨angsschnittlicher Struk-turgleichungsmodelltypen ist damit aber noch nicht vollst¨andig und k¨onnte noch um einiges ausgeweitet werden. Da aber diese sonstigen Modelle weder f¨ur die hier angestrebten Stabi-lit¨atsanalysen zus¨atzlichen Gewinn versprechen, noch eine ¨ahnliche

”Prominenz“ besitzen, wie das LGCM, m¨ochte ich es hier noch bei einigen kurzen Hinweisen

”der Vollst¨andigkeit halber“ belassen.

Wie vorne bereits erw¨ahnt listen McArdle & Aber (1990) l¨angsschnittliche Fakto-renanalysen als weiteren grundlegenden Modelltypus auf. Diese allerdings scheiden f¨ur Stabilit¨atsanalysen auf der Basis von Zeitreihen von Ein-Item-Zufriedenheitsmessungen schon deshalb aus, weil es sich dabei prinzipiell um ein Mehr-Indikatoren-Modell han-delt, – n¨amlich, einfach gesagt, um eine konfirmatorische Faktorenanalyse ¨uber Gruppen wiederholt gemessener Indikatoren, bei denen der Meßzeitpunkt als Faktor erster Ordnung modelliert wird.

Prinzipiell erm¨oglicht die Strukturgleichungsmethode eine sehr große Flexibilit¨at der Modellierung l¨angsschnittlicher Daten, so daß die Auflistung von McArdle & Aber nicht mehr als eine Bestandsaufnahme zu ihrem Ver¨offentlichungszeitpunkt sein konnte und mitt-lerweile viele Fortentwicklungen aus diesen Grundtypen vorgeschlagen wurden – einen sehr guten Eindruck davon vermittelt der Sammelband von Collins & Sayer (2001). Unter den dort behandelten Modellen erscheint mir v.a. das

”dual change score model“ beson-ders erw¨ahnenswert, welches man hier knapp dadurch charakterisieren k¨onnte, daß es sich zum LGCM ¨ahnlich verh¨alt, wie das LDSM zum QMSM: Es wird dabei gewissermaßen ein Verlaufsmodell, wie es einem LGCM entspr¨ache, so modelliert, daß darin die laten-ten Ver¨anderungsbetr¨age

”direkte“ Modellkomponenten sind (vgl. McArdle & Hamagami, 2001). Hinsichtlich einer bez¨uglich der True-Score-Verl¨aufe nicht festgelegten Stabilit¨ats-analyse ist damit f¨ur die

”dual change score models“ dasselbe zu sagen, wie oben zum LGCM.

Outline

ÄHNLICHE DOKUMENTE