Skip to main content
SpringerLink
Log in

Methoden der Strukturgleichungsanalyse (SGA)

  • Chapter
  • First Online:
Strukturgleichungsmodellierung

  • 4824 Accesses

Zusammenfassung

Nach einem Überblick zu den Methoden der Strukturgleichungsanalyse werden in Abschn. 3.2 die Grundlagen der Pfadanalyse sowie der Kausalanalyse dargestellt und anhand von einfachen Beispielen erläutert. In Abschn. 3.3 werden sodann die Charakteristika und Ablaufschritte von Strukturgleichungsmodellen mit latenten Variablen allgemein dargestellt und mit dem kovarianzanalytischen (LISREL; AMOS) und dem varianzanalytischen Ansatz (Partial Least Squares-Ansatz; PLS) die beiden gegensätzlichen Vorgehensweisen bei der Modellschätzung, die im Bereich der Kausalanalyse bestehen, in ihren Grundzügen vorgestellt und abschließend einem zusammenfassenden Vergleich unterzogen. Die detaillierte Anwendung von AMOS und SmartPLS unter Rückgriff auf das in Kap. 4 dargestellte Fallbeispiel erfolgt dann in den Kap. 5, 6, 7, 8, 9, 10 und 11 (AMOS) bzw. in Kap. 15 (PLS).

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 34.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 44.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Theorien beruhen insbesondere in den Geisteswissenschaften auf solchen theoretischen Begriffen, weshalb der Strukturgleichungsmodellierung mit latenten Variablen (sog. Kausalanalyse) zur empirischen Theorie-Prüfung hier eine hohe Bedeutung beizumessen ist.

  2. 2.

    Vgl. zu einer Einführung in die Regressionsanalyse z. B. Backhaus et al. (2021), Kap. 2 oder Sarstedt und Mooi (2019), S. 209 ff.

  3. 3.

    Allerdings basieren auch die Wirkungsbeziehungen zwischen manifesten Variablen meist auf vermuteten Kausalitäten, so dass auch hier die Bezeichnung Kausalanalyse korrekt wäre. Ebenso unterstellen auch einfache Regressionsbeziehungen meist kausale Zusammenhänge zwischen unabhängigen und abhängigen Variablen. Wir wollen allerdings auch in diesem Buch der Konvention folgen und nur dann von Kausalmodellen oder Kausalanalyse sprechen, wenn latente Variable betrachtet werden.

  4. 4.

    Vgl. zur konfirmatorischen Faktorenanalyse Abschn. 7.2.2.

  5. 5.

    Die SPSS-Syntax-Datei zu dieser Rechnung sowie dasselbe, in AMOS umgesetzte Modell, sind auf der Internetplattform zum Buch verfügbar.

  6. 6.

    Vgl. zu SGM mit manifesten Variablen das Kapitel zur Pfadanalyse Abschn. 3.2.

  7. 7.

    Die Programmpakete AMOS und SmartPLS generieren das mathematische Gleichungssystem auf Basis des vom Anwender erstellten Pfaddiagramms automatisch. Es gibt allerdings auch Programmpakete, die explizit die Spezifikation des Kausalmodells in Matrizenschreibweise verlangen.

  8. 8.

    Die Matrix B ist auf der Hauptdiagonale mit Nullen besetzt, und die Differenzmatrix (I – B) muss invertierbar sein, damit das Gleichungssystem lösbar ist. Die Matrix I stellt dabei die Einheitsmatrix dar.

  9. 9.

    Hierbei ist zu beachten, dass dieser Sachverhalt nur zutreffend ist, wenn die Daten einem Faktormodell entstammen, in dem die Indikatorkorrelationen die latenten Variblen definieren (Sarstedt et al. 2016, S. 4002 ff.; vgl. Abschn. 3.3.3.3).

  10. 10.

    Einen Überblick zur Verwendung von Methodenfaktoren geben Temme et al. (2009, S. 123 ff.).

  11. 11.

    Für eine detaillierte Einführung in das Konzept der Endogenität und dessen Behandlung, siehe z. B. Jean et al. (2016), Papies et al. (2017) und Proppe (2009).

  12. 12.

    Bei empirischen Korrelations- und Kovarianzmatrizen gilt rxy=ryx bzw. sxy=syx. Sofern keine gerichteten Beziehungen zwischen Konstrukten vorliegen, wie z. B. bei den Varianten der Faktorenanalyse, so gilt auch für die modelltheoretische Korrelations- bzw. Kovarianzmatrix (∑xy = ∑yx). Nur bei der Kausalanalyse, bei der gerichtete Konstruktbeziehungen vorliegen, gilt: ∑xy ≠ ∑yx.

  13. 13.

    Wird unterstellt, dass zwischen den Faktoren keine Korrelationen bestehen, so entspricht die Korrelationsmatrix der Faktorwerte (Φ) der Einheitsmatrix I. Da die Multiplikation einer Matrix mit der Einheitsmatrix einer Multiplikation mit „1“ entspricht, vereinfacht sich in diesem Fall Gl. (3.13) zu: R* = A I A′ → R* = A A′.

  14. 14.

    Λ′x und Λ′y sind die Transponierten der Matrizen Λx bzw. Λy. Die Λx– und die Λy–Matrix enthalten die Faktorenladungen der Messvariabeln auf die latenten exogenen bzw. endogenen Variablen. Θδ bzw. Θε sind die Kovarianzmatrizen der Messfehlervariablen δ bzw. ε. Die Faktorladungen sind nichts anderes als die Regressionen der Messvariablen auf die latenten Variablen, wobei im Fall standardisierter Variablen die Regressionskoeffizienten den Pfadkoeffizienten entsprechen, die im Rahmen der Faktorenanalyse als Faktorladungen bezeichnet werden. Wird weiterhin davon ausgegangen, dass die latenten exogenen Variablen voneinander unabhängig sind, so entsprechen die Faktorladungen gleichzeitig den Korrelationen zwischen Indikatorvariablen und hypothetischen Konstrukten.

  15. 15.

    Vgl. zu weiteren Kriterien, mit deren Hilfe die Identifizierbarkeit eines Strukturgleichungsmodells überprüft werden kann: Hildebrandt (1983), Bitte Verlinkung der Jahreszahl beibehalten S. 76 ff.

  16. 16.

    Zur Festlegung der Metrik der latenten Variablen wird zusätzlich zu den zwei dargestellten Ansätzen noch die sog. Effekt-Kodierung diskutiert. Hierbei werden in allen Gruppen die Faktorladungen eines Indikators so restringiert, dass die Summe der Faktorladungen der Summe der Indikatoren entspricht (vgl. Temme und Hildebrandt 2009, S. 156).

  17. 17.

    Dies gilt für den Fall von p ≥ 12 manifesten Variablen. Bei p < 12 genügt ein n ≥ 200.

  18. 18.

    Die Bezeichnung Faktormodell ist hierbei nicht mit einem reflektiven Messmodell gleichzusetzen. So kann auch ein formatives Messmodell durch eine faktorenanalytische Datenstruktur abgebildet werden (Sarstedt et al. 2016, S. 4000 ff.).

  19. 19.

    Aktuelle Forschungsarbeiten ergänzen den Basis-PLS-Ansatz um ein globales Optimierungskriterium (Hwang und Cho 2020).

Literatur

  • Aguirre-Urreta, M., & Rönkkö, M. (2015). Sample size determination and statistical power analysis in PLS using R: An annotated tutorial. Communications of the Association for Information Systems, 36, Artikel 3.

    Article  Google Scholar 

  • Anderson, B. S. (2018). Endogeneity and entrepreneurship research. OSF Preprints. https://doi.org/10.31219/osf.io/75tn8.

  • Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6), 1086–1120.

    Article  Google Scholar 

  • Backhaus, K., & Weiber, R. (2007). Forschungsmethoden der Datenauswertung. In R. Köhler, H.-U. Küpper & A. Pfingsten (Hrsg.), Handwörterbuch der Betriebswirtschaft (6. Aufl., S. 524–535). Stuttgart: Schäffer-Poeschel.

    Google Scholar 

  • Backhaus, K., Erichson, B., Gensler, S., Weiber, R., & Weiber, T. (2021). Multivariate Analysemethoden (16. Aufl.). Wiesbaden: Springer Gabler.

    Book  Google Scholar 

  • Bagozzi, R. P. (1981). Evaluating structural equation models with unobservable variables and measurement error: A comment. Journal of Marketing Research, 18(3), 375–381.

    Article  Google Scholar 

  • Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94.

    Article  Google Scholar 

  • Becker, J.-M., Rai, A., & Rigdon, E. E. (2013). Predictive validity and formative measuremente in structural equation modeling: Embracing practical relevance. In 2013 proceedings of the international conference on information systems. Mailand.

    Google Scholar 

  • Becker, J.-M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects in PLS-SEM and PLSc-SEM: Interaction term generation*data treatment. Journal of Applied Structural Equation Modeling, 2(2), 1–21.

    Article  Google Scholar 

  • Blalock, H. M. (1964). Causal inferences in nonexperimental research. Chapel Hill: The University of North Carolina Press.

    Google Scholar 

  • Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley-Interscience.

    Book  Google Scholar 

  • Bollen, K. A. (2002). Latent variables in psychology and the social sciences. Annual Review of Psychology, 53(11), 605–634.

    Article  Google Scholar 

  • Bollen, K. A. (2011). Evaluating effect, composite, and causal indicators in structural equation models. MIS Quarterly, 35(2), 359–372.

    Google Scholar 

  • Boomsma, A. (1983). On the robustness of LISREL (maximum likelihood estimation) against small sample size and non normality. PhD thesis, Haren.

    Google Scholar 

  • Brown, T. (2006). Confirmatory factor analysis for applied Research. New York: Guilford Press.

    Google Scholar 

  • Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Hrsg.), Modern methods for business research (S. 295–336). London: Lawrence Erlbaum Associates.

    Google Scholar 

  • Cho, G., Sarstedt, M., & Hwang, H. (2021). A comparison of covariance structure analysis, partial least squares path modeling and generalized structured component analysis in factor- and composite models. British Journal of Mathematical and Statistical Psychology, erscheint demnächst.

    Google Scholar 

  • Croon, M. (2002). Using predicted latent scores in general latent structure models. In G. A. Marcoulides & I. Moustaki (Hrsg.), Latent variable and latent structure models (S. 195–223). Mahwah: Lawrence Erlbaum Associates.

    Google Scholar 

  • Diamantopoulos, A. (2006). The error term in formative measurement models: Interpretation and modeling implications. Journal of Modelling in Management, 1(1), 7–17.

    Article  Google Scholar 

  • Dijkstra, T. K. (2014). PLS’ Janus Face – Response to professor Rigdon’s rethinking partial least squares modeling: In praise of simple methods’. Long Range Planning, 47(3), 146–153.

    Article  Google Scholar 

  • Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316.

    Google Scholar 

  • Fuchs, C., & Diamantopoulos, A. (2009). Using single-item measures for construct measurement. Die Betriebswirtschaft, 69(2), 195–210.

    Google Scholar 

  • Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3. Aufl.). Thousand Oaks: Sage.

    Google Scholar 

  • Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., & Thiele, K. O. (2017a). Mirror, mirror on the wall: A comparative evaluation of composite-based structural equation modeling methods. Journal of the Academy of Marketing Science, 45(5), 616–632.

    Google Scholar 

  • Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Richter, N. F., & Hauff, S. (2017b). Partial Least Squares Strukturgleichungsmodellierung (PLS-SEM): Eine anwendungsorientierte Einführung (1. Aufl.). München: Vahlen.

    Google Scholar 

  • Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584.

    Google Scholar 

  • Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433.

    Google Scholar 

  • Hair, J. F., Sarstedt, M., Ringle, C. M., Sharma, N. P., & Liengaard, B. D. (2021). The fallacies of simple but flawed demonstrations: A comment on „Marketing or methodology? Exposing the fallacies of PLS with simple demonstrations“. European Journal of Marketing, erscheint demnächst.

    Google Scholar 

  • Hausman, J. A. (1978). Specification tests in econometrics. Econometrica, 46(6), 1251–1271.

    Article  Google Scholar 

  • Hayes, A. F., Montoya, A. K., & Rockwood, N. J. (2017). The analysis of mechanisms and their cotingencies: PROCESS versus structural equation modeling. Australasian Marketing Journal, 25(1), 76–81.

    Article  Google Scholar 

  • Hildebrandt, L. (1983). Konfirmatorische Analysen von Modellen des Konsumentenverhaltens. Berlin: Duncker und Humblot.

    Book  Google Scholar 

  • Hult, G. T. M., Hair, J. F., Dorian, P., Ringle, C. M., Sarstedt, M., & Pinkwart, A. (2018). Addressing endogeneity in marketing applications of partial least squares structural equation modeling. Journal of International Marketing, 26(3), 1–21.

    Article  Google Scholar 

  • Hwang, H., & Cho, G. (2020). Global least squares path modeling: A full-information alternative to partial least squares path modeling. Psychometrika, 85(4), 947-972.

    Google Scholar 

  • Hwang, H., Sarstedt, M., Cheah, J.-H., & Ringle, C. M. (2019). A concept analysis of methodological research on composite-based structural equation modeling: Bridging PLSPM and GSCA. Behaviormetrika, 47, 219–241.

    Article  Google Scholar 

  • Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218.

    Article  Google Scholar 

  • Jean, R., Deng, Z., Kim, D., & Yuan, X. (2016). Assessing endogeneity issues in international marketing research. International Marketing Review, 33(3), 483–512.

    Article  Google Scholar 

  • Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 57(2), 239–251.

    Article  Google Scholar 

  • Jöreskog, K. G. (1973). A general method for estimating a linear structural equation system. In A. S. Goldberg & O. D. Duncan (Hrsg.), Structural equation models in the social sciences (S. 85–112). New York: Academic Press.

    Google Scholar 

  • Jöreskog, K. G. (1978). Structural analysis of covariance and correlation matrices. Psychometrika, 43(4), 443–477.

    Article  Google Scholar 

  • Jöreskog, K. G., & Sörbom, D. (1983). LISREL: Analysis of linear structural relationships by the method of maximum likelihood ((User’s guide, versionen V und VI). Chicago: Scientific Software.

    Google Scholar 

  • Jöreskog, K. G., & Wold, H. O. A. (1982). The ML and PLS techniques for modeling with latent variables: Historical and comparative aspects. In H. O. A. Wold & K. G. Jöreskog (Hrsg.), Systems under indirect observation, part I (S. 263–270). Amsterdam: North-Holland.

    Google Scholar 

  • Kock, N. (2019). From composites to factors: Bridging the gap between PLS and covariance-based structural equation modelling. Information Systems Journal, 29(3), 674–706.

    Article  Google Scholar 

  • Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261.

    Article  Google Scholar 

  • Loehlin, J. C. (1987). Latent variable models. Hillsdale: Lawrence Erlbaum Associates.

    Google Scholar 

  • Lohmöller, J. B. (1984). Das Programmpaket LVPLS für Pfadmodelle mit latenten Variablen. ZA-Information, 14, 44–51.

    Google Scholar 

  • Lohmöller, J. B. (1989). Latent variable path modeling with partial least squares. Heidelberg: Physica.

    Book  Google Scholar 

  • Long, J. S. (1983). Confirmatory factor analysis: A preface to LISREL. Beverly Hills: Sage.

    Book  Google Scholar 

  • Maydeu-Olivares, A., Shi, D., & Rosseel, Y. (2019). Instrumental variables two-stage least squares (2SLS) vs. maximum likelihood structural equation modeling of causal effects in linear regression models. Structural Equation Modeling: A Multidisciplinary Journal, 26(6), 876–892.

    Article  Google Scholar 

  • Memon, M. A., Cheah, J.-H., Ramayah, T., Ting, H., Chuah, F., & Cham, T. H. (2019). Moderation analysis: Issues and guidelines. Journal of Applied Structural Equation Modeling, 3(1), i–xi.

    Article  Google Scholar 

  • Opp, K.-D., & Schmidt, P. (1976). Einführung in die Mehrvariablenanalyse. Reinbek: Rowohlt.

    Google Scholar 

  • Papies, D., Ebbes, P., & van Heerde, H. J. (2017). Addressing endogeneity in marketing models. In P. S. H. Leeflang, J. E. Wieringa, T. H. A. Bijmolt & K. H. Pauwels (Hrsg.), Advanced methods for modeling markets (S. 581–627). New York: Springer.

    Chapter  Google Scholar 

  • Park, S., & Gupta, S. (2012). Handling endogenous regressors by joint estimation using copulas. Marketing Science, 31(4), 567–586.

    Google Scholar 

  • Proppe, D. (2009). Endogenität und Instrumentschätzer. In S. Albers, D. Klapper, U. Konradt, A. Walter & J. Wolf (Hrsg.), Methodik der empirischen Forschung (S. 253–266). Wiesbaden: Springer Gabler.

    Chapter  Google Scholar 

  • Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing, 26(4), 332–344.

    Google Scholar 

  • Ray, S., Danks, N. P., Velasquez Estrada, J. M., Uanhoro, J., & Bejar, A. H. C. (2020). R package seminr: Domain-specific language for building and estimating structural equation models version 1.1.0. https://cran.r-project.org/web/packages/seminr/

  • Rhemtulla, M., van Bork, R., & Borsboom, D. (2020). Worse than measurement error: Consequences of inappropriate latent variable measurement models. Psychological Methods, 25(1), 30–45.

    Article  Google Scholar 

  • Rigdon, E. E. (2016). Choosing PLS path modeling as analytical method in European management research: A realist perspective. European Management Journal, 34(6), 598–605.

    Google Scholar 

  • Rigdon, E. E., & Sarstedt, M. (2021). Accounting for uncertainty in the measurement of unobservable marketing phenomena. In H. Baumgartner & B. Weijters (Hrsg.), Review of Marketing Research (Bd. 19). Bingley: Emerald.

    Google Scholar 

  • Rigdon, E. E., Becker, J.-M., & Sarstedt, M. (2019a). Factor indeterminacy as metrological uncertainty: Implications for advancing psychological measurement. Multivariate Behavioral Research, 54(3), 429–443.

    Article  Google Scholar 

  • Rigdon, E. E., Sarstedt, M., & Becker, J.-M. (2020). Quantify uncertainty in behavioral research. Nature Human Behaviour, 4, 329–331.

    Google Scholar 

  • Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4–16.

    Google Scholar 

  • Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865–1886.

    Article  Google Scholar 

  • Ringle, C. M., Wende, S., & Becker, J.-M. (2015). SmartPLS 3. Hamburg. www.smartpls.de.

  • Sardeshmuks, S. S., & Vandenberg, R. J. (2017). Integrating moderation and mediation: A structural equation modeling approach. Organizational Research Methods, 20(4), 721–745.

    Article  Google Scholar 

  • Sarstedt, M., & Danks, N. P. (2021). Prediction in HRM research – a gap between rhetoric and reality. Human Resource Management Journal, erscheint demnächst.

    Google Scholar 

  • Sarstedt, M., & Mooi, E. A. (2019). A concise guide to market research: The process, data, and methods using IBM SPSS Statistics (3. Aufl.). Heidelberg: Springer.

    Book  Google Scholar 

  • Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010.

    Article  Google Scholar 

  • Sarstedt, M., Hair, J. F., Nitzl, C., Ringle, C. M., & Howard, M. C. (2020). Beyond a tandem analysis of SEM and PROCESS: Use PLS-SEM for mediation analyses! International Journal of Market Research, 62(3), 288–299.

    Article  Google Scholar 

  • Schlittgen, R., Sarstedt, M., & Ringle, C. M. (2020). Data generation for composite-based structural equation modeling. Advances in Data Analysis and Classification, 14(4), 747–757.

    Article  Google Scholar 

  • Schönemann, P. H., & Haagen, K. (1987). On the use of factor scores for prediction. Biometrical Journal., 29(7), 835–847.

    Article  Google Scholar 

  • Schönemann, P. H., & Steiger, J. H. (1978). On the validity of indeterminate factor scores. Bulletin of the Psychonomic Society, 12(4), 287–290.

    Article  Google Scholar 

  • Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, 2541.

    Article  Google Scholar 

  • Skrondal, A., & Laake, P. (2001). Regression among factor scores. Psychometrika, 66(4), 563–576.

    Article  Google Scholar 

  • Takane, Y., & Hwang, H. (2018). Comparisons among several consistent estimators of structural equation models. Behaviormetrika, 45(1), 157–188.

    Google Scholar 

  • Temme, D., & Hildebrandt, L. (2009). Gruppenvergleiche bei hypothetischen Konstrukten – Die Prüfung der Übereinstimmung von Messmodellen mit der Strukturgleichungsmethodik. Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 61(2), 138–185.

    Article  Google Scholar 

  • Temme, D., Paulssen, M., & Hildebrandt, L. (2009). Common method variance. Die Betriebswirtschaft, 69(2), 123–146.

    Google Scholar 

  • Tenenhaus, M., Vinzi, V. E., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205.

    Article  Google Scholar 

  • Venturini, S., & Mehmetoglu, M. (2019). plssem: A Stata package for structural equation modeling with partial least squares. Journal of Statistical Software, 88(8), 1–35.

    Google Scholar 

  • Wold, H. (1966). Nonlinear estimation by partial least squares procedures. In F. N. David (Hrsg.), Research papers in statistics (S. 411–444). New York: Wiley.

    Google Scholar 

  • Wold, H. (1975). Path models with latent variables: The NIPALS approach. In H. M. Blalock (Hrsg.), Quantitative sociology: International perspectives on mathematical and statistical model building (S. 307–357). New York: Academic Press.

    Chapter  Google Scholar 

  • Wold, H. (1980). Model construction and evaluation when theoretical knowledge is scarce. In J. Kmenta & J. B. Ramsey (Hrsg.), Evaluation of econometric models (S. 47–74). New York: Academic Press.

    Chapter  Google Scholar 

  • Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Hrsg.), Systems under indirect observation (Part II, S. 1–54). Amsterdam: North-Holland.

    Google Scholar 

  • Wold, S., Trygg, J., Berglund, S., Wold, S., Trygg, J., Berglund, A., & Antti, H. (2001). Some recent developments in PLS modeling. Chemometrics and Intelligent Laboratory Systems, 58(2), 131–150.

    Article  Google Scholar 

  • Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    Google Scholar 

  • Wright, S. (1923). The theory of path coefficients: A reply to Nils criticism. Genetics, 8(3), 239–255.

    Article  Google Scholar 

  • Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215.

    Article  Google Scholar 

  • Yuan, K.-H., Wen, Y., & Tang, J. (2020). Regression analysis with latent variables by partial least squares and four other composite scores: Consistency, bias and correction. Structural Equation Modeling: A Multidisciplinary Journal, 27(3), 333–350.

    Google Scholar 

Weiterführende Literatur

  • Betzin, J., & Henseler, J. (2005). Einführung in die Funktionsweise des PLS-Algorithmus. In F. Bliemel, A. Eggert, G. Fassot & J. Henseler (Hrsg.), Handbuch PLS-Pfadmodellierung (S. 46–69). Stuttgart: Schäffer-Poeschel.

    Google Scholar 

  • Chin, W. W. (1995). Partial least squares is to LISREL as principal components analysis is to common factor analysis. Technology Studies, 2(2), 315–319.

    Google Scholar 

  • Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis wit small samples using partial least squares. In R. H. Hoyle (Hrsg.), Statistical strategies for small sample research (S. 307–342). Thousand Oaks: Sage.

    Google Scholar 

  • Dijkstra, T. (1983). Some comments on maximum likelihood and partial least squares methods. Journal of Econometrics, 22(1–2), 67–90.

    Article  Google Scholar 

  • Dijkstra, T. K. (2017). A perfect match between a model and a mode. In H. Latan & R. Noonan (Hrsg.), Partial least squares path modeling: Basic concepts, methodological issues and applications (S. 55–80). Berlin: Springer.

    Chapter  Google Scholar 

  • Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101–110.

    Article  Google Scholar 

  • Hoyle, R. H. (1995). The structural equation modelling approach: Basic concepts and fundamental issues. In R. H. Hoyle (Hrsg.), Structural equation modelling: Concepts, issues, and applications (S. 1–15). Thousand Oaks: Sage.

    Google Scholar 

  • Jung, S., & Park, J. (2018). Consistent partial least squares path modeling via regularization. Frontires in Psychology, 9, Article 174.

    Article  Google Scholar 

  • Land, K. C. (1969). Principles of path analysis. In E. F. Borgatta & G. W. Bornstedt (Hrsg.), Sociological methodology (S. 3–37). San Francisco: Jossey-Bass.

    Google Scholar 

  • Lu, I. R. R., Kwan, E., Thomas, D. R., & Cedzynski, M. (2011). Two new methods for estimating structural equation models: An illustration and a comparison with two established methods. International Journal of Research in Marketing, 28(3), 258–268.

    Article  Google Scholar 

  • Rigdon, E. E., Becker, J.-M., & Sarstedt, M. (2019b). Parceling cannot reduce factor indeterminacy in factor analysis: A research note. Psychometrika, 84(3), 772–780.

    Article  Google Scholar 

  • Yuan, K.-H., Wen, Y., & Tang, J. (2020). Regression analysis with latent variables by partial least squares and four other composite scores: Consistency, bias and correction. Structural Equation Modeling: A Multidisciplinary Journal, 27(3), 333–350.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Professur für Marketing, Innovation und E-Business, Universität Trier, Trier, Deutschland

    Rolf Weiber

  2. Professur für Marketing, Ludwig-Maximilians-Universität München, München, Deutschland

    Marko Sarstedt

Authors
  1. Rolf Weiber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Marko Sarstedt
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Weiber, R., Sarstedt, M. (2021). Methoden der Strukturgleichungsanalyse (SGA). In: Strukturgleichungsmodellierung. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-32660-9_3

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-32660-9_3

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-32659-3

  • Online ISBN: 978-3-658-32660-9

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation