Was sagt eine Mehrgruppenanalyse aus?

Ob eine Beziehung in deinem Modell in einer Gruppe signifikant stärker ist als in einer anderen. Sie testet Moderation durch eine kategoriale Gruppierungsvariable auf Ebene einzelner struktureller Pfade.

Brauche ich Messinvarianz vor der MGA?

Ja. Du solltest zuerst mindestens partielle Messinvarianz nachweisen (das MICOM-Verfahren). Sonst könnte ein Unterschied in den Pfadkoeffizienten daher rühren, dass die Gruppen die Konstrukte unterschiedlich messen, und nicht von einem echten strukturellen Unterschied.

Welchen MGA-Test sollte ich verwenden?

Der Permutationstest ist die empfohlene Standardwahl, weil er keine Verteilungsannahmen macht. Der parametrische Test und Welch-Satterthwaite sind Alternativen; bei mehr als zwei Gruppen beginne mit einem Omnibus-Test.

PLS-SEM-METHODE

Mehrgruppenanalyse (MGA): Pfade zwischen Gruppen vergleichen

Die Mehrgruppenanalyse (MGA) prüft, ob sich die Beziehungen in deinem PLS-SEM-Modell signifikant zwischen vordefinierten Gruppen unterscheiden, etwa Männer und Frauen, zwei Länder oder Kunden und Nicht-Kunden. Diese Seite erklärt, was sie testet, wie man das Ergebnis liest, die Test-Varianten, den Schritt zur Messinvarianz, den die meisten überspringen, und die häufigen Fehler.

Was die Mehrgruppenanalyse testet

Ein normales PLS-SEM-Modell schätzt pro struktureller Beziehung einen Pfadkoeffizienten, gepoolt über die gesamte Stichprobe. Die MGA stellt eine gezieltere Frage: Ist diese Beziehung für alle gleich, oder hängt sie davon ab, zu welcher Gruppe eine befragte Person gehört? Es ist eine Form der Moderation, bei der der Moderator eine kategoriale Gruppierungsvariable ist.

Die MGA schätzt das Modell für jede Gruppe separat und testet dann, ob der Unterschied zwischen den Pfadkoeffizienten der Gruppen größer ist, als man zufällig erwarten würde. Ein signifikanter Unterschied bedeutet, dass die Gruppierungsvariable diese Beziehung moderiert: Der Effekt ist in einer Gruppe tatsächlich stärker als in der anderen.

Ein durchgerechnetes Beispiel

Der Pfad von wahrgenommener Nützlichkeit zur Nutzung wird für zwei Gruppen getrennt geschätzt. In Gruppe A liegt der Koeffizient bei 0,45, in Gruppe B bei 0,18. Der Permutationstest liefert einen p-Wert von 0,02 für den Unterschied, der Pfad unterscheidet sich also signifikant zwischen den Gruppen.

Du berichtest die beiden gruppenspezifischen Koeffizienten und schließt daraus, dass die Gruppierungsvariable diese Beziehung moderiert.

Der Pfad von Nützlichkeit zur Nutzung beträgt 0,45 in Gruppe A gegenüber 0,18 in Gruppe B; der Unterschied ist signifikant (p = 0,02).

Wie man das Ergebnis liest

Für jeden strukturellen Pfad berichtet die MGA den Unterschied zwischen den Koeffizienten der beiden Gruppen und einen p-Wert für diesen Unterschied.

p(Diff) < 0,05: Der Pfad unterscheidet sich signifikant zwischen den beiden Gruppen. Die Gruppierungsvariable moderiert diese Beziehung; berichte und interpretiere die beiden gruppenspezifischen Koeffizienten getrennt.
p(Diff) ≥ 0,05: Kein Beleg, dass sich der Pfad zwischen den Gruppen unterscheidet. Für diese Beziehung kannst du den gepoolten Koeffizienten aus dem Gesamtmodell berichten.
Gemischte Befunde: Es ist normal, dass sich manche Pfade zwischen Gruppen unterscheiden und andere nicht. Interpretiere jeden Pfad einzeln, statt das ganze Modell anhand eines einzigen Pfads als invariant zu erklären.

Ein nicht signifikanter Unterschied ist kein Beweis, dass die Gruppen identisch sind, sondern nur, dass deine Daten keinen Unterschied zeigen. Zu kleine Gruppen machen echte Unterschiede schwer nachweisbar.

Varianten des MGA-Tests

Permutationstest

Der empfohlene nicht-parametrische Ansatz (Henseler 2007). Die Gruppenlabels werden wiederholt gemischt, um die Verteilung des Koeffizientenunterschieds unter der Nullhypothese aufzubauen. Er macht keine Verteilungsannahmen, weshalb OpenPLS ihn verwendet.

Parametrischer Test

Ein t-Test für zwei Stichproben auf den Bootstrap-Koeffizienten (Keil et al. 2000). Einfach, setzt aber gleiche Varianzen über die Gruppen voraus.

Welch-Satterthwaite

Eine Variante des parametrischen Tests, die keine gleichen Varianzen voraussetzt. Robuster, wenn Gruppengrößen oder Varianzen unterschiedlich sind.

Omnibus-Test (OTG)

Bei mehr als zwei Gruppen prüft der Omnibus-Test auf Gruppenunterschiede, ob sich ein Pfad über alle Gruppen hinweg unterscheidet, bevor man paarweise vergleicht.

MGA Schritt für Schritt durchführen

Definiere die Gruppen aus einer kategorialen Spalte (etwa Geschlecht, Region oder ein Split einer stetigen Variable).
Prüfe zuerst die Messinvarianz (das MICOM-Verfahren). Du musst mindestens partielle Invarianz nachweisen, sonst könnten Gruppenunterschiede widerspiegeln, wie die Konstrukte gemessen werden, statt echte strukturelle Unterschiede.
Schätze das Modell innerhalb jeder Gruppe und stelle sicher, dass jede Gruppe genug Fälle für stabile Schätzungen hat.
Führe die MGA aus, um für jeden strukturellen Pfad den Koeffizientenunterschied und den p-Wert zu erhalten.
Berichte die gruppenspezifischen Koeffizienten für Pfade, die sich signifikant unterscheiden, und den gepoolten Koeffizienten für die übrigen.

Häufige Fehler

Den Messinvarianz-Check (MICOM) überspringen. Ohne ihn kann ein signifikanter Pfadunterschied schlicht bedeuten, dass die beiden Gruppen die Items unterschiedlich verstehen.
Zu kleine Gruppen. Die MGA braucht eine ausreichende Stichprobe pro Gruppe; winzige Gruppen führen zu instabilen Koeffizienten und geringer Teststärke.
Mehr als zwei Gruppen nur paarweise vergleichen, ohne Omnibus-Test, was die Falsch-Positiv-Rate erhöht.
Einen nicht signifikanten Unterschied als Beweis für Gleichheit lesen. Es ist nur ein Fehlen von Belegen.
Einen stetigen Moderator in Gruppen aufteilen, obwohl eine stetige Moderationsanalyse mehr Information erhalten würde.

MGA in OpenPLS

OpenPLS enthält ein Mehrgruppenanalyse-Panel, das Henselers Permutationstest ausführt. Definiere deine Gruppen aus einer beliebigen Spalte, wähle die Anzahl der Permutationen und erhalte für jeden strukturellen Pfad den Koeffizientenunterschied und einen zweiseitigen p-Wert. Zwei Gruppen werden direkt behandelt, bei mehr werden paarweise Vergleiche berichtet. Kostenlos und direkt im Browser.

Vergleiche Gruppen an deinem eigenen Modell

Baue dein Modell im visuellen Editor, definiere deine Gruppen und führe eine permutationsbasierte MGA mit einem Klick aus. Kostenlos, ohne Installation.

OpenPLS öffnen Was ist PLS-SEM?

Häufige Fragen

Was sagt eine Mehrgruppenanalyse aus?: Ob eine Beziehung in deinem Modell in einer Gruppe signifikant stärker ist als in einer anderen. Sie testet Moderation durch eine kategoriale Gruppierungsvariable auf Ebene einzelner struktureller Pfade.
Brauche ich Messinvarianz vor der MGA?: Ja. Du solltest zuerst mindestens partielle Messinvarianz nachweisen (das MICOM-Verfahren). Sonst könnte ein Unterschied in den Pfadkoeffizienten daher rühren, dass die Gruppen die Konstrukte unterschiedlich messen, und nicht von einem echten strukturellen Unterschied.
Welchen MGA-Test sollte ich verwenden?: Der Permutationstest ist die empfohlene Standardwahl, weil er keine Verteilungsannahmen macht. Der parametrische Test und Welch-Satterthwaite sind Alternativen; bei mehr als zwei Gruppen beginne mit einem Omnibus-Test.

Weiterführende Literatur

Zum Permutationsansatz: Henseler, J. (2007). A new and simple approach to multi-group analysis in partial least squares path modeling. Zur Messinvarianz: Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405-431. Einen praxisnahen Überblick bietet Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling, 3. Aufl., Sage.