Regularisierende Strukturgleichungsmodelle

Strukturgleichungsmodelle werden in der Psychologie sehr häufig zur quer- und längsschnittlichen Datenanalyse verwendet, weil man in ihnen u.A. berücksichtigen kann, dass psychologische Merkmale messfehlerbehaftet sind. Bei der Anwendung von Strukturgleichungsmodellen müssen Anwender:innen aber viele Modellierungsentscheidungen theoriegeleitet treffen, für die nicht immer genügend Informationen zur Verfügung stehen. Um dieses Problem abzumildern, kann man Strukturgleichungsmodelle mit regularisierenden Schätzverfahren verknüpfen, die neben einer möglichst guten Anpassung des Modells an die Daten gleichzeitig möglichst sparsame Modelle hervorbringen sollen. Dadurch werden die Schritte der Schätzung und der Modellwahl kombiniert. Regularisierende Strukturgleichungsmodelle erlauben deshalb ein „semi-konfirmatorisches“ Vorgehen, bei dem man Modellierungsentscheidungen, zu denen wenig Informationen vorliegen, datengetrieben durchführen kann. Dies ist für psychologische Forschung potenziell sehr nützlich, weil vorhandenes Wissen optimal ausgenutzt werden kann, ohne zwingend alle Modellierungsentscheidungen a-priori treffen zu müssen.

In dem Projekt soll die Nützlichkeit von regularisierenden Strukturgleichungsmodellen für typische psychologische Anwendungen (weiter) untersucht werden (z.B. im Rahmen der Fragebogenentwicklung). Unter anderem sollen Simulationsstudien durchgeführt werden, in denen die Performanz im Vergleich zu anderen etablierten bzw. vorgeschlagenen Methoden untersucht wird.

Relevante Publikationen:

Scharf, F., & Nestler, S. (2019c). Should regularization replace simple structure rotation in Exploratory Factor Analysis? Structural Equation Modeling: A Multidisciplinary Journal, 26, 576-590.

Scharf, F.*, Pförtner, J.*, & Nestler, S. (2021). Can ridge and elastic net structural equation modeling be used to stabilize parameter estimates when latent factors are correlated? Structural Equation Modeling: A Multidisciplinary Journal, 62, 928-940. (*shared first autorship)