Hast du dich schon mal gefragt, wie man in der Wissenschaft Dinge quantitativ messen kann, die sich gar nicht direkt beobachten lassen wie Motivation, Stress oder Prüfungsangst?

Und wie man dann auch noch herausfinden kann, wie all diese Dinge zusammenhängen?

Dann bist du hier genau richtig. Denn dafür gibt es eine Methode, die genau das kann: Structural Equation Modeling, kurz SEM.

Was zum Kuckuck ist ein Strukturgleichungsmodell?

Der Name klingt erstmal kompliziert. Structural Equation Modeling heißt wörtlich übersetzt: Modellierung struktureller Gleichungen. Was das bedeutet? Du baust ein Modell, in dem du festhältst, wie verschiedene Dinge (sogenannte Variablen) miteinander zusammenhängen (sogenannte Hypothesen) und lässt dann ein Programm überprüfen, ob diese Annahmen zu deinen Daten passen.

Das hilft dir besonders, wenn du theoretische Konstrukte wie Lernmotivation oder Zufriedenheit untersuchen willst. Also Dinge, die du nicht direkt beobachten kannst, sondern mittels Fragebögen oder Tests messbar machen möchtest. Dabei geht es nicht nur um eine einzelne Beziehung, wie bei klassischen statistischen Verfahren, sondern um ein ganzes Netz aus Zusammenhängen.

Nehmen wir an, du willst wissen, wie bestimmte Faktoren im Studium zusammenspielen. Zum Beispiel:
Führt mehr Motivation dazu, dass man weniger prokrastiniert? Und hat das wiederum Einfluss auf die Prüfungsnote?

Mit herkömmlichen statistischen Methoden müsstest du diese Beziehungen einzeln analysieren:
erst Motivation → Prokrastination, dann Prokrastination → Note.

Wenn du Structural Equation Modeling (kurz SEM) nutzt, kannst du dagegen alle diese Zusammenhänge gleichzeitig in einem einzigen Modell analysieren. Du entwickelst dein theoretisches Modell über die Zusammenhänge und das Statistikprogramm prüft dann anhand deiner Daten, ob das auch wirklich so passt.

Was sind latente und manifeste Variablen?

Wenn man mit Structural Equation Modeling arbeitet, unterscheidet man zwei Arten von Variablen: manifeste und latente Variablen.

Latente Variablen sind theoretische Konzepte, die du nicht direkt messen kannst, zum Beispiel „Prüfungsangst“, „Motivation“ oder „Selbstwirksamkeit“. Du kannst niemandem direkt in den Kopf schauen und sagen: „Diese Person hat eine Prüfungsangst von 4,3.“ Aber du kannst passende Fragen stellen, aus denen du auf die Prüfungsangst schließen kannst.

Manifeste Variablen sind konkrete, direkt messbare Dinge, also zum Beispiel einzelne Antworten auf Fragen im Fragebogen. Du siehst sie direkt in den Daten, zum Beispiel als Zahl zwischen 1 und 5.

Und genau hier zeigt sich der Zusammenhang: Eine latente Variable wie „Prüfungsangst“ wird durch mehrere manifeste Variablen erfasst.
Zum Beispiel durch diese Fragen in einem Fragebogen mit einer Skala zum Ankreuzen:

1. „Ich kann vor Prüfungen schlecht schlafen.“
2. „Ich bekomme körperliche Symptome, wenn ich an Prüfungen denke.“
3. „Ich verliere vor Prüfungen die Motivation zu lernen.“

Jede dieser Aussagen ist eine manifeste Variable, also eine einzelne, messbare Reaktion.
Erst zusammen ergeben sie ein Gesamtbild, das du als latente Variable „Prüfungsangst“ modellierst.

Wie funktioniert SEM in der Praxis?

Nachdem du nun weißt, was latente und manifeste Variablen sind, schauen wir uns an, wie SEM in der Praxis abläuft. Du musst dabei nicht jede mathematische Formel im Detail verstehen. Wichtig ist vor allem, dass du das Grundprinzip kennst und weißt, wie der Ablauf aussieht, wenn du SEM selbst anwenden möchtest.

Schritt 1: Die Idee

Am Anfang steht immer eine Forschungsfrage oder Theorie. Du überlegst dir, welche Konzepte dich interessieren und wie sie vermutlich zusammenhängen. Möchtest du herausfinden, ob motivierte Studierende weniger prokrastinieren und dadurch bessere Noten schreiben? Dann überlegst du, welche Variablen du brauchst, um diese Konzepte messbar zu machen und in welcher Beziehung sie zueinander stehen.

In unserem Beispiel könntest du ein Modell aus den folgenden drei Variablen aufbauen:

• Lernmotivation (latente Variable)
• Prokrastination (latente Variable)
• Prüfungsnote (manifeste Variable, weil direkt messbar)

Schritt 2: Der Fragebogen

Jetzt überlegst du dir, wie du Motivation und Prokrastination messen kannst. Beide Konzepte kannst du nicht direkt beobachten. Du musst sie über mehrere Aussagen im Fragebogen erfassen.

Für Lernmotivation stellst du zum Beispiel folgende Aussagen:

• „Ich interessiere mich für meine Studieninhalte.“
• „Ich setze mir konkrete Lernziele.“
• „Ich bin stolz, wenn ich im Studium etwas Neues verstehe.“

Für Prokrastination nutzt du z. B. diese Aussagen:

• „Ich fange oft erst kurz vor der Abgabefrist an.“
• „Ich lasse mich beim Lernen leicht ablenken.“
• „Ich schiebe unangenehme Aufgaben so lange wie möglich auf.“

Diese Fragen musst du dir aber nicht unbedingt selbst ausdenken. Du kannst in der Literatur nach diesen „Items“ (so nennt man die Fragen) suchen. Und zwar in Studien, die das gleiche Konzept bereits vor dir gemessen haben und netterweise ihre Fragen mit der Welt teilen und validiert haben, dass sie auch wirklich das messen, was sie messen sollen.

Die Prüfungsnote ist eine einzelne Frage, z. B.: „Welche Note hast du in deiner letzten Modulprüfung erhalten?“. Sie ist direkt abfragbar und damit eine manifeste Variable.

Wenn du deine Items zusammengestellt hast, geht es an den nächsten Schritt: die Datenerhebung.

Schritt 3: Die Datenerhebung

Das erfolgt zum Beispiel über eine Online-Umfrage unter Studierenden. Für SEM brauchst du in der Regel eine etwas größere Stichprobe als für einfache statistische Verfahren. Als grobe Orientierung würde ich sagen sind mindestens 100 Teilnehmende sinnvoll. Je mehr Daten du hast, desto verlässlicher ist dein Modell.

Die Teilnehmenden beantworten alle Aussagen auf einer Skala von 1 (trifft gar nicht zu) bis 5 (trifft voll zu). Die Note gibst du z. B. auf einer Skala von 1,0 bis 5,0 ein.

Jetzt hast du deine Daten: konkrete Zahlen zu Motivation, Prokrastination und Prüfungsnote.

Schritt 4: Die Analyse mit Software

Welche Software du verwendest, hängt davon ab, was du mit deinem Modell erreichen willst.
Wenn du ein bestehendes Modell oder eine Theorie testen möchtest, ist AMOS in der Regel die beste Wahl. Es wurde speziell für solche konfirmatorischen SEM-Analysen entwickelt: Du hast eine Theorie, formulierst ein Modell und prüfst, ob die Daten dazu passen.

SmartPLS ist dann sinnvoll, wenn du noch keine feste Theorie hast, sondern erstmal herausfinden willst, welche Variablen überhaupt miteinander zusammenhängen könnten. Das nennt man einen explorativen Ansatz. Du möchtest beispielsweise untersuchen, welche Faktoren die Studienzufriedenheit beeinflussen, hast aber keine klaren Annahmen über die Zusammenhänge. SmartPLS hilft dir, erste Strukturen zu entdecken und Hypothesen zu entwickeln, die du später mit AMOS testen könntest.

In unserem Beispiel mit Lernmotivation, Prokrastination und Prüfungsnote würdest du AMOS verwenden, wenn du bereits eine klare Annahme hast: Motivation senkt Prokrastination, und weniger Prokrastination führt zu besseren Noten. In der Software gibst du dein Modell ein, hinterlegst deine Fragebogenitems und das Programm führt die Berechnungen durch.

Schritt 5: Der Modell-Fit

Nachdem du dein Modell in der Software eingegeben und berechnen lassen hast, stellt sich die wichtigste Frage:
Passt dein Modell überhaupt zu den Daten?

Um zu prüfen, ob deine Modellannahmen wirklich zu deinen Daten passen, nutzt die Software bestimmte Gütekriterien, die sogenannten Fit-Indizes.

Sie geben dir Rückmeldung, wie gut dein theoretisches Modell mit den tatsächlichen Antworten deiner Teilnehmenden übereinstimmt.

Zu den wichtigsten Werten gehören:

• CFI: möglichst über 0,90
• RMSEA: möglichst unter 0,08
• Chi-Quadrat-Test: wird oft berichtet, ist aber bei größeren Stichproben weniger aussagekräftig

Wenn deine Fit-Indizes im empfohlenen Bereich liegen, kannst du davon ausgehen, dass dein Modell grundsätzlich gut zu den Daten passt. Du darfst dann deine Ergebnisse interpretieren. Zum Beispiel: „Je höher die Lernmotivation, desto geringer die Prokrastination und desto besser die Note.“

Du kannst dann die Pfadkoeffizienten interpretieren. Das sind die Zahlen, die an den Pfeilen zwischen den Variablen stehen. Sie zeigen dir, wie stark ein Zusammenhang ist und in welche Richtung er verläuft.

Ein positiver Wert bedeutet: Wenn die eine Variable steigt, steigt auch die andere. Ein negativer Wert heißt: Wenn die eine steigt, sinkt die andere. Je näher der Wert an –1 oder +1 liegt, desto stärker ist der Effekt.

Ein Koeffizient von –0,5 zwischen Lernmotivation und Prokrastination bedeutet zum Beispiel, dass Studierende mit höherer Motivation deutlich weniger zum Aufschieben neigen. So kannst du genau nachvollziehen, ob und wie stark deine Hypothesen durch die Daten gestützt werden.

Fazit

Wenn du Schritt für Schritt vorgehst, ein sauberes Modell entwickelst und die Grundlagen verstanden hast, kannst du es erfolgreich einsetzen. Du brauchst keine perfekten Statistikkenntnisse, aber den Mut, dich an neue Methoden heranzuwagen. Und dieser Mut wird oft belohnt!

Wenn du auf dem Weg zu mehr Erfolg im Studium noch ein wenig Starthilfe für deine wissenschaftliche Arbeit benötigst, dann habe noch ein PDF für dich, das du dir gratis herunterladen kannst:

Die 30 besten Formulierungen für eine aufsehenerregende Einleitung

---