10. datenanalyse - uni-trier.de · index freisetzen intercept mit größtem modifikations-index...
TRANSCRIPT
Professur für Marketing und Handel der Universität Trier Prof. Dr. Prof. h.c. B. Swoboda
Multigruppenvergleiche und Messinvarianzprüfung
10. Datenanalyse
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 322
Multigruppenvergleiche
Die Multi-Group-Analysis (MGA) ermöglicht die simultane Schätzung eines Kausalmodells über mehrere Gruppen hinweg. Entspricht das betrachtete Kausalmodell einem konfirma-torischen Faktorenmodell, so wird von Mehrgruppen-Faktorenanalyse (MGFA) gesprochen, während die Betrachtung eines vollständigen Kausalmodells (Strukturmodell mit zugehörigen Messmodellen) als Mehrgruppen-Kausalanalyse (MGKA) bezeichnet wird.
Über alle betrachteten Gruppen werden zwei Modell-varianten geschätzt: Zunächst wird das sog. "unrestringierte Modell" (AMOS: Unconstrained Model) für alle Gruppen geschätzt. In diesem Modell werden alle freien Modellparameter entsprechend dem formulierten Kausalmodell unabhängig für die Gruppen getrennt geschätzt.
Grundidee des Modellvergleichs mit Hilfe des Multigruppenvergleichs
Anschließend wird das „vollständig restringierte Modell" (AMOS: Measurement Residuals Model) geschätzt, bei dem alle Modellparameter zwischen den Gruppen gleich gesetzt (restringiert) sind.
1
2
Erbringen beide Modellvarianten den gleichen Gesamt-Fit, so liegen keinerlei gruppenspezifische Unterschiede vor.
3
Beschreibung des Multigruppenvergleichs
Quelle: Weiber, R. & Mühlhaus, D.: Strukturgleichungsmodellierung, Springer/Gabler, 2010, S. 226ff.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 323
AMOS: Anlegen von Gruppen (1/4)
Doppel- klick
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 324
AMOS: Anlegen von Gruppen (2/4)
File > Data Files … Erst mit ‚File Name‘ die entsprechende Datendatei auswählen, dann ‚Group Variable‘ wählen.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 325
AMOS: Anlegen von Gruppen (3/4)
Gruppierungs- variable wählen
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 326
AMOS: Anlegen von Gruppen (4/4)
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 327
Begriff der Messinvarianz
Measurement invariance (equivalence) concerns whether scores from the operationalization of a construct have the same meaning under different conditions.
Verwendung der Konfirmatorischen Faktorenanalyse (CFA) zur Prüfung auf Messinvarianz
Beantwortet bspw. die Frage ob das gleiche Modell für verschiedene Gruppen anwendbar ist
Gibt Sicherheit "Äpfel mit Äpfeln zu vergleichen"
Definition
Charakte- ristika
Arten Messinvarianz über verschiedene Gruppen (z.B. Männer und Frauen)
Messinvarianz über verschiedene Erhebungszeitpunkte (z.B. März, Mai, Juli)
Messinvarianz über verschiedene Erhebungsmethoden (z.B. Papierfragebogen und Internetfragebogen)
Quelle: Kline, Rex B. (2011), Principles and practice of structural equation modeling. New York: Guilford Press.
Messinvarianz = Messäquivalenz
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 328
Stufen der Messinvarianz
Konfigurale Messinvarianz Liegt vor, wenn die Anzahl an Faktoren und das Ladungsmuster zwischen manifesten und latenten Variablen in den Substichproben identisch sind
Metrische Messinvarianz Liegt vor, wenn zusätzlich die Faktorladungen zwischen den Substichproben identisch sind
Skalare Messinvarianz Liegt vor, wenn zusätzlich die Intercepts (Konstanten) der manifesten Variablen identisch sind
Messinvarianz der Faktorvarianz und der Faktorkovarianz Liegt vor, wenn zusätzlich die Varianz und Kovarianz identisch sind
Messinvarianz der Fehlervarianzen Liegt vor, wenn zusätzlich die Varianz-Kovarianzmatrix der Messfehler identisch sind
1
2
3
4
5
Voraussetzung für valide Mittelwert-
vergleiche
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 329
Konfigurale, metrische und skalare Messinvarianz
Konfigurale Messinvarianz Metrische Messinvarianz Skalare Messinvarianz
Separater Test des Messmodels für beide Gruppen
Wenn das theoretisch angenommene Messmodell in beiden Gruppen einen akzeptablen Modell-Fit aufweist, kann von konfiguraler Messinvarianz ausgegangen werden
Inhaltlich bedeutet konfigurale Messinvarianz, dass in beiden Gruppen die entsprechenden Indikatoren auf die jeweiligen Faktoren laden
Zeigt, ob sich die Ladungen der manifesten Variablen auf die Faktoren zwischen den beiden Gruppen signifikant voneinander unterscheiden oder nicht
Invariante Faktorladungen (d.h. metrische Invarianz) stellen eine Voraussetzung für den Vergleich der Beziehungen der Faktoren zwischen den beiden Gruppen dar
Zeigt, ob sich die intercepts der manifesten Variablen zwischen den beiden Gruppen unterscheiden
Skalare Invarianz stellt eine Voraussetzung für den Vergleich der latenten Mittelwerte in den Faktoren zwischen den beiden Gruppen dar
W I
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 330
Vorgehensweise der Prüfung auf Messinvarianz (schematisch)
Die Modellstruktur ist für alle Gruppen
gleich
Die latenten Mittelwerte können
für alle Gruppen verglichen werden
Faktorkorrelationen und -kovarianzen
sind für alle Gruppen gleich
Items sind über alle Gruppen hinweg
reliabel
Volle konfigurale Invarianz
Volle metrische Invarianz
Volle skalare
Invarianz
Volle Faktorvarianz/-
kovarianz Invarianz
Volle Fehlervarianz
Invarianz
Partielle konfigurale Invarianz
Partielle metrische Invarianz
Partielle skalare
Invarianz
Partielle Faktorvarianz/
-kovarianz Invarianz
Partielle Fehlervarianz
Invarianz
Die Modellstruktur ist für die Gruppen
unterschiedlich
Ladung mit größtem
Modifikations-index freisetzen
Intercept mit größtem
Modifikations-index freisetzen
Varianz/Kovarianz mit größtem
Modifikations-index freisetzen
Messfehler mit größtem
Modifikations-index freisetzen
Quelle: i.A.a. Steenkamp, Jan-Benedict E. M. and Hans Baumgartner (1998), “Assessing measurement invariance in cross-national consumer research,” The Journal of consumer research, 25 (1), 78–90.
1
2
3
4
5
Start
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 331
AMOS: Prüfung auf konfigurale Messinvarianz (1/2)
View > Analysis Properties > Estimation: ‚Estimate means and intercepts‘
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 332
AMOS: Prüfung auf konfigurale Messinvarianz (2/2)
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 333
AMOS: Prüfung auf metrische und skalare Messinvarianz (1/3)
– Erstellung eines neuen Modells mit Restriktionen –
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 334
AMOS: Prüfung auf metrische und skalare Messinvarianz (2/3)
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 335
AMOS: Prüfung auf metrische und skalare Messinvarianz (3/3)
χ²
CFI TLI
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 336
Chi-Quadrat-Differenztest zur Überprüfung der Messinvarianz
Excel-Datei steht im Downloadbereich
zur Verfügung
Interpretation Ist der χ²-Differenztest signifikant, dann ist mindestens eine der gesetzten Restriktionen nicht über beide Gruppen gleich.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 337
Partielle Messinvarianz liegt vor, wenn auf einer Messinvarianz-Stufe einzelne Identitätsrestriktionen aufgehoben werden, so dass sich der Modell-Fit verbessert, die dadurch entstehende "Verletzung" der theoretisch unterstellten Identitäten aus Sicht der Anwendungspraxis aber noch als "akzeptabel" gelten.
Partielle Messinvarianz
Quelle: Weiber, R. & Mühlhaus, D.: Strukturgleichungsmodellierung, Springer/Gabler, 2010, S. 239.
Messinvarianz dann bestätigt, wenn Fit des über Gruppen betrachteten Gesamtmodells bei Einführung der Identitätsrestriktion einer Invarianz-Stufe nicht signifikant schlechter wird als Fit des Gesamtmodells ohne Identitätsrestriktion
Bei praktischen Anwendungen oft nicht gegeben
Um Gruppenvergleich trotzdem durchführen zu können, wird "partielle Invarianz" eingeführt
Bei Verletzung auf einer Prüfebene werden einzelne Identitätsrestriktionen aufgehoben (d.h. Parameter freigesetzt), bis anhand der Fitmaße (partielle) Invarianz auf der entsprechenden Prüfstufe bestätigt werden kann
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 338
AMOS: Partielle metrische und skalare Messinvarianz (1/3)
Partielle Messinvarianz
Partielle Messinvarianz liegt vor, wenn die Bedingungen der vollen Messinvarianz auf einer der Invarianzstufen nicht erfüllt sind
Identifikation der Parameter die für das Vorliegen der Nicht-Invarianz verantwortlich sind erfolgt anhand der Modification Indices
Vorgehensweise: Analysis Properties > Output > Modification indices
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 339
AMOS: Partielle metrische und skalare Messinvarianz (2/3)
Partielle metrische Invarianz: Regression Weights Partielle skalare Invarianz: Intercepts
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 340
AMOS: Partielle metrische und skalare Messinvarianz (3/3)
– Freisetzen von Parametern –
Anschließend wiederholte Durchführung des Chi- Quadrat-Differenztests
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 341
Tabelle: Messinvarianz
Modell χ²/df (p-value)
χ²-Differenz (p-value)
CFI (ΔCFI)
TLI (ΔTLI)
RMSEA (ΔRMSEA)
Modell 1: konfigurale Messinvarianz
796.540/426 (.000)
- .946 (-)
.934 (-)
.059 (-)
Modell 2: metrische Messinvarianz
814.261/442 (.000)
17.721 (.340)
.946 (.000)
.936 (.002)
.064 (.005)
Modell 3: skalare Messinvarianz
878.169/458 (.000)
63.908 (.000)
.939 (.007)
.930 (.006)
.073 (.009)
Modell 4: partielle skalare Messinvarianza
827.604/454 (.000)
13.343 (.345)
.946 (.000)
.937 (.001)
.064 (.000)
b Intercepts sind freigesetzt für die Items: SER, SL1, SL2.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 342
AMOS: Pfade vergleichen anhand von Signifikanzen (1/5)
Ziel
Methode
Das Aufdecken von Unterschieden zwischen den Pfadkoeffizienten unterschiedlicher Gruppen einer Stichprobe oder zwischen verschiedenen Stichproben
Element der Analyse können neben Pfadkoeffizienten auch Faktorwerte des Messmodels, Variablenvarianzen etc. sein
Als Messmethode wird die Chi-Quadrat-Statistik verwendet
Mit ihrer Hilfe lässt sich die Güte der Anpassung eines Strukturgleichungsmodells an einen Datensatz bestimmen
Durch den Vergleich der Chi-Quadrat-Werte unterschiedlicher Gruppen lassen sich signifikante Unterschiede aufdecken
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 343
AMOS: Pfade vergleichen anhand von Signifikanzen (2/5)
Modellnamen eingeben
Neue Modelle mit ‚New‘ einfügen
Hier stehen Parameter
Constraints der Messinvarianz-
prüfung
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 344
AMOS: Pfade vergleichen anhand von Signifikanzen (3/5)
Erst ‚Plugins‘, dann ‚Name Para-
meters' wählen
Häkchen macht Parameter-
bezeichnung im Modell sichtbar
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 345
AMOS: Pfade vergleichen anhand von Signifikanzen (4/5)
Für zweite Gruppe Parameter
umbenennen
Häkchen bei ‚All Groups‘
entfernen
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 346
AMOS: Pfade vergleichen anhand von Signifikanzen (5/5)
Modellname
Als erstes muss der Name des Vergleichs-
modells eingegeben werden … … dann werden
die Parameter gleichgesetzt
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 347
Chi-Quadrat-Differenztest
Excel-Datei steht im Downloadbereich
zur Verfügung
Interpretation Ist der χ²-Differenztest signifikant, dann unterscheiden sich die Modelle signifikant voneinander.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 348
Literatur
Byrne, Barbara M. (2010), Structural equation modeling with AMOS. Basic concepts, applications, and programming. New York: Routledge.
Byrne, Barbara M. (2004), “Testing for Multigroup Invariance Using AMOS Graphics: A Road Less Traveled,” Structural Equation Modeling: A Multidisciplinary Journal, 11 (2), 272–300.
Kline, Rex B. (2011), Principles and practice of structural equation modeling. Methodology in the social sciences. New York: Guilford Press.
Wichtig Im Forschungsbericht nur Primärquellen zitieren!
Siehe dazu z.B. "Gütekriterien & Quellen" im Downloadbereich.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 349
Ablauf einer empirischen Untersuchung
Auswahl der Forschungsfrage
Vorbereitung der Daten-erhebung
Daten-erhebung
Daten-auswertung
Bericht-erstattung
1 2 3 4 5
Aufbau einer empirischen Arbeit
Literatur-recherche
Identifikation einer Forschungs-frage
Ableitung von Hypothesen
Konstruktion des Erhebungs-instruments
Festlegung der Untersuchungs-form
Stichproben-auswahl
Pretest
Befragungs-design
Aufbau eines analysefähigen Datenfiles Daten-
eingabe Fehler-
kontrolle Fehler-
bereinigung Statistische
Datenanalyse
Wissenschaft-liches Schreiben
Formvor-schriften und Präsentations-richtlinien
Quelle: i.A.a. Diekmann, A., Empirische Sozialforschung, Rowohlt, 2007, S. 187ff.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 350
Hinweise für Präsentationen und schriftliche Arbeiten
Hinweise Grafische Darstellungen der
Strukturmodelle niemals aus der Software (z.B. AMOS) kopieren
PowerPoint (oder anderes Grafikprogramm) verwenden und Strukturmodell nachbauen
Wesentliche Ergebnisse in Tabellen darstellen
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 351
Tabelle: Messung der Konstrukte
Konstrukt Item Quelle
Corporate Reputation
CO 1: [Firm] has employees who are concerned about customer needs. CO 2: [Firm] has employees who are polite toward their customers. CO 3: [Firm] takes customer rights seriously. CO 4: [Firm] treats its customers fairly. CO 5: [Firm] is concerned about its customers. GE 1: [Firm] seems to be a good employer. GE 2: [Firm] seems to have an excellent leadership style. GE 3: [Firm] seems to have a competent staff. GE 4: [Firm] seems to be well organized. GE 5: [Firm] seems to treat its employees well. GE 6: [Firm] supports diversity in the workplace (e.g. regarding gender, age, nationality, culture). PRQ 1: [Firm] is a strong, reliable company. PRQ 2: [Firm] offers high-quality products and services. PRQ 3: [Firm] develops innovative products and services. PRQ 4: [Firm] improves peoples quality of life through its products. PRQ 5: [Firm] is a leader in research and technology. PRQ 6: [Firm] offers products that are safe for people and the environment. PRQ 7: [Firm] offers good value for money.
Walsh, Beatty, und Shiu (2009)
CO = Customer Orientation; GE = Good Employer; PRQ = Product Range Quality.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 352
Tabelle: Reliabilität und Validität
Construct Item MV/Std. FL KMO ItTC α CR λ
Corporate Reputation (with parcels)
CO 4.9/1.2 .759
.878
.718
.908 .909
.776 GE 4.4/1.1 .840 .792 .813 RFSC 4.5/1.2 .831 .782 .837 SER 4.0/1.2 .788 .742 .777 PSQ 4.7/1.2 .868 .816 .880
Retail Store Equity
RSE1 5.0/1.4 .776
.717
.634
.754 .760
.752 RSE2 5.8/1.3 .543 .517 .555 RSE3 4.8/1.4 .812 .603 .809 RSE4a 3.8/1.7 .480 - -
Store Loyalty
SL1 5.4/1.7 .758 .721
.732 .891 .861
.753 SL2 4.1/1.9 .806 .838 .795 SL3 4.5/1.8 .895 .801 .908
Confirmatory model fit: CFI .964; TLI .956; RMSEA .054; SRMR .030; χ²(142) = 2456.873. Note: CO = Customer Orientation; GE = Good Employer; RFSC = Reliable and Financially Strong Company; SER = Social and Environmental Responsibility; PSQ = Product and Service Quality; MV/Std. = Mean Values and Standard Deviations; FL = Factor Loadings (exploratory factor analysis); KMO = Kaiser-Meyer-Olkin Criterion (≥ .5); ItTC = Item-to-Total Correlation (≥ .5); α = Cronbach’s Alpha (≥ .7); CR = Composite Reliability (≥ .6); λ = Standardized Factor Loadings (confirmatory factor analysis) (≥ .5). a Item deleted because of a low Item-to-Total Correlation.
SPSS AMOS Datenquelle
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 353
Tabelle: Diskriminanzvalidität
CR RSE SL CC SAP Constructs AVE .667 .523 .676 .650 .550 Corporate Reputation (CR) .667 - Retail Store Equity (RSE) .523 .381 - Store Loyalty (SL) .676 .468 .417 - Corporate Communication (CC) .650 .534 .305 .425 - Store Attribute Perceptions (SAP) .550 .532 .590 .524 .396 - Confirmatory model fit: CFI .964; TLI .956; RMSEA .054; SRMR .030; χ²(142) = 2456.873. Fit (correlation SAP with RSE fixed): CFI .945; TLI .934; RMSEA .066; SRMR .035; χ²(143) = 3653.916; Δχ²(1) = 1197.043. Note: AVE = Average Variance Extracted (≥ .5); values in italics represent squared correlations between constructs.
Squared correlations (Indicator reliability)
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 354
Tabelle: Messinvarianz (weiteres Beispiel)
Modell χ²/df (p-value)
χ²-Differenz (p-value)
CFI (ΔCFI)
TLI (ΔTLI)
RMSEA (ΔRMSEA)
Modell 1: konfigurale Messinvarianz
576.962/57 (.000)
- .964 (-)
.947 (-)
.057 (-)
Modell 2: metrische Messinvarianz
662.030/69 (.000)
85.068 (.000)
.959 (.005)
.950 (.003)
.056 (.001)
Modell 3: partielle metrische Messinvarianza
578.440/61 (.000)
1.478 (.832)
.964 (.000)
.950 (.003)
.055 (.002)
Modell 4: skalare Messinvarianz
683.612/77 (.000)
105.172 (.000)
.958 (.006)
.954 (.004)
.053 (.002)
Modell 5: partielle skalare Messinvarianzb
578.440/61 (.000)
1.478 (-)
.964 (.000)
.950 (.000)
.055 (.000)
a Weigths sind freigesetzt für die Items: PRQ, RFS, LOY 2, LOY 3. b Intercepts sind freigesetzt für die Items: LOY 3, SER, PRQ, LOY 1, CO, LOY 2, RFS, LOY 2.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 355
Tabelle: Hypothesentests
Brand Image niedrig hoch Differenztest Pfadkoeffizient p-value
Pfadkoeffizient p-value p-value der Differenz
CR → LOY .637 *** .639 *** ns (.375) Kontrollvariablen: Geschlecht .050 ns (.166) .050 ns (.166) Alter -.013 ns (.433) -.013 ns (.433) Modell Fit: CFI .928; TLI .913; RMSEA .056; SRMR .055; χ²(74) = 257.506. Anmerkungen: CR = Corporate Reputation; LOY = Loyalty; standardisierte Koeffizienten sind angegeben. *** p<.001; ** p<.01; * p<.05; † p<.1; ns = nicht signifikant.
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 356
Struktur der Ergebnisdarstellung im Forschungsbericht (1/2)
Messung der Konstrukte
Reliabilität und Validität vor Item Parceling
Konstrukt Item Quelle
MV/Std. FL KMO ItTC
α CR λ CFI
TLI RMSEA SRMR χ²(df)
Diskriminanzvalidität vor Item Parceling
AVE Squared correlations
Reliabilität und Validität
Diskriminanzvalidität
MV/Std. FL KMO ItTC
α CR λ CFI
TLI RMSEA SRMR χ²(df)
AVE Squared correlations
Literatur
SPSS, AMOS
AMOS/ Excel
SPSS, AMOS
AMOS/ Excel
Quelle Kommentar Inhalte Tabelle
Einzelne Dimensionen der Konstrukte, die anschließend geparcelt werden
Alle Konstrukte, inkl. der zuvor geparcelten
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 357
Struktur der Ergebnisdarstellung im Forschungsbericht (2/2)
Messinvarianz
Hypothesentests Pfad-koeffizienten
p-Wert CFI
TLI RMSEA SRMR χ²(df)
AMOS
SPSS, AMOS
Quelle Kommentar Inhalte Tabelle χ²/df
(p-Wert) Δχ²/Δdf
(p-Wert)
CFI (ΔCFI) TLI (ΔTLI) RMSEA
(ΔRMSEA)
Universität Trier MARKETING & HANDEL Prof. Dr. Prof. h.c. B. Swoboda
Forschungsprojekt 358
Sprechstunde: Feedback zur Datenanalyse
Am 15.06. zwischen 10.00 und 12.00 Uhr sowie zwischen 14.00 und 16.00 Uhr findet eine Pflichtsprechstunde zur Besprechung Ihrer Datenanalyse statt.
Melden Sie sich als Gruppe für einen der beiden Termine an.
Senden Sie Ihre Ergebnisse bitte zwei Tage vor Ihrem Termin per E-Mail an [email protected]
Termin Veranstaltungstyp Inhalte 7. 25.05.2016 4. Vorlesung, 3. Präsentation Literaturrückblick (Zweitversion), 12. Vorstellung des
Datensatzes 8. 01.06.2016 5. Vorlesung, 4. Präsentation
13a. Datenanalyse (8.00-10.00 Uhr, C106d, PC-Pool) Hypothesenherleitung (10.00-12.00 Uhr, C524)
9. 08.06.2016 6. Vorlesung 13b. Datenanalyse (8.00-10.00 Uhr, C106d, PC-Pool) 10. 15.06.2016 Datenanalyse 11. 22.06.2016 5. Präsentation Ergebnisse der Datenanalyse 12. 29.06.2016 Forschungsbericht 13. 06.07.2016 Forschungsbericht 14. 13.07.2016 6. Präsentation Vorstellung Forschungsbericht