9  Messinvarianz

Quelle

Schnauber, A. (2017). Medienselektion im Alltag. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-15441-7

Variablenübersicht

9.1 Pakete und Daten

Wir laden zunächst die notwendigen R-Pakete. Für die konfirmatorische Faktorenanalyse benötigen wir das lavaan-Paket. Wie immer laden wir außerdem tidyverse und report.

library(lavaan)
library(tidyverse)
library(report)

Für die konfirmatorische Faktorenanalyse nutzen wir wieder den Excel-Datensatz gewohnheiten.xlsx. Wir wählen diesmal nur die Unterdimension Wiederholung bei der TV-Gewohnheitsvariable.

d_habit <- readxl::read_excel("data/gewohnheiten.xlsx")
d_habit |>
  select(starts_with("f_srhi_r"))
# A tibble: 791 × 3
  f_srhi_r1 f_srhi_r2 f_srhi_r3
      <dbl>     <dbl>     <dbl>
1         5         4         4
2         3         3         3
3         5         5         4
4         3         1         3
5         5         4         5
# ℹ 786 more rows

Zunächst schätzen wir eine konfirmatorische Faktorenanalyse für den SRHI-R, wobei wir nur auf die Ladungsstruktur achten. Das Modell ist mit 3 Indikatoren gerade identifiziert, d.h. es gibt keine Freiheitsgrade und daher auch keinen Modellfit.

srhi_model <- "
   f_srhi =~ f_srhi_r1 + f_srhi_r2 + f_srhi_r3
"
cfa_basic <- cfa(srhi_model, data = d_habit)
summary(cfa_basic, standardized = TRUE)
lavaan 0.6-18 ended normally after 14 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                         6

                                                  Used       Total
  Number of observations                           740         791

Model Test User Model:
                                                      
  Test statistic                                 0.000
  Degrees of freedom                                 0

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srhi_r1         1.000                               0.936    0.862
    f_srhi_r2         1.130    0.043   26.034    0.000    1.058    0.839
    f_srhi_r3         1.073    0.041   25.977    0.000    1.004    0.837

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.302    0.027   11.130    0.000    0.302    0.256
   .f_srhi_r2         0.470    0.037   12.586    0.000    0.470    0.296
   .f_srhi_r3         0.431    0.034   12.709    0.000    0.431    0.299
    f_srhi            0.877    0.063   13.864    0.000    1.000    1.000

9.2 Parameter-Gleichsetzung

9.2.1 Kongenerisches Modell

Wir beginnen mit dem kongerischen Modell, in dem alle Ladungen frei geschätzt werden. Normalerweise wird immer die Ladung des ersten Indikators nicht geschätzt, sondern auf 1 fixiert, um das Modell zu identifizieren. Die Modellidentifikation erreichen wir jetzt, indem stattdessen die Varianz der latenten Variable auf 1 gesetzt wird (mit std.lv = TRUE). Dies ermöglicht uns, alle Faktorladungen im kongenerischen Modell frei zu schätzen und anschließend im tau-äquivalenten Modell alle 3 Ladungen gleichzusetzen.

srhi_model_con <- "
   f_srhi =~ f_srhi_r1 + f_srhi_r2 + f_srhi_r3
"
cfa_con <- cfa(srhi_model_con, data = d_habit, std.lv = TRUE)
summary(cfa_con, standardized = TRUE)
lavaan 0.6-18 ended normally after 13 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                         6

                                                  Used       Total
  Number of observations                           740         791

Model Test User Model:
                                                      
  Test statistic                                 0.000
  Degrees of freedom                                 0

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srhi_r1         0.936    0.034   27.727    0.000    0.936    0.862
    f_srhi_r2         1.058    0.040   26.697    0.000    1.058    0.839
    f_srhi_r3         1.004    0.038   26.605    0.000    1.004    0.837

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.302    0.027   11.130    0.000    0.302    0.256
   .f_srhi_r2         0.470    0.037   12.586    0.000    0.470    0.296
   .f_srhi_r3         0.431    0.034   12.709    0.000    0.431    0.299
    f_srhi            1.000                               1.000    1.000

Die standardisierten Ladungen sehen schon einmal gut aus, mit Werten > .80. Wir sehen auch, dass die unstandardisierten Ladungen fast gleich groß sind.

9.2.2 Tau-äquivalentes Modell

Angesichts der gleich großen Ladungen können wir ein sog. tau-äquivalentes Modell schätzen. Dies impliziert, dass alle (unstandardisierten) Faktorladungen gleich sind - alle Indikatoren sind also gleich valide. Ein tau-äquivalentes Modell hat den Vorteil, dass es viel sparsamer ist, da statt 3 nur eine einzige Faktorladung geschätzt werden muss. Wir sparen 2 Freiheitsgrade und erhalten daher dann selbst für einen Faktor mit 3 Items Modellgütemaße. Die Gleichsetzung der Ladungen lässt sich in lavaan leicht realisieren, in dem dasselbe Koeffizientenlabel für die Pfade verwendet wird. Die Art, Labels zu vergeben, hatten wir bereits bei der Mediationsanalyse kennengelernt (a und b-Pfade). Konventionell werden Ladungen mit dem griechischen Lambda bezeichnet, so dass wir hier jede Ladung entsprechend labeln.

srhi_model_tau <- "
   f_srhi =~ lambda*f_srhi_r1 + lambda*f_srhi_r2 + lambda*f_srhi_r3
"
cfa_tau <- cfa(srhi_model_tau, data = d_habit, std.lv = TRUE)
summary(cfa_tau, fit.measures = TRUE, standardized = TRUE)
lavaan 0.6-18 ended normally after 10 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                         6
  Number of equality constraints                     2

                                                  Used       Total
  Number of observations                           740         791

Model Test User Model:
                                                      
  Test statistic                                10.090
  Degrees of freedom                                 2
  P-value (Chi-square)                           0.006

Model Test Baseline Model:

  Test statistic                              1206.749
  Degrees of freedom                                 3
  P-value                                        0.000

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    0.993
  Tucker-Lewis Index (TLI)                       0.990

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -2918.743
  Loglikelihood unrestricted model (H1)      -2913.699
                                                      
  Akaike (AIC)                                5845.487
  Bayesian (BIC)                              5863.913
  Sample-size adjusted Bayesian (SABIC)       5851.212

Root Mean Square Error of Approximation:

  RMSEA                                          0.074
  90 Percent confidence interval - lower         0.033
  90 Percent confidence interval - upper         0.122
  P-value H_0: RMSEA <= 0.050                    0.148
  P-value H_0: RMSEA >= 0.080                    0.474

Standardized Root Mean Square Residual:

  SRMR                                           0.043

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srh_1 (lmbd)    0.987    0.029   33.902    0.000    0.987    0.886
    f_srh_2 (lmbd)    0.987    0.029   33.902    0.000    0.987    0.809
    f_srh_3 (lmbd)    0.987    0.029   33.902    0.000    0.987    0.828

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.267    0.025   10.655    0.000    0.267    0.215
   .f_srhi_r2         0.514    0.035   14.734    0.000    0.514    0.345
   .f_srhi_r3         0.446    0.032   13.983    0.000    0.446    0.314
    f_srhi            1.000                               1.000    1.000

Wir erkennen zunächst an den Faktorladungen unter Latent Variables, dass die Gleichsetzung funktioniert hat. Zudem können wir am niedrigen (fast nicht-signfikanten) Chi-Quadrat-Wert und an den anderen Modellgütemaßen erkennen, dass das tau-äquivalente Modell gut zu den empirischen Daten passt.

9.2.3 Modellvergleich

Die Frage ist nun, ob die Gleichsetzung der Ladungen die Modellgüte signifikant verschlechtert hat - der absolute Chi-Quadrat-Wert kann mit zunehmenden Freiheitsgraden nur steigen. Dies können wir mit einem Chi-Quadrat-Differenztest prüfen, bei dem das kongenerische (Ladungen frei geschätzt) mit dem tau-äquivalenten Modell (alle Ladungen gleich) verglichen wird.

Für den Modellvergleich verwenden wir wie immer die anova()-Funktion, die wir bereits vielfach gesehen haben.

anova(cfa_con, cfa_tau)

Chi-Squared Difference Test

        Df    AIC    BIC Chisq Chisq diff    RMSEA Df diff Pr(>Chisq)   
cfa_con  0 5839.4 5867.0  0.00                                          
cfa_tau  2 5845.5 5863.9 10.09      10.09 0.073933       2   0.006442 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Wir sehen, dass das tau-äquivalente Modell signifikant schlechteren Fit hat als das kongenerische, auch wenn die Modellgüte bei beiden Modellen noch sehr gut ist. Es bleibt unsere Entscheidung, mit welchem Modell wir weiterarbeiten. Wir bleiben vorerst beim kongenerischen Modell.

9.3 Invarianztests über Gruppen

Bei der Prüfung von Messinvarianz über Gruppen (oder über Messzeitpunkte) geht es um die Frage, ob die Messung in den Gruppen bzw. über die Zeit so weit konsistent ist, dass Unterschiede auf tatsächliche Differenzen in der latenten Variable zurückzuführen sind und nicht auf unterschiedliche Messung. Technisch wird das erreicht, indem wir immer stärkere Gleichsetzungs-Constraints spezifizieren und schauen, ob die Modelle dadurch signifikant schlechter werden. Wir schätzen also schrittweise immer strengere Modelle und prüfen mit Differenztests, ob die Gleichsetzungen das Modell verschlechtern. Wenn sie das tun, wissen wir, dass es Unterschiede in der Messung zwischen den Gruppen gibt und wir daher diese nur schwer bzw. gar nicht vergleichen dürfen.

9.3.1 Konfigurale Invarianz

Wir vergleichen die Messinvarianz der Einfachheit halber zwischen Männern und Frauen, also mit der Gruppenvariable group = "p_2" im CFA-Aufruf. Zunächst schätzen wir das Grundmodell ohne Constraints. Wenn schon dieses nicht passt, heißt das, die faktorielle Struktur ist in den Gruppen schon fundamental unterschiedlich (etwa zweifaktoriell bei Männern, einfaktoriell bei Frauen o.ä.). Da unser Modell mit 3 Indikatoren allerdings, wie oben beschrieben, nur gerade identifiziert ist, passt es automatisch, d.h. wir erhalten gar keinen Modellfit, sondern nur Schätzungen für die Ladungen der Items.

cfa_config <- cfa(srhi_model, data = d_habit, group = "p_2")
summary(cfa_config, fit.measures = TRUE, standardized = TRUE)
lavaan 0.6-18 ended normally after 25 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                        18

  Number of observations per group:               Used       Total
    Weiblich                                       367         390
    Männlich                                       373         401

Model Test User Model:
                                                      
  Test statistic                                 0.000
  Degrees of freedom                                 0
  Test statistic for each group:
    Weiblich                                     0.000
    Männlich                                     0.000

Model Test Baseline Model:

  Test statistic                              1211.589
  Degrees of freedom                                 6
  P-value                                        0.000

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    1.000
  Tucker-Lewis Index (TLI)                       1.000

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -2910.504
  Loglikelihood unrestricted model (H1)      -2910.504
                                                      
  Akaike (AIC)                                5857.008
  Bayesian (BIC)                              5939.928
  Sample-size adjusted Bayesian (SABIC)       5882.772

Root Mean Square Error of Approximation:

  RMSEA                                          0.000
  90 Percent confidence interval - lower         0.000
  90 Percent confidence interval - upper         0.000
  P-value H_0: RMSEA <= 0.050                       NA
  P-value H_0: RMSEA >= 0.080                       NA

Standardized Root Mean Square Residual:

  SRMR                                           0.000

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured


Group 1 [Weiblich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srhi_r1         1.000                               0.941    0.849
    f_srhi_r2         1.152    0.062   18.719    0.000    1.084    0.861
    f_srhi_r3         1.083    0.059   18.294    0.000    1.019    0.837

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         4.226    0.058   73.096    0.000    4.226    3.816
   .f_srhi_r2         3.817    0.066   58.135    0.000    3.817    3.035
   .f_srhi_r3         3.943    0.064   62.051    0.000    3.943    3.239

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.342    0.040    8.563    0.000    0.342    0.279
   .f_srhi_r2         0.408    0.051    8.019    0.000    0.408    0.258
   .f_srhi_r3         0.444    0.049    9.082    0.000    0.444    0.300
    f_srhi            0.885    0.092    9.588    0.000    1.000    1.000


Group 2 [Männlich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srhi_r1         1.000                               0.931    0.876
    f_srhi_r2         1.109    0.061   18.100    0.000    1.033    0.818
    f_srhi_r3         1.062    0.057   18.487    0.000    0.989    0.837

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         4.249    0.055   77.174    0.000    4.249    3.996
   .f_srhi_r2         3.775    0.065   57.718    0.000    3.775    2.989
   .f_srhi_r3         3.992    0.061   65.236    0.000    3.992    3.378

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.263    0.037    7.137    0.000    0.263    0.233
   .f_srhi_r2         0.528    0.055    9.649    0.000    0.528    0.331
   .f_srhi_r3         0.418    0.047    8.913    0.000    0.418    0.299
    f_srhi            0.867    0.086   10.034    0.000    1.000    1.000

Der Output für die Parameterschätzer ist getrennt für Männer und Frauen, und wir erkennen, dass in diesem Modell Ladungen, Intercepts und Varianzen pro Geschlecht frei geschätzt werden.

9.3.2 Metrische Invarianz

Als metrische Invarianz (weak invariance) bezeichnet man das Modell, in dem alle Ladungen gleichgesetzt werden. Will man (z.B. im Rahmen einer Moderationshypothese) vergleichen, ob der Zusammenhang zwischen TV-Nutzung und Gewohnheitsstärke bei Männern und Frauen gleich ist, muss zumindest diese metrische Invarianz gewährleistet sein. Wir könnten die Gleichsetzung einzeln im Modell spezifizieren (s.o.), allerdings gibt es in Lavaan eine fertige Lösung über das group.equal Funktionsargument. Hier können wir pauschal festlegen, das alle Ladungen gleichgesetzt werden sollen. Das funktioniert, solange wir keine partiellen Gleichsetzungen wollen (also einzelne Ladungen frei schätzen).

cfa_metric <- cfa(srhi_model,
  data = d_habit, group = "p_2",
  group.equal = c("loadings")
)
summary(cfa_metric, fit.measures = TRUE, standardized = TRUE)
lavaan 0.6-18 ended normally after 23 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                        18
  Number of equality constraints                     2

  Number of observations per group:               Used       Total
    Weiblich                                       367         390
    Männlich                                       373         401

Model Test User Model:
                                                      
  Test statistic                                 0.241
  Degrees of freedom                                 2
  P-value (Chi-square)                           0.887
  Test statistic for each group:
    Weiblich                                     0.117
    Männlich                                     0.124

Model Test Baseline Model:

  Test statistic                              1211.589
  Degrees of freedom                                 6
  P-value                                        0.000

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    1.000
  Tucker-Lewis Index (TLI)                       1.004

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -2910.625
  Loglikelihood unrestricted model (H1)      -2910.504
                                                      
  Akaike (AIC)                                5853.249
  Bayesian (BIC)                              5926.955
  Sample-size adjusted Bayesian (SABIC)       5876.150

Root Mean Square Error of Approximation:

  RMSEA                                          0.000
  90 Percent confidence interval - lower         0.000
  90 Percent confidence interval - upper         0.048
  P-value H_0: RMSEA <= 0.050                    0.953
  P-value H_0: RMSEA >= 0.080                    0.012

Standardized Root Mean Square Residual:

  SRMR                                           0.006

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured


Group 1 [Weiblich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srh_1           1.000                               0.950    0.853
    f_srh_2 (.p2.)    1.131    0.043   26.103    0.000    1.074    0.858
    f_srh_3 (.p3.)    1.072    0.041   26.044    0.000    1.018    0.837

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         4.226    0.058   72.743    0.000    4.226    3.797
   .f_srhi_r2         3.817    0.065   58.397    0.000    3.817    3.048
   .f_srhi_r3         3.943    0.064   62.063    0.000    3.943    3.240

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.337    0.039    8.742    0.000    0.337    0.272
   .f_srhi_r2         0.415    0.049    8.537    0.000    0.415    0.264
   .f_srhi_r3         0.444    0.047    9.383    0.000    0.444    0.300
    f_srhi            0.902    0.085   10.619    0.000    1.000    1.000


Group 2 [Männlich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srh_1           1.000                               0.924    0.872
    f_srh_2 (.p2.)    1.131    0.043   26.103    0.000    1.045    0.822
    f_srh_3 (.p3.)    1.072    0.041   26.044    0.000    0.990    0.838

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         4.249    0.055   77.496    0.000    4.249    4.013
   .f_srhi_r2         3.775    0.066   57.403    0.000    3.775    2.972
   .f_srhi_r3         3.992    0.061   65.224    0.000    3.992    3.377

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.269    0.035    7.773    0.000    0.269    0.239
   .f_srhi_r2         0.522    0.053    9.814    0.000    0.522    0.324
   .f_srhi_r3         0.416    0.045    9.252    0.000    0.416    0.298
    f_srhi            0.853    0.079   10.861    0.000    1.000    1.000

Wir können bei den Parameterschätzern erkennen, dass die (unstandardisierten) Ladungen bei Item 2 und 3 gleichgesetzt sind, die Ladung 1 war ohnehin wie immer auf 1 fixiert. Durch die Gleichsetzung haben wir Freiheitsgrade gewonnen und erhalten daher nun auch einen (sehr guten) Modellfit mit einem nicht-signifikanten Chi-Quadrat-Wert. Dies spricht schon dafür, dass metrische Invarianz vorliegt. Wir prüfen dies noch einmal formal:

Modellvergleich konfigurale vs. metrische Invarianz

anova(cfa_config, cfa_metric)

Chi-Squared Difference Test

           Df    AIC    BIC  Chisq Chisq diff RMSEA Df diff Pr(>Chisq)
cfa_config  0 5857.0 5939.9 0.0000                                    
cfa_metric  2 5853.2 5927.0 0.2407    0.24066     0       2     0.8866

In der Tat hat sich trotz der Gleichsetzung der SRHI-R-Faktorladungen bei Männern und Frauen die Modellgüte nicht signifikant verschlechtert, so dass wir davon ausgehen können, alle Items sind gleich valide Indikatoren der Wiederholungsdimension von TV-Gewohnheitsstärke bei Frauen und Männern.

9.3.3 Skalare Invarianz

Wollen wir die Mittelwerte der Gewohnheitsstärke zwischen Männern und Frauen vergleichen (etwa per t-Test der Mittelwert- oder Factorscores), muss die sog. skalare Invarianz (strong invariance) gewährleistet sein, bei der Ladungen und Intercepts gleichgesetzt werden. Die Intercepts beschreiben das Verhältnis von latentem Wert und den eigentlichen Scores der einzelnen Items. Wenn z.B. weibliche Teilnehmerinnen mit derselben wahren Gewohnheitsstärke tendenziell immer etwas niedrigere Item-Wert haben als männliche Teilnehmer, etwa weil sie regelmäßig oder Routine anders verstehen, würden wir beim Vergleich der Mittelwert zu falschen Schlüssen kommen. Wir setzen also im nächsten Schritt Ladungen und Intercepts über die Gruppen gleich und vergleichen direkt die Modelle.

cfa_scalar <- cfa(srhi_model,
  data = d_habit, group = "p_2",
  group.equal = c("loadings", "intercepts")
)
summary(cfa_scalar, fit.measures = TRUE, standardized = TRUE)
lavaan 0.6-18 ended normally after 43 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                        19
  Number of equality constraints                     5

  Number of observations per group:               Used       Total
    Weiblich                                       367         390
    Männlich                                       373         401

Model Test User Model:
                                                      
  Test statistic                                 2.129
  Degrees of freedom                                 4
  P-value (Chi-square)                           0.712
  Test statistic for each group:
    Weiblich                                     1.026
    Männlich                                     1.104

Model Test Baseline Model:

  Test statistic                              1211.589
  Degrees of freedom                                 6
  P-value                                        0.000

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    1.000
  Tucker-Lewis Index (TLI)                       1.002

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -2911.569
  Loglikelihood unrestricted model (H1)      -2910.504
                                                      
  Akaike (AIC)                                5851.138
  Bayesian (BIC)                              5915.631
  Sample-size adjusted Bayesian (SABIC)       5871.176

Root Mean Square Error of Approximation:

  RMSEA                                          0.000
  90 Percent confidence interval - lower         0.000
  90 Percent confidence interval - upper         0.058
  P-value H_0: RMSEA <= 0.050                    0.921
  P-value H_0: RMSEA >= 0.080                    0.010

Standardized Root Mean Square Residual:

  SRMR                                           0.011

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured


Group 1 [Weiblich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srh_1           1.000                               0.950    0.853
    f_srh_2 (.p2.)    1.130    0.043   26.075    0.000    1.073    0.857
    f_srh_3 (.p3.)    1.072    0.041   26.029    0.000    1.019    0.837

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srh_1 (.p8.)    4.233    0.055   76.557    0.000    4.233    3.803
   .f_srh_2 (.p9.)    3.793    0.063   60.533    0.000    3.793    3.028
   .f_srh_3 (.10.)    3.962    0.060   66.025    0.000    3.962    3.255

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.336    0.039    8.728    0.000    0.336    0.272
   .f_srhi_r2         0.416    0.049    8.556    0.000    0.416    0.265
   .f_srhi_r3         0.444    0.047    9.381    0.000    0.444    0.300
    f_srhi            0.902    0.085   10.619    0.000    1.000    1.000


Group 2 [Männlich]:

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f_srhi =~                                                             
    f_srh_1           1.000                               0.924    0.872
    f_srh_2 (.p2.)    1.130    0.043   26.075    0.000    1.044    0.822
    f_srh_3 (.p3.)    1.072    0.041   26.029    0.000    0.991    0.838

Intercepts:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srh_1 (.p8.)    4.233    0.055   76.557    0.000    4.233    3.997
   .f_srh_2 (.p9.)    3.793    0.063   60.533    0.000    3.793    2.986
   .f_srh_3 (.10.)    3.962    0.060   66.025    0.000    3.962    3.351
    f_srhi            0.011    0.073    0.151    0.880    0.012    0.012

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .f_srhi_r1         0.268    0.035    7.756    0.000    0.268    0.239
   .f_srhi_r2         0.524    0.053    9.829    0.000    0.524    0.325
   .f_srhi_r3         0.417    0.045    9.251    0.000    0.417    0.298
    f_srhi            0.853    0.079   10.862    0.000    1.000    1.000
anova(cfa_metric, cfa_scalar)

Chi-Squared Difference Test

           Df    AIC    BIC  Chisq Chisq diff RMSEA Df diff Pr(>Chisq)
cfa_metric  2 5853.2 5927.0 0.2407                                    
cfa_scalar  4 5851.1 5915.6 2.1291     1.8885     0       2      0.389

Im Vergleich zum Modell mit metrischer Invarianz hat die Gleichsetzung der Intercepts nicht zu einem signfikant schlechterem Modellfit geführt. Wir dürfen also die Mittelwerte im SRHI-R zwischen Männern und Frauen vergleichen. Das können wir entweder über den t-Test der Mittelwertscores, die wir erst berechnen müssten, tun oder direkt im Modelloutput. Etwas versteckt unter Intercepts bei den Männern finden wir eine zusätzliche Zeile f_srhi, die es bei den Frauen nicht gibt. Dies ist direkt der Unterschied zwischen den Frauen als Referenzgruppe und den Männern. Der Wert von 0.011 (SE = .073) und einem p-Wert von .88 zeigt, dass es keinen signifikanten Unterschied zwischen Frauen und Männern im F-SRHI-R gibt.

9.4 Hausaufgabe

Prüfen Sie die Messinvarianz nach Geschlecht für den SRHI-A bei der TV-Nutzung. Dürfen wir Männer und Frauen in ihrem F-SRHI-A vergleichen, und wenn ja, wie fällt der Vergleich aus?