Das Zuverlässigkeitsparadox bei der Beurteilung struktureller Beziehungen innerhalb von Kovarianzstrukturanalysen

Ein zweistufiger Prozess wird häufig verwendet, um die Daten-Modell-Anpassung latenter Variablenpfadmodelle zu bewerten. Der erste Schritt befasst sich mit dem Messanteil des Modells und der zweite mit dem strukturellen Anteil des Modells. Leider wird, selbst wenn die Anpassung des Messanteils des Modells perfekt ist, die Fähigkeit, die Anpassung im strukturellen Anteil zu bewerten, durch die Qualität der Faktoren-Variablen-Beziehungen im Messmodell beeinträchtigt. Das Ergebnis ist, dass Modelle mit minderwertiger Messung eine bessere Daten-Modell-Anpassung zu haben scheinen, während Modelle mit besserer Messqualität eine schlechtere Daten-Modell-Anpassung aufweisen. Der aktuelle Artikel veranschaulicht dieses Phänomen anhand verschiedener Klassen von Anpassungsindizes, diskutiert damit verbundene strukturelle Bewertungsprobleme, die aus Fragen der Messqualität resultieren, und befürwortet einen zusätzlichen Modellierungsschritt, der den strukturellen Anteil des Modells isoliert vom Messmodell bewertet.