top of page

ΔCFI = .014 im Gruppenvergleich und die Mittelwerte stehen infrage, so liest du Messinvarianz in lavaan

8. Nov.
4 Min. Lesezeit

ΔCFI = .014 zwischen metrischem und skalarem Modell liegt über dem oft zitierten Richtwert, ΔRMSEA = .006 deutlich darunter. Du hast deine CFA mit ihren Fit-Indizes geklärt, willst zwei Gruppen vergleichen und stehst nun vor zwei Zahlen, die in verschiedene Richtungen zeigen. Bevor du Mittelwerte vergleichst, brauchst du eine Antwort auf die Frage, ob dein Fragebogen in beiden Gruppen dasselbe misst.


Warum ein Mittelwertvergleich Messinvarianz voraussetzt

Ein Unterschied im Skalenmittelwert soll einen Unterschied im Konstrukt zeigen. Das setzt voraus, dass die Items in beiden Gruppen gleich funktionieren. Wenn ein Item zur Arbeitszufriedenheit in einer Gruppe anders verstanden wird oder dort aus anderen Gründen höher angekreuzt wird, verschiebt sich der Mittelwert, ohne dass sich das Konstrukt unterscheidet. Genau diese Annahme prüft die Messinvarianz. Sie wird häufig erst zum Thema, wenn eine Rückfrage im Gutachten kommt. Wie du darauf reagierst, zeigt der Artikel zu Reviewer-Kommentaren zur Statistik.


Wann ist Messinvarianz gegeben?

Messinvarianz ist gegeben, wenn das Modell unter zunehmend strengeren Gleichheitsannahmen nicht bedeutsam schlechter passt. Üblich sind drei Stufen, die aufeinander aufbauen. Die Tabelle 1 zeigt, was jede Stufe gleichsetzt und welcher Vergleich danach vertretbar ist:

Stufe

Gleichgesetzt

Was das erlaubt

konfigural

Faktorstruktur

noch kein Vergleich von Kennwerten

metrisch

zusätzlich Faktorladungen

Vergleich von Zusammenhängen

skalar

zusätzlich Intercepts

Vergleich latenter Mittelwerte


Manche Arbeiten prüfen als vierte Stufe die Residualvarianzen. Ob das nötig ist, hängt davon ab, was du vergleichen möchtest. In lavaan steuert das Argument group.equal die jeweilige Stufe. Diese Zeile dient nur zur Erklärung und zeigt das skalare Modell:

cfa(modell, data = daten, group = "gruppe", group.equal = c("loadings", "intercepts"))

Mit group.equal = "loadings" entsteht das metrische Modell, ohne das Argument das konfigurale. Der Vergleich der Modelle läuft wie bei anderen verschachtelten Modellen. Einen verwandten Fall beschreibt der Artikel zum Modellvergleich mit ML und REML. Bricht die Schätzung mit einer Warnung ab, hilft der Artikel zu Fehlermeldungen in R beim ersten Einordnen.


Eine Ausgabe mit erfundenen Werten

Angenommen, zwei Gruppen mit je 210 Personen beantworten acht Items zu zwei Faktoren. Die Tabelle 2 fasst die drei Modelle mit erfundenen Werten zusammen:

Modell

χ²

df

CFI

RMSEA

ΔCFI

ΔRMSEA

konfigural

69.50

38

.965

.063

entfällt

entfällt

metrisch

80.00

44

.960

.062

.005

.001

skalar

98.60

50

.946

.068

.014

.006


Der Schritt zum metrischen Modell ist unauffällig. Der Differenztest bleibt mit Δχ²(6) = 10.50, p = .105 nicht signifikant. Beim Schritt zum skalaren Modell ergibt sich dagegen Δχ²(6) = 18.60, p = .005. Der CFI sinkt um .014, der RMSEA steigt nur um .006. Wer solche Modellvergleiche in einer Tabelle berichtet, findet Word-Vorlagen nach APA 7 im Tabellen-Kit.


Warum die Grenzwerte nicht automatisch entscheiden

Viele Arbeiten berufen sich auf Chen (2007). Häufig zitiert wird eine Abnahme des CFI um .010 zusammen mit einer Zunahme des RMSEA um .015 als Hinweis auf fehlende Invarianz, bezogen auf ausreichend große und gleich starke Gruppen. Für kleinere oder ungleich große Gruppen werden strengere Werte genannt. Schon das Abstract der Studie hält fest, dass die Änderungen der Fit-Indizes von den Gruppengrößen abhängen. Es sind also Richtwerte für bestimmte Bedingungen und keine festen Grenzen.


In unserem Beispiel sprechen CFI und Differenztest gegen die skalare Stufe, der RMSEA nicht. Hinzu kommt, dass der χ²-Differenztest bei großen Stichproben schon auf kleine Abweichungen reagiert. Auch der Schätzer spielt eine Rolle. Fünfstufige Items werden oft als ordinal behandelt, dann gelten skalierte Prüfgrößen und die Stufen werden anders parametrisiert. Daraus folgt noch keine einfache Regel. Du musst möglichst vor dem Blick auf die Ergebnisse begründen, welcher Kennwert für dein Design zählt.


Scheitert die skalare Stufe, gibt es mehrere Wege, von der partiellen Invarianz bis zum Verzicht auf den Mittelwertvergleich. Welcher vertretbar ist, hängt von deinem Modell und deiner Fragestellung ab.


Ob partielle Invarianz für deinen Gruppenvergleich reicht, klären wir bei der Auswertung für Forschungsprojekte.

Wie berichte ich Messinvarianz?

Im Ergebnisteil nennst du die Modelle, die Differenzen und die Grenzwerte, an denen du dich orientierst. Mit den erfundenen Werten aus der Tabelle 2 könnte das so aussehen:

Beim Übergang vom konfiguralen zum metrischen Modell änderten sich die Fit-Indizes kaum, ΔCFI = .005, ΔRMSEA = .001, Δχ²(6) = 10.50, p = .105. Beim Übergang zum skalaren Modell sank der CFI um .014 und der RMSEA stieg um .006, Δχ²(6) = 18.60, p = .005.

Was das für den Gruppenvergleich bedeutet, gehört in die Diskussion. Berichte dort auch, wenn die Kennwerte nicht einheitlich ausfallen. Eine Abweichung, die offen benannt ist, lässt sich in einer Verteidigung leichter vertreten als eine, die jemand anderes findet.


Was du über Messinvarianz wissen solltest

Die Logik gilt auch dort, denn auch ein Summenwert setzt voraus, dass die Items in beiden Gruppen gleich funktionieren. Ob die Prüfung erwartet wird, hängt von Fach und Betreuung ab. Bei etablierten Skalen hilft ein Blick in die Validierungsstudien.

Dabei bleiben einzelne Ladungen oder Intercepts frei, während die übrigen gleichgesetzt sind. Das ist nur mit inhaltlicher Begründung sinnvoll. Einzelne Parameter nach dem Blick auf die Daten freizugeben, muss im Bericht offen stehen.

Das hängt von der Zahl der Items, den Ladungen und dem Schätzer ab. Bei kleinen Gruppen sind Modelle oft instabil und viele Richtwerte passen nicht mehr. Plane das schon bei der Fallzahl mit ein.

Der Aufwand hängt von der Anzahl der Skalen und Gruppen ab und davon, ob die CFA schon steht. Eine Orientierung gibt die Seite Preise und Ablauf.


Wenn ΔCFI und ΔRMSEA nicht dasselbe sagen Wir übernehmen die Auswertung in R mit lavaan und gehen die Entscheidungen mit dir durch. Wenn du lieber selbst rechnest, unterstützen wir dich im Statistik-Coaching. Alles Weitere steht unter Preise und Ablauf. Welche Stufe braucht dein Gruppenvergleich überhaupt?


NEWSLETTER MIT GRATIS-PRÜFLISTE

​

Statistik-Tipps per E-Mail

​

Melde dich für unseren Newsletter an und du bekommst als Dankeschön sofort unsere Prüfliste „Stimmt deine Auswertung?“. Zwölf Punkte, die du vor der Abgabe selbst prüfen kannst.

​

Danach schreiben wir dir etwa zweimal im Monat mit neuen Blogartikeln, Anleitungen zu SPSS und R sowie Hinweisen auf unsere Angebote. Abmelden kannst du dich jederzeit mit einem Klick.

​

Die Prüfliste kommt als PDF direkt in dein Postfach.

Prüfliste und Newsletter

Mit deiner Anmeldung bekommst du die Prüfliste direkt in dein Postfach. Danach schicke ich dir etwa zweimal im Monat unseren Newsletter mit Tipps zu Auswertung, Ergebnisteil und APA 7.

Die Prüfliste kommt gleich per Mail. Für den Newsletter bekommst du zusätzlich einen Bestätigungslink.

bottom of page