Zum Inhalt springen
Methode

Covariance-Based Structural Equation Modeling (CB-SEM)

Covariance-based SEM (CB-SEM) testet ein vollständiges theoretisches Modell, sowohl den Messteil als auch die Pfade zwischen Konstrukten, indem es die beobachtete Kovarianzmatrix reproduziert. Es liefert globale fit-Indizes, sodass Sie eine Theorie bestätigen oder verwerfen können. Üblich verwendete Schwellenwerte sind CFI und TLI von .95 oder höher, RMSEA von .06 oder niedriger und SRMR von .08 oder niedriger (Hu & Bentler, 1999). Lockerere Grenzen werden oft als akzeptabel behandelt: CFI/TLI von .90 (Bentler & Bonett, 1980), RMSEA von .08 (Browne & Cudeck, 1993) und SRMR von .10 (Schermelleh-Engel et al., 2003). CB-SEM passt zu ausgereifter Theorie mit reflektiven Konstrukten; für Prädiktion oder formative Konstrukte kommt PLS-SEM in Betracht.

Diese Seite ist eine Übersetzung des geprüften englischen Originals. Original ansehen (EN)

cb-sem covariance based sem

Was es ist

Covariance-based structural equation modeling (CB-SEM) testet ein vollständiges theoretisches Modell — sowohl den Messteil als auch die Beziehungen zwischen Konstrukten — indem es die beobachtete Kovarianzmatrix reproduziert. Es stellt eine Frage: Würde eine Population, die zu meinem Modell passt, die Kovarianzen erzeugen, die ich in meinen Daten tatsächlich sehe? CB-SEM liefert globale fit-Indizes, sodass Sie eine Theorie bestätigen oder verwerfen können. Es ist das klassische konfirmatorische Werkzeug hinter Programmen wie AMOS und lavaan und passt zu reifer Theorie mit reflektiven Konstrukten.

Wann man es verwendet

  • Sie testen und bestätigen eine etablierte Theorie, statt eine zu erkunden oder aufzubauen.
  • Ihre Konstrukte sind reflektiv (die Indikatoren werden von der latenten Variable verursacht).
  • Sie brauchen globale fit-Indizes, um die ganze Struktur auf einmal zu bestätigen.
  • Ihre Stichprobe ist hinreichend groß und Ihre Indikatoren sind annähernd normalverteilt (oder Sie nutzen einen robusten Schätzer).

Wann man es nicht verwendet

  • Ihr Ziel ist Vorhersage, oder Ihre Konstrukte sind formativ: Ziehen Sie stattdessen PLS-SEM in Betracht. Eine kleine Stichprobe allein ist kein Grund für einen Wechsel, denn sie senkt die Power in beiden Methoden.
  • Sie haben noch kein klar hypothetisiertes Modell — beginnen Sie mit EFA und CFA.

Annahmen

  • Reflektives Messmodell mit gut identifizierten Konstrukten.
  • Multivariate Normalverteilung oder ein robuster Schätzer, wenn die Indikatoren nicht normalverteilt sind, etwa MLM (Satorra-Bentler-skaliertes χ² mit robusten Standardfehlern) oder MLR (robuste Huber-White-Standardfehler und das Yuan-Bentler-skalierte χ²). Beide sind in Explonia, lavaan und Mplus verfügbar.
  • Angemessene Stichprobengröße im Verhältnis zur Zahl der freien Parameter.
  • Korrekte Modellspezifikation — ausgelassene Pfade oder Fehler verzerren das fit.
  • Lineare Beziehungen zwischen den latenten Variablen.

Schwellenwerte & Grenzwerte

CriterionRule of thumbSource
CFI≥ .95 gut, ≥ .90 akzeptabelGut: Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Akzeptabel: Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), per Konvention auf CFI angewendet
TLI≥ .95 gut, ≥ .90 akzeptabelGut: Hu & Bentler (1999). Akzeptabel: Bentler & Bonett (1980)
RMSEA≤ .06 gut, ≤ .08 akzeptabelGut: Hu & Bentler (1999). Akzeptabel: Browne & Cudeck (1993)
SRMR≤ .08 gut, ≤ .10 akzeptabelGut: Hu & Bentler (1999). Akzeptabel: Schermelleh-Engel, Moosbrugger & Müller (2003, p. 38)
χ² (exaktes fit)Mit df berichten; nicht signifikant spricht für fit, ist aber empfindlich gegenüber NHu & Bentler (1999); Marsh, Hau & Wen (2004)
χ²/df≤ 2 gut, ≤ 3 akzeptabel, nur als grobe Heuristik; das Verhältnis hat keine feste Grundlage, bevorzugen Sie daher CFI/RMSEA/SRMRSchermelleh-Engel et al. (2003, Table 1, p. 52); Carmines & McIver (1981, p. 80)

Wie man es in APA berichtet

APA-Vorlage — kopieren & anpassen

Das Strukturmodell zeigte ein akzeptables fit, χ²(df) = X.XX, CFI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Der hypothetisierte Pfad war signifikant, β = .XX, SE = .XX, p < .001, und das Modell erklärte R² = .XX der Varianz in der abhängigen Variable.

Wie Explonia es berechnet

Explonia schätzt das vollständige CB-SEM-Modell im Browser aus den Daten, die Sie erheben oder hochladen. Sie definieren das Messmodell und die strukturellen Pfade, und Explonia liefert standardisierte Pfadkoeffizienten, ihre Signifikanz und die globalen fit-Indizes mit den angewandten Schwellen. Sie können ML (Standard), MLM mit der Satorra-Bentler-Korrektur, MLR, GLS oder ULS wählen; MLMV wird als MLM berechnet. MLR liefert robuste (Huber-White-)Standardfehler, das Yuan-Bentler-skalierte χ² (berechnet als N·F, wie in lavaan und Mplus) sowie robuste CFI, TLI und RMSEA (Brosseau-Liard, Savalei & Li, 2012; Brosseau-Liard & Savalei, 2014) und wurde gegen lavaan (MLR) gegengeprüft. Alle Schätzer nutzen vollständige Fälle (listenweiser Ausschluss); FIML ist noch nicht verfügbar. WLS und DWLS für ordinale Daten sind noch nicht implementiert: Wenn Sie sie wählen, schätzt Explonia mit ML und zeigt eine Warnung. Es entwirft eine APA-„Article description” der Strukturergebnisse, die Sie prüfen und bearbeiten können. Sie können Ihre Daten nach SPSS (.sav) oder AMOS und die Modellsyntax nach R (lavaan; bei MLR setzt das Skript estimator = "MLR") exportieren, um das Modell zu reproduzieren. measurement invariance für multi-group CB-SEM wird unterstützt.

Results verified against R (lavaan)

Häufig gestellte Fragen

CB-SEM oder PLS-SEM — was soll ich nutzen?

Nutzen Sie CB-SEM, um eine etablierte Theorie mit reflektiven Konstrukten und globalen fit-Indizes zu bestätigen. Nutzen Sie PLS-SEM für Vorhersage, formative Konstrukte oder sehr komplexe Modelle. Eine kleine Stichprobe allein ist kein Grund, denn sie senkt die Power in beiden Methoden. Den vollständigen Vergleich finden Sie auf unserer PLS-SEM-Seite.

Welche fit-Indizes soll ich für CB-SEM berichten?

Berichten Sie χ² mit Freiheitsgraden, CFI, RMSEA mit seinem 90%-Konfidenzintervall und SRMR. Mehrere Indizes zusammen zu berichten ist Standard (Hu & Bentler, 1999), doch ihre Schwellen sind Richtlinien statt strenger Regeln und können bei komplexen Modellen in die Irre führen (Marsh, Hau & Wen, 2004). Beachten Sie, dass χ² empfindlich gegenüber der Stichprobengröße ist — bei großen Stichproben verwirft es oft gute Modelle — verlassen Sie sich also nicht allein darauf.

Liefert CB-SEM R² wie die Regression?

Ja. CB-SEM berichtet die erklärte Varianz (R²) für jedes endogene Konstrukt, neben den Pfadkoeffizienten zwischen den latenten Variablen.

Kann ich in CB-SEM Gruppen vergleichen?

Ja — multi-group CB-SEM mit Tests auf measurement invariance (configural, metric, scalar) erlaubt es, strukturelle Beziehungen über Gruppen hinweg zu vergleichen. Sehen Sie unsere Seite zu measurement invariance.

Last updated: Oktober 2026

Führen Sie CB-SEM mit Ihren eigenen Daten durch

Sammeln oder laden Sie Ihre Daten hoch, führen Sie die Analyse in Ihrem Browser durch und erhalten Sie einen APA-Absatzentwurf, den Sie bearbeiten können. Kostenlos starten. Keine Kreditkarte.

Kostenlos starten