VL02_SEM1_Einführung

Indikatoren sind die landas, also Ladungen. Wie stark hängen / Laden die indikatoren mit der latenten Variable. que son los numeros rojos

Messmodelle

für jede latente Variable zwischen denen wir die zh modellieren wollen, gibt es ein Messmodell.

In diesem Fall ist eine Mediation (wenn der Zusammenhang dauer siri auf fahrfehler durch ärger erklärt werden kann).

Mediation wenn der ZH zw 2 Variablen durch eine dritte Variable erklärt. Das heißt, dass der ZH nur durch den Umweg der dritten Variable besteht. Zusammenhang wird nicht mehr signifikant, wenn ddie Mediationsvariable nicht mehr da ist.

Latente Vatiablen

Ausgangsvariable: Dauer der Siri

Abhängige Variable: Fahrfehler

Mediationsvariable: Ärger

Jeweils mit 3 Manifesten Variablen, die hier keinen Namen haben

FÜR JEDE LATENTE VARIABLE HABEN WIR EIN MESSMODELL (mit den jeweillichen Ladungen der Manifesten V zu der Latenten Variablen)

Wenn wir anstatt den ZH nur zw Manifesten Variablen, die mit Messfehler behaftet sind, als latenten Variablen behandle, entfernen wir den Messfehler (die Varianz, die nur durch Messfehler erzeugt wird) aus dem System und tun so, als ärger und Fahrfehler manifieste Variablen wären und beobachtbar wären.

Wenn der MF nicht berücksichtigt ist, dann ergebe sich keinen signifikanten ZH zwischen den latenten Variablen (Schätzwert der betas wird nicht signifikant (n.s)

Wenn der Messfehler berüchsightigt wird (dh. die Messmodelle mitafunehmen) und nur den ZH zw der Latenten Variablen modelliert wird (dies können die Strukturgleichungsmodelle, was die normale Regression nicht kann), kann es sein, dass der ZH auf der Ebene der Latenten Variablen entdeckt wird (Signifikante betas)

 Schätzung der messfehlerbereinigten Zusammenhänge auf

latenter Ebene

Multiequationmodelle haben nicht nur einzelne Regressionsgleichungen sondern kombinieren ganz viele verschiedenen Regressionsgleichungen.

Im Bild habenn wir die Mediationsanalyse. Wenn den indirekten Effekt über Ärger auf Fahrfehler den direkten Pfeil verschwinden lässt (ZH nicht mehr signifikant) gibt es eine komplette Mediation. Wenn der Pfeil besteht, kann es sich um eine partielle Mediation (Teileffekt) handeln.

Damit kann man komplexere ZH abbilden und indirekte Effekte finden. Man kann weitere beliebige Konstrukte hinzufügen und so kann man zu einem gewissen Grad die Theorien überprüfen.

Messmodelle bilden die ZH zw eine Latente Variable und ihre Manifesten Variablen ab, und die Strukturmodelle bilden die ZH zw Latenten Variablen und die Struktur diesen ZH.

• Messmodell: beschreibt die Verknüpfung zwischen einer latenten Variable und ihren Indikatoren bzw. manifesten Variablen

→ spezifiziert die Operationalisierung des Konstrukts

• Strukturmodell: beschreibt die Verknüpfung zwischen latenten Variablen, oder

zwischen latenten Variablen und manifesten Variablen, welche nicht als Indikatoren für latente Variablen verwendet werden

Wir füttern das SEM Modell mit kausalen Strukturannahmen (theoretische Vorannahmen über zu kausale Richtungen), und auch mit empirischen Daten zu den manifesten Variablen, um die kausalen Strukturannahmen überprüfen zu können.

Das Modell quantifiziert dann die kausale Pfaden (die ZH) zwischen den Latenten Variablen.

In diesem Beispiel ergab sich eine komplette Mediation von Ärger im ZH zw Siri y Fahrfehler. Das erkennt man daran, das der direkte ZH zw Siri y Fahrfehler nicht signifikant wurde.

Wenn die kausale Struktur (Richtung der Pfeile) stimmt, bekommt man die Quantifizierung der kausalen Pfaden

“gegeben diese kausale Richtung quantifiziert das Modell, wie stark der ZH zw die Latenten Variablen”

Wenn dies nicht der Fall ist, sind die Ergebnisse missleading!!!!! Da es ist KEINE ÜBERPRÜFUNG DER KAUSALE RICHTUNG sondern nur die QUANTIFIZIERUNG

Wie passiert dies? Durch eine Abgleich der empirischen Kovarianzmatrix, durch die Korrelation der manifesten Variablen können wir die latenten Variablen schätzen. Genauso über die Korrelation zw die Manifesten Variablen können wir auf die ZH zw die Latenten Variablen schließen, und wenn wir die kausale Strukturvorannahmen im Modell eingeben, dann impliziert eine Kovarianzmatrix bzw Korrelationsmatrix, die sich durch diese Strukturannahmen schätzen lässt. Diese Vrgleichen wir mit der empirischen Kovarianzmatrix und sehen wir, wie gut das zu den Daten passt “MODELLFIT”

➙ “Fit-Indizes”

Wir können viele verschiedene Modelle mit den Empirischen Daten vergleichen und sehen, welches besser passt.

Es gibt ganz viele verschiedenen Tests. Hier schätzen wir das χ² für Modellfit

1. Sin más información, no es posible distinguir entre estructuras equivalentes de Markov basándose únicamente en datos observacionales.

2. Todos los modelos dentro de un borde discontinuo son equivalentes.

➙ Podemos descartar modelos que claramente no se ajustan a los datos, pero no podemos verificar un modelo solo porque se ajusta bien a los datos.

3. La estructura causal se asume a priori.

➙ ¿Son los datos coherentes con estas suposiciones?

➙ Los datos son igualmente coherentes con varios modelos.

4. La demostración de la causalidad no es una cuestión de análisis de datos, sino de diseño experimental (por ejemplo, mediante manipulación)

Modelle, die gleiche Korrelationen erzeugen, unabhängig der Richtung der Pfeilen. Das einzige, was wir beobachten können sind die Manifeste Variablen und deren Korrelationen, anhand diese, schließen wir auf die ZH zw den Latenten Variablen.

Cuando las correlaciones sind iguales no podemos decir si es un Fork common cause, o una chain, o la direccion de la chain.

En estos casos se tiene que comparar con la teoria o la manipulacion, si es una u otra direccion causal.

ALSO NOCHT AUF BASIS DER BEOBACHTBAREN DATEN!!!!

Si un modelo es coherente con la realidad, entonces los datos deben ser coherentes con el modelo. Pero si los datos son coherentes con el modelo, esto no implica que el modelo se corresponda con la realidad» (Bollen, 1989).

• ¡Pone de manifiesto el valor y la importancia de un trabajo teórico riguroso!

• Es imprescindible fundamentar teóricamente el papel de cada variable.

• ¿Por qué se incluye una variable en el modelo? ¿Es un mediador o un factor de confusión? ¿Qué dicen la teoría y la empiria?

no podemos distingir desde los datos

que richtung tienen los efectos.

Se pueden cambiar la direccion de las pfeilen y se

cambian los valores de los parametros. Esto ya no es

una correlacion, son regressionen.

Si una sola pfeil fuera bidireccional, los valores no se cambiarian porque seria una korrelacion. Pero cuando van en una direccion si pueden cambiar.

el SEM no sirve para construir la teoria sino como confirmacion de las hipotesis acerca de los ZH, aber wir können keine kausale interpretationen verifizieren oder falzifizieren. Man sieht nur, ob die Daten mit dem Modell konsistent sind. Das heißt aber nicht, dass das Modell die Realität wiederspiegelt (pfeile Richtungen)

Endogene: AV. pueden ser tanto latente como manifesten variablen. Obviamente debe tener por lo menos una flecha que la señala, puesto que esa seria la UV.

EXOGENE: UVs. Ninguna flecha la debe señalar. En cuanto una flecha la señala, se trata de un mediador o modulador etc.

Residuos siempre son exogen, tambien algunas latenten y manifesten variablen.

Einfaktorial Messmodell einer latenten Variable ξ (exogen) mit 3 Indikatoren (endogene, Manifieste Variablen und latenten Fehlervariablen ε bei allen ENDOGENEN (UV) variablen.

Latente Variable ξ—> exogen —> ninguna flecha la señala

Hier sind die manifesten Variablen endogen, weil diese durch ξ erklärt werden. En si, porque ξ las señala. tienes que verificar esto

Aqui tenemos un ejemplo de 2 variables latentes, una que es EXOGENE ξ, y una ENDOGENE η (Kriteriumsvariable). Cada una con su Messmodell.

O sea que aqui la variable latente exogene es un Prädiktor de η.

Como todas las variables endogene (AV) tienen un Fehler (porque no hay predicciones perfectas, este latente Fehler se llama ζ. ζ es la parte de la varianza en η que no se puede explicar con ξ.

γ es aqui el ZH entre las latenten variablen

Aqui es una relacion CAUSAL

Esta es solo una correlacion entre dos exogene latenten Variablen. Esto es un analisis de factores confirmatorio.

Cada una tiene sus 3 indicadores con sus ladungen.